本文档介绍了如何使用存储的嵌入生成索引和查询嵌入。如需详细了解如何存储嵌入，请参阅存储向量嵌入。
您可以使用 AlloyDB 创建 ScaNN、IVF、IVFFlat 和 HNSW 索引。
准备工作
在开始创建索引之前，您必须完成以下前提条件。
安装了基于
pgvector的vector扩展程序版本0.5.0或更高版本（由 Google 针对 AlloyDB 进行扩展）。CREATE EXTENSION IF NOT EXISTS vector;如需生成
ScaNN索引，请安装alloydb_scann扩展程序以及vector扩展程序。CREATE EXTENSION IF NOT EXISTS alloydb_scann;
创建索引
您可以为数据库中的表创建以下索引类型之一。
创建 ScaNN 索引
AlloyDB alloydb_scann 是
由 Google 开发的 PostgreSQL 扩展程序，
可实现依托 [ScaNN
algorithm算法](https://github.com/google-research/google-research/blob/master/scann/docs/algorithms.md)的高效最近邻索引。
ScaNN 索引是一种基于树的量化索引，用于近似
最近邻搜索。它可以缩短索引构建时间并减少
内存占用（与 HNSW 相比）。此外，与
与 HNSW 相比，它可根据工作负载提供更快的 QPS。
AlloyDB 数据库中的表。如果您尝试对空表或分区表生成 ScaNN 索引，
可能会遇到一些问题。
如需详细了解生成的错误，请参阅排查 ScaNN 索引错误。
二级树 ScaNN 索引
如需将使用 ScaNN 算法的二级树索引应用于
包含存储的向量嵌入的列，请运行以下 DDL 查询：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE);
替换以下内容：
INDEX_NAME：您要创建的索引的名称，例如
my-scann-index。索引名称会在整个数据库中共享。确保每个索引名称对数据库中的每个都是唯一的。
table in your database.
TABLE：要向其中添加索引的表。EMBEDDING_COLUMN：用于存储vector数据的列。data.
DISTANCE_FUNCTION：要与此索引搭配使用的距离函数。请按以下方式之一操作：
L2 距离：
l2点积：
dot_product余弦距离：
cosine
NUM_LEAVES_VALUE：要应用到此索引的分区数量。设置为介于 1 到 1048576 之间的任意值。了解详情
如需详细了解如何确定此值，请参阅对
ScaNN索引进行调优。
三级树 ScaNN 索引
如需对包含存储的向量嵌入的列创建使用 ScaNN 算法的三级树索引，
包含存储的向量嵌入的列，请运行以下 DDL 查询：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);
替换以下内容：
MAX_NUM_LEVELS：K-means 聚类树。对于基于二级树的量化，设置为
1（默认值）；对于基于三级树的量化，设置为
2。
创建索引后，您可以运行最近邻搜索查询，
按照 [使用给定文本执行最近邻查询](#query)中的说明，利用该索引执行查询。
query with given text](#query).
索引参数必须设置为可在 QPS 和召回率之间取得适当的平衡。
如需详细了解如何对 ScaNN 索引进行调优，请参阅[对ScaNN
index](/alloydb/omni/kubernetes/15.7.0/docs/ai/tune-indexes).
如需在使用 real[] 数据类型
（而非 vector）的嵌入列上创建此索引，请将该列转换为 vector 数据类型：
CREATE INDEX INDEX_NAME ON TABLE
USING scann (CAST(EMBEDDING_COLUMN AS vector(DIMENSIONS)) DISTANCE_FUNCTION)
WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);
将 DIMENSIONS 替换为嵌入列的维度宽度。
如需详细了解如何查找维度，
请参阅[向量函数](https://github.com/pgvector/pgvector?tab=readme-ov-file#vector-functions)中的vector_dims函数。
functions](https://github.com/pgvector/pgvector?tab=readme-ov-file#vector-functions).
如需查看索引编制进度，请使用 pg_stat_progress_create_index 视图：
SELECT * FROM pg_stat_progress_create_index;
phase 列会显示索引创建的当前状态，
building index: tree training 阶段会在索引创建后消失。
如需对索引进行调优以实现目标召回率和 QPS 平衡，请参阅对 ScaNN 索引进行调优。
分析已编制索引的表
创建 ScaNN 索引后，运行 ANALYZE 命令以更新有关数据的统计信息。
ANALYZE TABLE;
运行查询
在将嵌入存储到数据库中并为其编制索引后，您可以开始
使用 [pgvector 查询
功能](https://github.com/pgvector/pgvector#querying)进行查询。您无法
使用 alloydb_scann 扩展程序运行批量搜索查询。
如需查找嵌入向量的语义最近邻，您可以运行
以下示例查询，其中设置了在创建索引期间使用的相同距离函数。
during the index creation.
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY ['EMBEDDING']
LIMIT ROW_COUNT
替换以下内容：
TABLE：包含要与文本进行比较的嵌入的表。text to.
INDEX_NAME：您要使用的指数的名称，示例：
my-scann-index。EMBEDDING_COLUMN：包含存储的潜入的列。embeddings.
DISTANCE_FUNCTION_QUERY：要与此查询一起使用的距离函数。根据创建索引时使用的距离函数，选择以下各项之一：
while creating the index:
L2 距离：
<->内积：
<#>余弦距离：
<=>
EMBEDDING：您要为其查找存储的语义最近邻的嵌入向量。semantic neighbors of.
ROW_COUNT：要返回的行数。如果您只想获得单个最佳匹配项，请指定
1。
如需详细了解其他查询示例，请参阅
查询。
您还可以使用 embedding() 函数将
文本转换为向量。您可以将向量应用于某个
pgvector 最近邻运算符（适用于 L2 距离的 <->），
语义上最相似的嵌入。
由于 embedding() 会返回 real 数组，因此您必须明确将
embedding() 调用转换为 vector，以便将这些值与 pgvector 运算符结合使用。
operators.
CREATE EXTENSION IF NOT EXISTS google_ml_integration;
CREATE EXTENSION IF NOT EXISTS vector;
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN::vector
<-> embedding('MODEL_IDVERSION_TAG', 'TEXT')
LIMIT ROW_COUNT
替换以下内容：
MODEL_ID：要查询的模型的 ID。如果您使用的是 Vertex AI Model Garden，请将
text-embedding-005指定为模型 ID。这些是 AlloyDB 可用于文本嵌入的云端模型。如需了解详情，请参阅文本嵌入。可选：
VERSION_TAG：要查询的模型的版本标记。在标记前面添加@。如果您将某个
text-embedding英语模型与 Vertex AI 搭配使用，请指定模型版本中列出的某个版本标记，例如text-embedding-005。Google 强烈建议您始终指定版本标记。如果您未指定版本标记，AlloyDB 会始终使用最新的模型版本，这可能会导致意外结果。
TEXT：要转换为向量嵌入的文本。