Vektorsuche

• Ein Embedding ist eine Liste von Zahlen, die die Bedeutung eines Texts oder Bildes beschreibt. Deine App bekommt es von ihrem KI-Anbieter (zum Beispiel text-embedding-3-small von OpenAI, 1536 Zahlen). Espobase speichert und durchsucht Embeddings; es erzeugt sie nicht.
• Eine Spalte vector(1536) enthält ein Embedding pro Zeile. Ähnliche Bedeutungen haben einen kleinen Abstand, die nächstgelegenen Zeilen sind also die besten Treffer.
• pgvector ist in jedem Projekt bereits eingerichtet: keine Erweiterung zu installieren, keine Einstellungen. Es funktioniert im SQL-Editor, im Tabelleneditor (Spaltentyp vector) und im KI-Builder.

Im SQL-Editor deines Projekts:

create table documents (
  id bigint generated always as identity primary key,
  content text not null,
  embedding vector(1536) not null
);

-- Fast similarity search (cosine distance)
create index on documents using hnsw (embedding vector_cosine_ops);

-- Who may read: row level security is on for every table
create policy "Anyone can read documents" on documents
  for select using (true);

Oder frag den KI-Builder, zum Beispiel: „eine Tabelle documents mit einem Embedding für semantische Suche“. Er schlägt dir die Vektorspalte und den Ähnlichkeitsindex zur Prüfung vor.

Eine Ähnlichkeitssuche ist eine kleine SQL-Funktion. Du legst sie einmal an; deine App ruft sie über die REST API auf.

create function match_documents(query_embedding vector(1536), match_count int)
returns table (id bigint, content text, similarity float)
language sql stable
as $$
  select id, content, 1 - (embedding <=> query_embedding) as similarity
  from documents
  order by embedding <=> query_embedding
  limit match_count
$$;

Die Funktion läuft als der aufrufende Nutzer, daher gilt die Row Level Security: Ein angemeldeter Nutzer findet nur die Zeilen, die seine Richtlinien erlauben.

import { createClient } from "@espobase/client";

const espobase = createClient(PROJECT_URL, PUBLISHABLE_KEY);

// Store: your app gets the embedding from its AI provider (1536 numbers).
await espobase.from("documents").insert({
  content: "How to reset your password",
  embedding: JSON.stringify(embedding),
});

// Search: the 5 most similar documents to the user's question.
const { data } = await espobase.rpc("match_documents", {
  query_embedding: JSON.stringify(questionEmbedding),
  match_count: 5,
});

Vektoren werden als Text übertragen, etwa [0.12,-0.03,…]. Mit der REST API direkt rufst du POST /rest/v1/rpc/match_documents mit demselben JSON-Body auf.

• Abstände: <=> Kosinus, <-> euklidisch (L2), <#> negatives Skalarprodukt. Verwende die Operatorklasse des Index, die zu deinen Abfragen passt (vector_cosine_ops, vector_l2_ops, vector_ip_ops).
• HNSW-Indizes unterstützen bis zu 2.000 Dimensionen.
• Einen Index über viele vorhandene Zeilen aufzubauen dauert eine Weile. Leg den Index zuerst an oder baue große Indizes über eine direkte Datenbankverbindung auf.
• Embeddings zählen zum Datenbankspeicher deines Tarifs (1536 Dimensionen ≈ 6 KB pro Zeile).