imported>Thorsten Klöhn: Import aus Zensical-Doku (Wissen Ahrensburg)

2026-08-09T12:31:24Z

Import aus Zensical-Doku (Wissen Ahrensburg)

Neue Seite

= Praxis-Guide: PostgreSQL + pgvector (Semantische Suche in der Praxis) =

<code>pgvector</code> ist eine Open-Source-Erweiterung für PostgreSQL, die Vektoreinbettungen (Embeddings) direkt in deiner relationalen PostgreSQL-Datenbank speichert und hocheffizient durchsucht.

-----


== 🛠️ 1. Installation & Aktivierung ==


=== Extension in PostgreSQL aktivieren ===

<syntaxhighlight lang="sql">CREATE EXTENSION IF NOT EXISTS vector;</syntaxhighlight>

-----


== 📊 2. Tabellen-Setup & Vektor-Indizierung ==


=== Tabelle mit Vektor-Spalte erstellen ===

<syntaxhighlight lang="sql">CREATE TABLE dokumente (
id BIGSERIAL PRIMARY KEY,
titel TEXT NOT NULL,
inhalt TEXT NOT NULL,
embedding VECTOR(1536), -- 1536 Dimensionen (z. B. OpenAI text-embedding-3-small)
erstellt_am TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);</syntaxhighlight>

=== HNSW-Index für ultraschnelle Ähnlichkeitssuche anlegen ===

<syntaxhighlight lang="sql">-- Hierarchical Navigable Small World (HNSW) Index für Kosinus-Ähnlichkeit
CREATE INDEX ON dokumente
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);</syntaxhighlight>

-----


== 🔍 3. Daten einfügen & Semantische Suche ==


=== Vektor-Daten einfügen ===

<syntaxhighlight lang="sql">INSERT INTO dokumente (titel, inhalt, embedding)
VALUES (
'Nginx SSL Anleitung',
'So konfigurierst du Let''s Encrypt SSL-Zertifikate in Nginx.',
'[-0.012, 0.045, 0.003, ...]' -- Array mit 1536 Zahlen
);</syntaxhighlight>

=== K-Nearest-Neighbors (k-NN) Abfrage ausführen ===

<syntaxhighlight lang="sql">-- Finde die 3 ähnlichsten Dokumente basierend auf der Kosinus-Distanz (<=>)
SELECT
id,
titel,
1 - (embedding <=> '[-0.010, 0.042, 0.001, ...]') AS aehnlichkeit
FROM dokumente
ORDER BY embedding <=> '[-0.010, 0.042, 0.001, ...]'
LIMIT 3;</syntaxhighlight>

-----


== 🐍 4. Python-Integration mit Psycopg3 ==

<syntaxhighlight lang="python">import psycopg
from pgvector.psycopg import register_vector

# Verbindung aufbauen
conn = psycopg.connect("dbname=dokumente_db user=postgres password=geheim host=localhost")
register_vector(conn)

# Vektorsuche abfragen
query_embedding = [0.012, -0.034, ...] # 1536 Float-Werte

with conn.cursor() as cur:
cur.execute("""
SELECT titel, inhalt, 1 - (embedding <=> %s) AS score
FROM dokumente
ORDER BY embedding <=> %s
LIMIT 5
""", (query_embedding, query_embedding))

for row in cur.fetchall():
print(f"[{row[2]:.2f}] {row[0]}: {row[1][:50]}...")</syntaxhighlight>

-----


== 🔗 Verwandte Themen ==

* [[Wissen / Daten / Datenbanken|Datenbanken Übersicht]] – Vektordatenbank-Überblick
* [[KI & Automatisierung / KI-Coding / LLM & Serving / Lokales RAG & LLM-Serving|Lokales RAG & LLM-Serving]] – RAG mit Ollama
* [[Wissen / Dokumentation / Wissensdatenbanken mit KI & semantischer Suche|Wissensdatenbanken mit KI & semantischer Suche]] – Einordnung von pgvector im Vergleich zu LanceDB, Qdrant, Milvus & Co.

Wissen / Daten / PostgreSQL + pgvector - Versionsgeschichte

imported>Thorsten Klöhn: Import aus Zensical-Doku (Wissen Ahrensburg)