Armazenando Vetores no PostgreSQL
Aprenda a criar tabelas com colunas vetoriais e inserir dados de embeddings diretamente em seu banco de dados PostgreSQL.
Armazenando Vetores no PostgreSQL é uma aula grátis de Vector Databases: Pinecone, Weaviate & pgvector no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Vector Databases: Pinecone, Weaviate & pgvector, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Vector Databases: Pinecone, Weaviate & pgvector inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
Storing Vectors in PostgreSQL
Welcome back! In the previous lesson, we set up pgvector. Now, let's get practical and learn how to store actual vector embeddings in your PostgreSQL database.
This lesson covers creating tables with vector columns and inserting embedding data.
PostgreSQL Tables Reminder
Before storing vectors, let's quickly recall how tables work in PostgreSQL. You use the CREATE TABLE statement to define your table's structure, including column names and their data types.
With pgvector installed, we gain a new, powerful data type!
The `vector` Data Type
The core of storing embeddings with pgvector is the vector data type. When you define a column as vector(N), N represents the dimension of your embeddings.
vector(3): Stores 3-dimensional vectors.vector(1536): Stores 1536-dimensional vectors (common for OpenAI embeddings).
It's crucial that N matches the dimension of the embeddings you're working with.
Creating a Table with Vectors
To store embeddings, you'll create a table just like any other, but specify one or more columns as type vector(N).
Here's an example creating a simple table to hold items and their 3-dimensional embeddings:
CREATE TABLE items (
id SERIAL PRIMARY KEY,
embedding vector(3)
);Understanding Vector Dimensions
The number N in vector(N) is vital. It must precisely match the number of values (dimensions) in your actual embedding vectors. If your embedding model produces 768-dimensional vectors, your column must be vector(768).
Mismatched dimensions will result in errors when inserting data. Always check your embedding model's output dimension!
Inserting Single Vector Data
Once your table is set up, you can insert vector data using the standard INSERT INTO SQL command. Vector values are provided as a string representation of a list of numbers, e.g., '[1.2, 3.4, 5.6]'.
INSERT INTO items (embedding)
VALUES ('[1.0, 2.0, 3.0]');Inserting Multiple Vectors
You can insert multiple vectors into your table efficiently by providing multiple sets of values in a single INSERT INTO statement.
Each set of values corresponds to a new row in your table.
INSERT INTO items (embedding) VALUES
('[4.0, 5.0, 6.0]'),
('[7.0, 8.0, 9.0]');Storing Vectors with Metadata
In real-world applications, you'll almost always store additional information (metadata) alongside your vectors. This could be text content, a user ID, a timestamp, or any other relevant data.
Just add more columns to your table definition:
CREATE TABLE documents (
id SERIAL PRIMARY KEY,
content TEXT,
category VARCHAR(50),
embedding vector(4)
);Inserting Vectors & Metadata
When inserting data into a table with metadata, simply provide values for all the columns you wish to populate. Make sure the order of values matches the order of columns specified in your INSERT INTO statement.
INSERT INTO documents (content, category, embedding) VALUES
('The quick brown fox.', 'animal', '[0.1, 0.2, 0.3, 0.4]');Quick Check: Table Creation
Which of the following SQL statements correctly creates a table named products with an auto-incrementing primary key id and a vector column product_embedding of 1536 dimensions?
Recap: Storing Your Vectors
Great job! You've learned the fundamental steps to store vector embeddings in PostgreSQL using pgvector:
- Defining vector columns with
vector(N), ensuringNmatches your embedding dimensions. - Creating tables with both vector and metadata columns.
- Inserting single and multiple vector data points, along with their associated metadata.
Next, we'll explore how to query this data to find similar vectors!
Perguntas Frequentes
A aula “Armazenando Vetores no PostgreSQL” é grátis?
Sim — o texto completo de “Armazenando Vetores no PostgreSQL” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Vector Databases: Pinecone, Weaviate & pgvector, atualize para CoddyKit PRO. O curso de Vector Databases: Pinecone, Weaviate & pgvector inclui 4 aulas no total.
O que vou aprender em “Armazenando Vetores no PostgreSQL”?
Aprenda a criar tabelas com colunas vetoriais e inserir dados de embeddings diretamente em seu banco de dados PostgreSQL. Você pratica Vector Databases: Pinecone, Weaviate & pgvector com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Vector Databases: Pinecone, Weaviate & pgvector?
Nenhuma experiência prévia é necessária. Vector Databases: Pinecone, Weaviate & pgvector no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “Armazenando Vetores no PostgreSQL”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Vector Databases: Pinecone, Weaviate & pgvector?
Sim. Cada aula de Vector Databases: Pinecone, Weaviate & pgvector inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Configurando a Extensão pgvector
- Armazenando Vetores no PostgreSQL
- Executando Consultas de Similaridade
- Escolhendo métricas de distância no pgvector