最近我准备做一个AI Agent项目。既然是 Agent，就必须有“长期记忆”。这就意味着，我得找个地方存向量数据。
按照我过去的习惯，我会选择 MySQL。但是Mysql其实并不适合agent项目。
为什么不用 MySQL？
如果用 MySQL，事情会变得很麻烦。
MySQL 原生对向量检索的支持很弱。如果坚持用 MySQL，我的架构就会变成这样：
MySQL+一个向量数据库。
太重了！
引入两个数据库，就意味着我要处理数据同步（这太臃肿了）。
例如一边插入文本，另一边存入向量。如果中间网络抖动，就很容易出现数据不一致。
所以，我选择了PostgreSQL。
PostgreSQL 到底是个啥？有什么神仙功能？
他其实就是一个免费的对象-关系数据库，是开源的，在全球数据库榜单上位列第四，甚至还在持续增长。
PG与Mysql的区别或者说优势是什么？
- 在SQL实现上要比Mysql完善
- 对表连接支持较完整，支持索引类型很多，复杂查询能力较强
- PG主表采用堆表存放，Mysql采用索引组织表，能够支持比Mysql更大的数据量
- PG的主备复制属于物理复制，相当于Mysql的基于binlog的逻辑复制，数据的一致性更加可靠，复制性能更高
- 支持JSON和其他NoSQL功能
- 完全免费，如果你把PGSQL改一改，然后再拿去卖钱，也没有人管你，这一点很重要
它还有几个杀手锏：
- 极度自由的插件生态：这是重点！装个 PostGIS 插件，它就能做地图地理位置计算；装个 pgvector 插件，它瞬间就能变成一个专业的向量数据库。
- 原生的 JSON/JSONB 支持：LLM 经常会返回一堆结构不固定的 JSON 格式配置。在 PG 里，你可以直接把 JSON 塞进去，甚至能在 JSON 的内部字段上建索引。简直可以当半个 MongoDB 来用。
为什么做Agent项目需要用他？
All in One。
只需要使用PG + pgvector就可以完成Agent相关的所有需求，业务数据和向量数据都在一张表里。
怎么用？
前提条件：需要docker环境
Docker 快速安装 PostgreSQL + PGvector
打开终端，直接复制并运行下面这段命令（注意修改 -v 挂载目录为你本地的实际路径）
docker run -d \
--name my_pgvector \
-p 5432:5432 \
-e POSTGRES_PASSWORD=123456 \
-v /Users/guide/docker/postgresql/data:/var/lib/postgresql/data \
pgvector/pgvector:pg17一般使用pgvertor需要手动用sql开启插件。但是Spring AI已经帮我们开启了。
通常情况下，用 PG 的向量功能，你需要先进数据库，手动敲一句：CREATE EXTENSION vector
但是！如果你看一眼 Spring AI 的底层源码，你会发现它把脏活累活全包了！
/**
* PgVectorStore 实现了 InitializingBean 接口。
* Spring 容器在完成 Bean 的属性注入后，会自动调用 afterPropertiesSet() 方法。
*/
public class PgVectorStore extends AbstractObservationVectorStore implements InitializingBean {
@Override
public void afterPropertiesSet() {
// 1. 打印初始化日志，确认当前操作的表名和 Schema 名
logger.info("Initializing PGVectorStore schema for table: {} in schema: {}",
this.getVectorTableName(), this.getSchemaName());
logger.info("vectorTableValidationsEnabled {}", this.schemaValidation);
// 2. 校验逻辑：如果开启了校验，则检查数据库中现有的表结构是否符合要求
if (this.schemaValidation) {
this.schemaValidator.validateTableSchema(this.getSchemaName(), this.getVectorTableName());
}
// 3. 初始化开关：如果 initializeSchema 为 false，则跳过后续的所有建表和安装插件操作
// 这通常用于生产环境，由 DBA 手动预先创建好环境
if (!this.initializeSchema) {
logger.debug("Skipping the schema initialization for the table: {}", this.getFullyQualifiedTableName());
return;
}
// --- 数据库底层环境准备 ---
// 4. 安装 pgvector 插件：这是实现向量检索的核心扩展
this.jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS vector");
// 5. 安装 hstore 插件：用于支持键值对存储（通常作为 metadata 的补充）
this.jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS hstore");
// 6. 安装 UUID 插件：如果主键类型配置为 UUID，则需要安装此扩展来生成随机 ID
if (this.idType == PgIdType.UUID) {
this.jdbcTemplate.execute("CREATE EXTENSION IF NOT EXISTS \"uuid-ossp\"");
}
// 7. 创建数据库 Schema（命名空间），默认为 "public"
this.jdbcTemplate.execute(String.format("CREATE SCHEMA IF NOT EXISTS %s", this.getSchemaName()));
// --- 表结构处理 ---
// 8. 危险操作：如果配置了 removeExistingVectorStoreTable 为 true，则先删除旧表
// 警告：这会导致数据丢失，通常仅用于集成测试环境
if (this.removeExistingVectorStoreTable) {
this.jdbcTemplate.execute(String.format("DROP TABLE IF EXISTS %s", this.getFullyQualifiedTableName()));
}
// 9. 创建向量存储核心表
// id: 主键，类型根据 getColumnTypeName() 动态决定（如 uuid, serial 等）
// content: 原始文本内容
// metadata: 关联的元数据，存储为 JSON 格式
// embedding: 向量字段，指定维度 vector(N)
this.jdbcTemplate.execute(String.format("""
CREATE TABLE IF NOT EXISTS %s (
id %s PRIMARY KEY,
content text,
metadata json,
embedding vector(%d)
)
""",
this.getFullyQualifiedTableName(),
this.getColumnTypeName(),
this.embeddingDimensions()));
// --- 性能优化：索引 ---
// 10. 创建向量索引：提高相似度搜索的效率
// 如果 createIndexMethod 不是 NONE（如 HNSW 或 IVFFlat），则执行创建索引语句
if (this.createIndexMethod != PgIndexType.NONE) {
this.jdbcTemplate.execute(String.format("""
CREATE INDEX IF NOT EXISTS %s ON %s USING %s (embedding %s)
""",
this.getVectorIndexName(), // 索引名称
this.getFullyQualifiedTableName(), // 表名
this.createIndexMethod, // 索引算法（如 hnsw）
this.getDistanceType().index // 距离度量函数（如 vector_cosine_ops 等）
));
}
}
// ... 其他方法
}看看PgVectorStore这个类的源码，它实现了InitializingBean接口。这意味着Spring容器启动时，会自动执行afterPropertiesSet()方法。
在这个方法里，Spring AI 悄悄帮你干了下面这些事：
- 自动安装核心插件：它会自动调用jdbcTemplate执行CREATE EXTENSION IF NOT EXISTS vector。不仅如此，连用来存元数据的hstore插件，和生成主键的uuid-ossp插件都帮你装好了。
- 自动建表：它会动态拼装 SQL，建好包含 id、content、metadata json（元数据）和embedding vector(N)（向量字段）的核心存储表。
- 自动建向量索引：SpringAI会自动帮你创建向量索引来提高查询效率。
总结一下
总之Postgresql是一个功能极其强大的数据库，mysql能做的不能做的他都能实现，我认为，尤其在这个ai的时代，他肯定会发光发热。
