Windows 安装 pgvector 0.8.6 完整流程：从编译到向量检索只需 3 步-平芜编程栈

Windows 安装 pgvector 0.8.6 完整流程：从编译到向量检索只需 3 步

【免费下载链接】pgvectorOpen-source vector similarity search for Postgres项目地址: https://gitcode.com/GitHub_Trending/pg/pgvector

pgvector 是一个开源的向量相似度搜索扩展，装上它之后，你不需要单独的向量数据库，直接就能在 PostgreSQL 里存储向量、按距离检索。本文带你完成 pgvector 0.8.6 的 PostgreSQL Windows 安装：从编译环境到可执行检索，全程约 10 分钟，照做即可。

前置准备：确认版本与工具链

安装前把下面这张表过一遍。版本不匹配是 Windows 下最常见的失败原因。

组件	要求	说明
PostgreSQL	13 及以上，64 位	建议直接装 18；0.8.1 起官方开始支持 Postgres 18
Visual Studio 2019/2022	含 C++ 桌面工作负载	安装器里勾选"使用 C++ 的桌面开发"组件
Git	任意近期版本	用于拉取 pgvector 源码
pgvector	v0.8.6 标签	即本文示例版本

最容易踩的兼容坑：PostgreSQL 必须是 64 位版本，而编译命令必须使用 x64 工具命令提示符。32 位的 PostgreSQL 配上 64 位编译器会在链接阶段直接报错。

编译环境怎么打开：x64 Native Tools 提示符

在 Windows 开始菜单搜索x64 Native Tools Command Prompt for VS 2022，选择"以管理员身份运行"。这一步的意义有两点：它把 Visual Studio 的 C++ 编译器和nmake工具加载进当前会话；管理员权限则避免后续写Program Files目录时被拒绝。成功的标志是提示符开头显示x64 Native Tools Command Prompt字样。

六步完成安装：设置 PGROOT 到 nmake install

下面六条命令在同一个窗口依次执行。

设置 PostgreSQL 根目录。Makefile.win靠这个变量找postgres.h等头文件和链接库，路径改成你实际安装的版本目录（默认是C:\Program Files\PostgreSQL\18）。

rem 把 18 换成你实际安装的 PostgreSQL 版本目录 set "PGROOT=C:\Program Files\PostgreSQL\18"

成功标志：后续编译不再报找不到头文件。

拉取指定版本的源码，固定版本保证可复现。

cd %TEMP% git clone --branch v0.8.6 https://gitcode.com/GitHub_Trending/pg/pgvector cd pgvector

成功标志：克隆完成后当前目录为pgvector，里面有Makefile.win。

编译。nmake会把src下的 C 源文件编译成目标文件，链接出vector.dll，编译参数自带/O2 /fp:fast自动向量化。

nmake /F Makefile.win

成功标志：末尾打印类似... vector.obj ... -> vector.dll的链接结果，没有任何error。

nmake /F Makefile.win install

成功标志：%PGROOT%\lib下多出一个vector.dll，%PGROOT%\share\extension下多了vector.control和vector--0.8.6.sql。

用 psql 连上数据库，启用扩展：

CREATE EXTENSION vector;

成功标志：返回CREATE EXTENSION，且SELECT extversion FROM pg_extension WHERE extname = 'vector';查到 0.8.6。

到此完成。扩展默认装到postgres库之外的每个库都需要单独执行一次CREATE EXTENSION，记住这一点能省不少排查时间。

验收：一条 SQL 证明安装成功

下面这段最小脚本"建表→插两条向量→按距离检索"，跑通即代表安装成功。

CREATE TABLE demo_items ( id bigserial PRIMARY KEY, embedding vector(3) ); INSERT INTO demo_items (embedding) VALUES ('[1,2,3]'), ('[4,5,6]'); SELECT id, embedding FROM demo_items ORDER BY embedding <-> '[3,1,2]' -- <-> 为 L2 距离 LIMIT 5;

预期输出两行，且[1,2,3]排在第一行——因为它离查询向量更近。

接着看一个真实场景：语义搜索。把一段文本的嵌入向量存进表，检索时同样用距离排序：

CREATE TABLE docs ( id bigserial PRIMARY KEY, content text, embedding vector(4) ); INSERT INTO docs (content, embedding) VALUES ('产品使用手册', '[0.9, 0.1, 0.0, 0.1]'), ('退货政策说明', '[0.1, 0.8, 0.1, 0.0]'); SELECT content, 1 - (embedding <=> '[0.85, 0.2, 0.05, 0.1]') AS similarity FROM docs ORDER BY embedding <=> '[0.85, 0.2, 0.05, 0.1]' -- 余弦距离，越小越相似 LIMIT 1;

输出应为产品使用手册，similarity 接近 1。<->是 L2 距离，<=>是余弦距离，<#>是内积，按业务语义选择即可。

进阶：HNSW 还是 IVFFlat，怎么选

数据量上万后，顺序扫描就不够用了，需要建近似索引。pgvector 提供两种：

维度	HNSW	IVFFlat
查询表现	召回与速度平衡好	同召回下更慢
构建成本	慢、占内存多	快、占内存少
写入代价	插入略慢	插入较快
适合场景	在线查询为主	冷数据、内存紧张
关键参数	`m`（默认 16）	`lists`，起点可取`行数 / 1000`

两种索引的创建方式：

CREATE INDEX ON demo_items USING hnsw (embedding vector_l2_ops); CREATE INDEX ON demo_items USING ivfflat (embedding vector_l2_ops) WITH (lists = 100);

调优参数只需要记两个：

hnsw.ef_search（默认 40）：建好 HNSW 后SET hnsw.ef_search = 100;可提高召回，代价是变慢；查询里加过滤条件时建议同时开启迭代扫描，否则结果可能不足LIMIT条。
maintenance_work_mem：构建大索引前调大，例如SET maintenance_work_mem = '2GB';。图能装进内存时 HNSW 构建显著更快，装不下时 PostgreSQL 会打印 NOTICE 提醒你加大。