Baza wektorowa, która jest też bazą danych.
pgvector w każdym projekcie. Przechowuj embeddingi obok danych relacyjnych, wyszukuj semantycznie i buduj RAG bez synchronizacji z osobną bazą wektorową.
create extension if not exists vector;
create table documents (
id bigserial primary key,
content text,
embedding vector(1536)
);
create index on documents using hnsw (embedding vector_cosine_ops);
select content from documents
order by embedding <=> $1
limit 5;Możliwości
Co dostajesz w Vector
pgvector i HNSW
Indeksy HNSW i IVFFlat dla szybkiego wyszukiwania na milionach wektorów.
Wyszukiwanie hybrydowe
Łącz podobieństwo wektorowe z pełnotekstowym i filtrami SQL.
Dowolny model
OpenAI, Anthropic, Cohere, Mistral czy modele open-source — to tylko kolumna vector.
RLS dla embeddingów
Użytkownik wyszukuje tylko w swoich dokumentach — bez dodatkowego kodu.
Automatyczne embeddingi
Wyzwalacze i Edge Functions generujące wektory przy zapisie wiersza.
Serwer MCP
Agenci AI odpytują Twoją bazę przez Model Context Protocol.
Zastosowania
Do czego zespoły tego używają
Chatboty z wiedzą firmową
RAG na dokumentacji, regulaminach i bazie wiedzy.
Wyszukiwarka semantyczna
Wyniki według znaczenia, nie tylko słów kluczowych.
Rekomendacje
Podobne produkty i treści na podstawie embeddingów.
Pozostałe elementy platformy
Wszystkie usługi współdzielą tę samą bazę, uwierzytelnianie i uprawnienia.
Zbuduj w weekend. Skaluj do milionów.
Załóż darmowy projekt w 2 minuty. Bez karty kredytowej, bez pauzowania po tygodniu.