企业官网建设流程全解析

向量数据库选型指南：VexDB-Lite 如何用一个内核同时加速 PostgreSQL、DuckDB 和 SQLite

【免费下载链接】VexDB-LiteA cross-platform vector database, which can be integrated into existing databases as a plugin.项目地址: https://gitcode.com/gh_mirrors/ve/VexDB-Lite

VexDB-Lite是一款跨平台向量数据库检索引擎，以插件形式嵌入 PostgreSQL、DuckDB 和 SQLite：三个后端共享同一套自研图索引算法、SIMD 距离计算内核和 PQ/RaBitQ 量化压缩模块。对于需要在业务库、分析库和端侧设备上统一做向量检索的团队，它给出了"一次内核、三端复用"的选型答案。

一核多库：VexDB-Lite 的整体架构

大多数向量数据库选型难题在于：业务数据在 PostgreSQL、分析数据在 DuckDB、App 本地在 SQLite，三套系统往往意味着三套向量索引实现、三份维护成本。VexDB-Lite 的思路反过来——把核心算法收敛到一个共享内核，适配层只做"胶水"。

共享内核位于 common/ 目录，包含四个关键组件：

三个适配层则非常薄：

• PostgreSQL（vexdb_pg/）：注册vexdb_graph索引访问方法、floatvector(N)向量类型、WAL 持久化；
• DuckDB（vexdb_duckdb/）：提供GRAPH_INDEX索引类型，优化器自动改写为VEXDB_INDEX_SCAN；
• SQLite（vexdb_sqlite/）：以虚拟表 + Shadow Table 承载GRAPH_INDEX，面向端侧与嵌入式场景。

这意味着三个引擎的召回行为、量化语义、距离语义天然一致——SQLite 侧甚至做过跨引擎 800 组向量对照测试，用 float64 真值仲裁，确保三端结果对齐（见 vexdb_sqlite/README.md）。

选型建议：什么时候选哪个引擎？

同一个内核之下，三个适配层各有明确定位，选型可以按"数据放在哪"直接决定：

一句话总结：PostgreSQL 选"事务在线"，DuckDB 选"分析过滤"，SQLite 选"端侧轻量"。详细能力矩阵见 README.md，版本与架构支持见 documentation/compatibility.md。

性能实测：SIFT-1M 上比 pgvector 快多少？

在 SIFT-1M（128 维）基准测试中（m=16、ef_construction=128，Intel Core Ultra 7 平台），VexDB-Lite 对主流内置方案的提升非常直观：

同等 Recall@10 下，PostgreSQL 侧约快1.9 倍，DuckDB 侧约快1.45 倍。性能来自两个内核能力：

1. 运行时 SIMD 分发——同一份代码在 x86 上自动选择 AVX2/AVX-512，在 ARM 上选择 NEON，无需针对 CPU 重新编译；
2. PQ / RaBitQ 量化——索引中只存量化码而非原始向量，memory_mode='compact'时内存占用大幅下降，适合向量规模远超内存的场景。

完整基准数据见 README.md 第 7 节，功能参数文档见 documentation/features.md。

上手体验：以 PostgreSQL 为例

以最常见的在线场景为例，核心操作只有四步：装扩展 → 建表 → 建图索引 → 查最近邻。

CREATE EXTENSION vexdb_lite; CREATE TABLE items (id BIGSERIAL PRIMARY KEY, vec floatvector(128)); CREATE INDEX idx_items_vec ON items USING vexdb_graph (vec floatvector_l2_ops) WITH (m = 16, ef_construction = 64, parallel_workers = 4); SET vexdb.ef_search = 100; SELECT id, vec <-> '[0.15, 0.25, 0.35]' AS dist FROM items ORDER BY vec <-> '[0.15, 0.25, 0.35]' LIMIT 10;

建索引时还可追加quantizer = 'pq'或'rabitq'开启量化压缩；DuckDB 与 SQLite 的写法大同小异，分别参考 documentation/features.md 中的 DuckDB 与 SQLite 小节。

在 AI 应用侧，向量检索是 Agent 记忆、RAG 检索、以图搜图的基础设施——项目自带的 iOS 演示 examples/ios/VexDBLiteDemo/ 就用 SQLite 适配层在真机上实现了图片向量检索，可以直接参考其用法。

兼容性速查：跨平台覆盖矩阵

• CPU 架构：x86_64（SSE4.1/AVX2/AVX-512）与 AArch64（NEON，ARMv8.2+），运行时自动选择最优 SIMD 实现；
• 操作系统：Linux x86_64 / aarch64 均有预编译产物（manylinux_2_28），macOS arm64 支持源码构建，移动端 iOS 有完整 Demo；
• 数据库版本：PostgreSQL 16 ~ 19、DuckDB v1.5.2、SQLite ≥ 3.38。

⚠️ 小提示：DuckDB 扩展与运行时版本严格绑定，加载前建议先执行SELECT version()确认是 v1.5.2。

总结

VexDB-Lite 的选型价值在于降低向量数据库的多引擎维护成本：图索引、距离计算、量化压缩全部收敛在common/一个内核里，PostgreSQL 管事务、DuckDB 管分析、SQLite 管端侧，而召回质量与性能表现三端一致。如果你的团队同时维护多套数据库，这或许是向量数据库选型中"一份投入、三处受益"的务实方案。

更多资料：

• 项目总览与基准测试：README.md
• 功能与参数文档：documentation/features.md
• 版本兼容矩阵：documentation/compatibility.md
• SQLite 端侧适配细节：vexdb_sqlite/README.md
• 三端共享测试规范：tests/spec/

【免费下载链接】VexDB-LiteA cross-platform vector database, which can be integrated into existing databases as a plugin.项目地址: https://gitcode.com/gh_mirrors/ve/VexDB-Lite