云数据库 PostgreSQL 基于 PostgreSQL + pgvector 的以图搜图商品搜索系统

一、目录

一、系统架构概述

二、第一阶段：环境准备与扩展检测

三、第二阶段：创建商品图片搜索表结构

四、第三阶段：插入模拟商品与图片数据

五、第四阶段：创建 HNSW 向量索引与辅助索引

六、第五阶段：以图搜图核心查询验证（7大场景）

七、第六阶段：EXPLAIN ANALYZE 性能验证

八、第七阶段：存储统计与系统监控

三、技术选型

本方案基于 PostgreSQL 15.14 + pgvector 0.8.2构建以图搜图商品搜索系统，核心技术要点：

·向量存储：pgvector 扩展提供 vector(768) 数据类型，存储 CLIP ViT-L/14 模型生成的图片特征向量。

·HNSW 索引：分层可导航小世界（Hierarchical Navigable Small World）图索引，支持近似最近邻（ANN）搜索。

·余弦相似度：使用 <=> 余弦距离算子，计算图片特征向量间的相似度。

·混合搜索：图像向量相似度（70%）+ 文本三元组相似度（30%）组合排序。

四、表结构设计

┌──────────────────┐ ┌───────────────────────┐ ┌────────────────────┐│ product_catalog │ │ product_image_search │ │ image_search_log ││──────────────────│ │───────────────────────│ │────────────────────││ product_id (PK) │◄────│ product_id (FK) │ │ id (PK) ││ product_name │ │ image_id (UK) │ │ session_id ││ category │ │ embedding vector(768) │ │ query_vector ││ brand │ │ image_type │ │ result_count ││ price │ │ angle │ │ top_similarity ││ tags │ │ metadata (JSONB) │ │ search_time_ms │└──────────────────┘ └───────────────────────┘ └────────────────────┘

六、步骤1：获取数据库环境信息

注意：说明：

注意：获取 PostgreSQL 版本、数据库、用户、服务器信息。

输入 SQL：

SELECT version() AS pg_version, current_database() AS database, current_user AS user_name, pg_size_pretty(pg_database_size(current_database())) AS db_size, inet_server_addr() AS server_ip, inet_server_port() AS server_port;

输出结果：(3.0ms)。

七、步骤2：检查可用的向量/图计算扩展

注意：说明：

注意：检查 pgvector、AGE、pg_trgm 等扩展是否可用。

输入 SQL：

SELECT name, default_version, commentFROM pg_available_extensionsWHERE name IN ('vector', 'age', 'pg_trgm', 'pg_prewarm')ORDER BY name;

输出结果：(4.2ms)。

4个扩展全部可用：pgvector 0.8.2用于向量搜索、AGE 1.5.0用于图数据库、pg_trgm 1.6用于文本相似度、pg_prewarm 1.2用于索引预热。

八、步骤3：安装 pgvector 扩展

输入 SQL：

CREATE EXTENSION IF NOT EXISTS vector;

执行结果：CREATE EXTENSION (1.6ms)。

确认安装：

SELECT extname, extversionFROM pg_extensionWHERE extname = 'vector';

输出结果：

九、步骤4：安装 pg_trgm 扩展

输入 SQL：

CREATE EXTENSION IF NOT EXISTS pg_trgm;

执行结果：CREATE EXTENSION (11.7ms)。

十、步骤5：确认 pg_prewarm 扩展

输入 SQL：

CREATE EXTENSION IF NOT EXISTS pg_prewarm;

执行结果: CREATE EXTENSION (1.5ms)。

十二、步骤6：清理旧的测试表

输入 SQL：

DROP TABLE IF EXISTS product_image_search CASCADE;DROP TABLE IF EXISTS product_catalog CASCADE;DROP TABLE IF EXISTS image_search_log CASCADE;

执行结果：DROP TABLE (1.5ms)。

十三、步骤7：创建商品目录表 product_catalog

注意：说明：

注意：商品基本信息：名称、分类、品牌、价格、标签等。

输入 SQL：

CREATE TABLE product_catalog ( id BIGSERIAL PRIMARY KEY, product_id VARCHAR(32) NOT NULL UNIQUE, product_name TEXT NOT NULL, category VARCHAR(100) NOT NULL, sub_category VARCHAR(100), brand VARCHAR(100), price NUMERIC(10, 2), description TEXT, tags TEXT[], status SMALLINT DEFAULT 1, created_at TIMESTAMPTZ DEFAULT NOW(), updated_at TIMESTAMPTZ DEFAULT NOW());COMMENT ON TABLE product_catalog IS '商品目录表 – 存储商品基本信息';

执行结果：COMMENT (5.5ms)。

十四、步骤8：创建商品图片向量表 product_image_search（核心表）

注意：说明：

注意：768维向量 (CLIP ViT-L/14) + 商品关联 + 图片属性。

输入 SQL：

CREATE TABLE product_image_search ( id BIGSERIAL PRIMARY KEY, image_id VARCHAR(64) NOT NULL UNIQUE, product_id VARCHAR(32) NOT NULL REFERENCES product_catalog(product_id), image_url TEXT NOT NULL, thumbnail_url TEXT, embedding vector(768) NOT NULL, image_type VARCHAR(20) DEFAULT 'main', angle VARCHAR(20) DEFAULT 'front', background VARCHAR(20) DEFAULT 'white', metadata JSONB DEFAULT '{}', status SMALLINT DEFAULT 1, created_at TIMESTAMPTZ DEFAULT NOW());COMMENT ON TABLE product_image_search IS '商品图片向量表 – 以图搜图核心表';COMMENT ON COLUMN product_image_search.embedding IS 'CLIP ViT-L/14 模型生成的 768 维图片特征向量';COMMENT ON COLUMN product_image_search.image_type IS '图片类型: main=主图, detail=细节图, scene=场景图';COMMENT ON COLUMN product_image_search.angle IS '拍摄角度: front=正面, side=侧面, back=背面, top=俯视';

执行结果：COMMENT (6.9ms)。

十五、步骤9：创建搜索日志表 image_search_log

注意：说明：

注意：记录每次搜索的查询向量、结果数、性能等。

输入 SQL：

CREATE TABLE image_search_log ( id BIGSERIAL PRIMARY KEY, session_id VARCHAR(64), query_vector vector(768), query_image_url TEXT, result_count INT, top_similarity REAL, search_time_ms REAL, filter_category VARCHAR(100), created_at TIMESTAMPTZ DEFAULT NOW());COMMENT ON TABLE image_search_log IS '以图搜图搜索日志 – 记录搜索行为和性能';

执行结果：COMMENT (3.3ms)

十六、步骤10：查看已创建的表结构

输入 SQL：

SELECT c.relname AS table_name, obj_description(c.oid) AS comment, pg_size_pretty(pg_total_relation_size(c.oid)) AS total_sizeFROM pg_class cJOIN pg_namespace n ON n.oid = c.relnamespaceWHERE n.nspname = 'public' AND c.relkind = 'r' AND c.relname IN ('product_catalog', 'product_image_search', 'image_search_log')ORDER BY c.relname;

输出结果：(2.9ms)。

3张表创建成功。

十七、步骤11：查看商品图片向量表的字段定义

输入 SQL：

SELECT column_name, data_type, character_maximum_length, column_default, is_nullableFROM information_schema.columnsWHERE table_name = 'product_image_search' AND table_schema = 'public'ORDER BY ordinal_position;

输出结果：(7.3ms)。

embedding 字段类型为 USER-DEFINED (vector(768))，确认 pgvector 向量字段创建成功。

十九、步骤12：插入商品目录数据（8大分类，200件商品）

注意：说明：

注意：覆盖8大分类：手机数码/电脑办公/运动户外/外设配件/穿戴设备/音频设备/箱包皮具/家用电器。

输入 SQL：

INSERT INTO product_catalog (product_id, product_name, category, sub_category, brand, price, description, tags, status)SELECT 'P' || lpad(g::text, 6, '0'), CASE (g % 8) WHEN 0 THEN '智能手机 ' || (ARRAY['Pro','Max','Ultra','Lite','SE','Plus','Mini','Air'])[(g % 8) + 1] || ' ' || g WHEN 1 THEN '笔记本电脑 ' || (ARRAY['ThinkPad','MacBook','Surface','MateBook','XPS','Yoga','ZenBook','Swift'])[(g % 8) + 1] || ' ' || g WHEN 2 THEN '运动鞋 ' || (ARRAY['Air Max','Ultra Boost','Gel','Fresh Foam','React','Zoom','NB','Asics'])[(g % 8) + 1] || ' ' || g WHEN 3 THEN '机械键盘 ' || (ARRAY['Cherry','Filco','Leopold','HHKB','Ducky','Razer','Logitech','Keychron'])[(g % 8) + 1] || ' ' || g WHEN 4 THEN '智能手表 ' || (ARRAY['Apple Watch','Galaxy Watch','Huawei Watch','Amazfit','Garmin','Fitbit','TicWatch','Suunto'])[(g % 8) + 1] || ' ' || g WHEN 5 THEN '无线耳机 ' || (ARRAY['AirPods','Galaxy Buds','FreeBuds','WF-1000','WH-1000','Bose QC','Jabra','Sony'])[(g % 8) + 1] || ' ' || g WHEN 6 THEN '双肩背包 ' || (ARRAY['Osprey','North Face','Arc','Samsonite','Tumi','Incase','Herschel','Peak'])[(g % 8) + 1] || ' ' || g ELSE '咖啡机 ' || (ARRAY['Nespresso','De Longhi','Breville','Jura','Saeco','Krups','Moccamaster','Fellow'])[(g % 8) + 1] || ' ' || g END, (ARRAY['手机数码','电脑办公','运动户外','外设配件','穿戴设备','音频设备','箱包皮具','家用电器'])[(g % 8) + 1], — … (品牌/价格/描述/标签/状态 自动生成)FROM generate_series(1, 200) g;

执行结果：INSERT 0 200 (3.7ms)。

20、步骤13：查看商品分类分布

输入 SQL：

SELECT category, count(*) AS product_count, round(avg(price), 2) AS avg_price, min(price) AS min_price, max(price) AS max_priceFROM product_catalogWHERE status = 1GROUP BY categoryORDER BY product_count DESC;

输出结果：(2.1ms)

8大分类共190件上架商品（10件已下架），分布均匀。

21、步骤14：插入商品图片向量数据（200件商品 × 3张图 = 600条记录）

注意：说明：

输入 SQL：

INSERT INTO product_image_search (image_id, product_id, image_url, thumbnail_url, embedding, image_type, angle, background, metadata, status)SELECT 'IMG-' || lpad(sub.img_idx::text, 8, '0'), sub.pid, 'https://cdn.example.com/products/' || sub.pid || '/' || sub.itype || '.jpg', 'https://cdn.example.com/products/' || sub.pid || '/' || sub.itype || '_thumb.jpg', — 为同一商品的图片生成相近的向量（加噪声模拟不同角度） ( SELECT array_agg( sin(sub.base_seed + i * 0.01 + sub.noise_offset) * 0.5 + cos(sub.base_seed * 2 + i * 0.02) * 0.3 + (random() – 0.5) * sub.noise_factor )::vector(768) FROM generate_series(1, 768) i ), sub.itype, sub.angle_val, (ARRAY['white','transparent','scene','studio'])[(sub.img_idx % 4) + 1], jsonb_build_object( 'width', 800 + (sub.img_idx % 400), 'height', 800 + (sub.img_idx % 400), 'format', 'jpg', 'size_kb', 50 + (sub.img_idx % 200), 'model', 'CLIP-ViT-L/14', 'dim', 768 ), 1FROM ( SELECT p.product_id AS pid, (p.id – 1) * 3 + t.n AS img_idx, CASE t.n WHEN 1 THEN 'main' WHEN 2 THEN 'detail' ELSE 'scene' END AS itype, CASE t.n WHEN 1 THEN 'front' WHEN 2 THEN 'side' ELSE 'top' END AS angle_val, (p.id * 7.13 + (p.id % 8) * 100) AS base_seed, t.n * 0.05 AS noise_offset, CASE t.n WHEN 1 THEN 0.02 WHEN 2 THEN 0.05 ELSE 0.08 END AS noise_factor FROM product_catalog p CROSS JOIN (SELECT generate_series(1, 3) AS n) t) sub;

执行结果：INSERT 0 600 (1014.9ms)。

向量生成策略说明：

·base_seed：基于商品 ID 的确定性种子 (p.id * 7.13 + (p.id % 8) * 100)。

·noise_offset：同一商品不同图片类型有微小偏移（0.05 增量）。

·noise_factor：主图噪声最小（0.02），细节图中等（0.05），场景图最大（0.08）。

·保证同商品的3张图片向量高度相似（>0.99），不同商品向量有明显区分。

22、步骤15：查看图片数据统计

输入 SQL：

SELECT pis.image_type, count(*) AS image_count, count(DISTINCT pis.product_id) AS product_count, pg_size_pretty(sum(pg_column_size(pis.embedding))) AS vector_storageFROM product_image_search pisWHERE pis.status = 1GROUP BY pis.image_typeORDER BY image_count DESC;

输出结果：(2.5ms)

600张图片数据插入成功，每类200张，向量存储约1.8MB。

23、步骤16：执行 ANALYZE 更新统计信息

输入 SQL：

ANALYZE product_catalog;ANALYZE product_image_search;ANALYZE image_search_log;

执行结果：ANALYZE (10.1ms合计)。

25、步骤17：创建 HNSW 向量索引 — 余弦距离（以图搜图核心索引）

注意：说明：

注意：HNSW 索引参数：m=16（每层连接数）, ef_construction=128（构建精度），使用 vector_cosine_ops 余弦距离算子。

输入 SQL：

CREATE INDEX idx_product_image_embedding_cosineON product_image_searchUSING hnsw (embedding vector_cosine_ops)WITH (m = 16, ef_construction = 128);

执行结果：CREATE INDEX (180.3ms)。

HNSW 索引参数说明：

26、步骤18：创建辅助 B-Tree / GIN 索引

输入 SQL：

— 商品ID关联索引CREATE INDEX idx_product_image_product_id ON product_image_search (product_id);– 图片类型过滤索引（部分索引）CREATE INDEX idx_product_image_type ON product_image_search (image_type) WHERE status = 1;– 商品分类索引（部分索引）CREATE INDEX idx_product_catalog_category ON product_catalog (category) WHERE status = 1;– 品牌过滤索引CREATE INDEX idx_product_catalog_brand ON product_catalog (brand) WHERE status = 1;– 价格范围索引CREATE INDEX idx_product_catalog_price ON product_catalog (price) WHERE status = 1;– 商品标签 GIN 索引CREATE INDEX idx_product_catalog_tags ON product_catalog USING GIN (tags) WHERE status = 1;– 图片元数据 GIN 索引CREATE INDEX idx_product_image_metadata ON product_image_search USING GIN (metadata);– 搜索日志时间索引CREATE INDEX idx_search_log_created ON image_search_log (created_at DESC);

执行结果：全部 CREATE INDEX 成功。

27、步骤19：查看所有索引信息

输入 SQL：

SELECT indexrelname AS index_name, relname AS table_name, pg_size_pretty(pg_relation_size(indexrelid)) AS index_size, idx_scan AS scansFROM pg_stat_user_indexesWHERE schemaname = 'public' AND relname IN ('product_image_search', 'product_catalog', 'image_search_log')ORDER BY pg_relation_size(indexrelid) DESC;

输出结果：(3.1ms)。

共14个索引，HNSW 向量索引占2408KB（最大），product_catalog_product_id_key 已有600次扫描（插入图片时的外键查找）。

29、步骤20：设置 HNSW 搜索参数

输入 SQL：

SET hnsw.ef_search = 100;SET hnsw.iterative_scan = relaxed_order;

执行结果：SET (3.0ms)。

30、场景1：基础以图搜图 — 用一张商品主图搜索相似商品 (Top10)

注意：说明：

注意：用商品 P000001 的主图向量，搜索除自身外最相似的10张商品图片。

输入 SQL：

WITH query_image AS ( SELECT embedding FROM product_image_search WHERE product_id = 'P000001' AND image_type = 'main' LIMIT 1)SELECT pis.image_id, pis.product_id, pc.product_name, pc.category, pc.brand, pc.price, pis.image_type, round((1 – (pis.embedding <=> qi.embedding))::numeric, 4) AS similarityFROM product_image_search pisCROSS JOIN query_image qiJOIN product_catalog pc ON pc.product_id = pis.product_idWHERE pis.status = 1 AND pis.product_id != 'P000001'ORDER BY pis.embedding <=> qi.embeddingLIMIT 10;

输出结果：(10.5ms)。

Top 10相似度范围0.9924 ~ 0.9998，响应时间10.5ms。

31、场景2：同一商品的多角度图片匹配验证

注意：说明：

注意：用 P000010 主图搜索，验证同商品的细节图/场景图排在最前面。

输入 SQL：

WITH query AS ( SELECT embedding, product_id FROM product_image_search WHERE product_id = 'P000010' AND image_type = 'main' LIMIT 1)SELECT pis.image_id, pis.product_id, pis.image_type, pis.angle, CASE WHEN pis.product_id = q.product_id THEN '✅ 同商品' ELSE '其他商品' END AS match_type, round((1 – (pis.embedding <=> q.embedding))::numeric, 4) AS similarityFROM product_image_search pisCROSS JOIN query qWHERE pis.status = 1ORDER BY pis.embedding <=> q.embeddingLIMIT 10;

输出结果：(9.1ms)。

自身主图匹配度1.0000（完全一致），同商品细节图匹配度0.9983，验证了同商品图片向量的高相似度。

32、场景3：带品类过滤的以图搜图 – 只在“手机数码”分类中搜索

注意：说明：

注意：限定在“手机数码”分类下，仅搜索主图。

输入 SQL：

WITH query_image AS ( SELECT embedding FROM product_image_search WHERE product_id = 'P000001' AND image_type = 'main' LIMIT 1)SELECT pis.image_id, pis.product_id, pc.product_name, pc.category, pc.brand, pc.price, round((1 – (pis.embedding <=> qi.embedding))::numeric, 4) AS similarityFROM product_image_search pisCROSS JOIN query_image qiJOIN product_catalog pc ON pc.product_id = pis.product_idWHERE pis.status = 1 AND pc.category = '手机数码' AND pis.image_type = 'main' AND pis.product_id != 'P000001'ORDER BY pis.embedding <=> qi.embeddingLIMIT 10;

输出结果：(2.5ms)。

品类过滤生效，结果全部为“手机数码”分类，响应时间仅2.5ms。

33、场景4：带价格区间的以图搜图 – 100 ~ 2000元

注意：说明：

注意：以图搜图 + 价格过滤，适用于“找同款但预算有限”场景。

输入 SQL：

WITH query_image AS ( SELECT embedding FROM product_image_search WHERE product_id = 'P000003' AND image_type = 'main' LIMIT 1)SELECT pis.image_id, pis.product_id, pc.product_name, pc.category, pc.price, round((1 – (pis.embedding <=> qi.embedding))::numeric, 4) AS similarityFROM product_image_search pisCROSS JOIN query_image qiJOIN product_catalog pc ON pc.product_id = pis.product_idWHERE pis.status = 1 AND pc.price BETWEEN 100 AND 2000 AND pis.image_type = 'main' AND pis.product_id != 'P000003'ORDER BY pis.embedding <=> qi.embeddingLIMIT 10;

输出结果：(3.9ms)。

价格过滤生效，所有结果价格在100 ~ 2000元区间内，响应时间3.9ms。

34、场景5：带相似度阈值的以图搜图 – 只返回 similarity > 0.85

注意：说明：

注意：设置相似度阈值0.85，过滤掉不够相似的结果。

输入 SQL：

WITH query_image AS ( SELECT embedding FROM product_image_search WHERE product_id = 'P000010' AND image_type = 'main' LIMIT 1)SELECT pis.image_id, pis.product_id, pc.product_name, pc.category, round((1 – (pis.embedding <=> qi.embedding))::numeric, 4) AS similarityFROM product_image_search pisCROSS JOIN query_image qiJOIN product_catalog pc ON pc.product_id = pis.product_idWHERE pis.status = 1 AND 1 – (pis.embedding <=> qi.embedding) > 0.85ORDER BY pis.embedding <=> qi.embeddingLIMIT 20;

输出结果：(8.0ms)。

阈值过滤生效，返回的20条结果相似度全部 > 0.85（最低0.9867）。

35、场景6：跨品牌相似商品搜索 – 找不同品牌的同类商品

注意：说明：

注意：按品牌去重，每个品牌只保留最相似的一件商品，适合“竞品对比”场景。

输入 SQL：

WITH query_image AS ( SELECT embedding FROM product_image_search WHERE product_id = 'P000001' AND image_type = 'main' LIMIT 1),similar_products AS ( SELECT DISTINCT ON (pc.brand) pis.product_id, pc.product_name, pc.brand, pc.category, pc.price, round((1 – (pis.embedding <=> qi.embedding))::numeric, 4) AS similarity FROM product_image_search pis CROSS JOIN query_image qi JOIN product_catalog pc ON pc.product_id = pis.product_id WHERE pis.status = 1 AND pis.image_type = 'main' AND pis.product_id != 'P000001' ORDER BY pc.brand, pis.embedding <=> qi.embedding)SELECT * FROM similar_productsORDER BY similarity DESCLIMIT 10;

输出结果：(5.7ms)。

品牌去重生效，10个结果来自10个不同品牌，可直接用于竞品对比分析。

36、场景7：以图搜图 + 文本关键词混合搜索

注意：说明：

注意：图像向量相似度70% + 文本相似度30%混合排序。

输入 SQL：

WITH query_image AS ( SELECT embedding FROM product_image_search WHERE product_id = 'P000005' AND image_type = 'main' LIMIT 1)SELECT pis.product_id, pc.product_name, pc.category, pc.price, round((1 – (pis.embedding <=> qi.embedding))::numeric, 4) AS image_sim, round(similarity(pc.product_name, '智能手表')::numeric, 4) AS text_sim, round( (0.7 * (1 – (pis.embedding <=> qi.embedding)) + 0.3 * similarity(pc.product_name, '智能手表'))::numeric, 4 ) AS hybrid_scoreFROM product_image_search pisCROSS JOIN query_image qiJOIN product_catalog pc ON pc.product_id = pis.product_idWHERE pis.status = 1 AND pis.image_type = 'main'ORDER BY hybrid_score DESCLIMIT 10;

输出结果：(6.5ms)。

混合搜索生效，hybrid_score = 0.7 × image_sim + 0.3 × text_sim。当搜索关键词“智能手表”与查询图片（无线耳机）不一致时，图像相似度主导排序结果。

38、步骤21：EXPLAIN ANALYZE – 验证 HNSW 索引使用

输入 SQL：

EXPLAIN (ANALYZE, BUFFERS, FORMAT TEXT)SELECT pis.image_id, pis.product_id, 1 – (pis.embedding <=> (SELECT embedding FROM product_image_search WHERE id = 1)) AS similarityFROM product_image_search pisWHERE pis.status = 1ORDER BY pis.embedding <=> (SELECT embedding FROM product_image_search WHERE id = 1)LIMIT 10;

输出结果：(10.3ms)。

Limit (cost=69.55..69.58 rows=10 width=37) (actual time=…) Buffers: shared hit=7237 InitPlan 1 (returns $0) -> Index Scan using product_image_search_pkey on pro… Index Cond: (id = 1) Buffers: shared hit=6 InitPlan 2 (returns $1) -> Index Scan using product_image_search_pkey on pro… Index Cond: (id = 1) Buffers: shared hit=3 -> Sort (cost=52.97..54.47 rows=600 width=37) (actual…) Sort Key: ((pis.embedding <=> $1)) Sort Method: top-N heapsort Memory: 25kB Buffers: shared hit=7237 -> Seq Scan on product_image_search pis (cost=0…) Filter: (status = 1) Buffers: shared hit=7237 Planning: Buffers: shared hit=12 Planning Time: 0.141 ms Execution Time: 8.436 ms

执行计划分析：

·执行时间：8.436ms。

·缓冲区命中：shared hit=7237（全部从内存读取，零磁盘 IO）。

·排序方式：top-N heapsort（仅排序前10条），内存消耗仅25KB。

注意：由于数据量较小（600条），PostgreSQL 优化器选择了 Seq Scan + Sort 而非 HNSW Index Scan。当数据量达到万级以上时，优化器会自动切换到 HNSW 索引扫描。

39、步骤22：搜索日志写入

输入 SQL：

INSERT INTO image_search_log (session_id, query_vector, query_image_url, result_count, top_similarity, search_time_ms, filter_category)SELECT 'sess-test-001', embedding, 'https://user-upload.example.com/query.jpg', 10, 0.95, 15.3, '手机数码'FROM product_image_searchWHERE id = 1;

执行结果：INSERT 0 1 (2.2ms)。

查看搜索日志：

SELECT session_id, result_count, top_similarity, search_time_ms, filter_category, created_atFROM image_search_logORDER BY created_at DESCLIMIT 5;

输出结果：

40、步骤23：索引预热 — 将 HNSW 索引加载到共享缓冲区

输入 SQL：

SELECT pg_prewarm('idx_product_image_embedding_cosine') AS pages_loaded;

输出结果：

HNSW 索引301页已预热到共享缓冲区，后续查询将无需磁盘 IO。

42、步骤24：表大小与存储统计

输入 SQL：

SELECT c.relname AS table_name, pg_size_pretty(pg_total_relation_size(c.oid)) AS total_size, pg_size_pretty(pg_relation_size(c.oid)) AS data_size, pg_size_pretty(pg_indexes_size(c.oid)) AS index_size, s.n_live_tup AS estimated_rowsFROM pg_class cJOIN pg_stat_user_tables s ON s.relid = c.oidWHERE c.relname IN ('product_catalog', 'product_image_search', 'image_search_log')ORDER BY pg_total_relation_size(c.oid) DESC;

输出结果：(3.2ms)。

存储分析：

·向量表 product_image_search 总占用5.3MB，其中 HNSW 索引占2.5MB（47%）。

·每条768维向量记录约3KB（数据 + 索引）。

·600条图片向量数据 + 索引合计仅5.3MB。

43、步骤25：向量索引使用统计

输入 SQL：

SELECT indexrelname AS index_name, relname AS table_name, pg_size_pretty(pg_relation_size(indexrelid)) AS index_size, idx_scan AS scan_count, idx_tup_read AS rows_read, idx_tup_fetch AS rows_fetchedFROM pg_stat_user_indexesWHERE schemaname = 'public' AND relname IN ('product_image_search', 'product_catalog', 'image_search_log')ORDER BY pg_relation_size(indexrelid) DESC;

输出结果：(2.3ms)。

44、步骤26：缓冲区命中率检查

输入 SQL：

SELECT schemaname, relname AS table_name, heap_blks_hit AS buffer_hits, heap_blks_read AS disk_reads, CASE WHEN (heap_blks_hit + heap_blks_read) > 0 THEN round(100.0 * heap_blks_hit / (heap_blks_hit + heap_blks_read), 1) ELSE 0 END AS hit_ratio_pctFROM pg_statio_user_tablesWHERE relname IN ('product_image_search', 'product_catalog')ORDER BY relname;

输出结果：(2.7ms)。

两张核心表的缓冲区命中率均 > 97%，表明内存资源充足、磁盘 IO 极少。

45、步骤27：数据库整体大小

输入 SQL：

SELECT pg_size_pretty(pg_database_size(current_database())) AS total_db_size, (SELECT count(*) FROM product_catalog) AS total_products, (SELECT count(*) FROM product_image_search) AS total_images, (SELECT count(*) FROM image_search_log) AS total_searches;

输出结果：(2.4ms)。