云数据库 PostgreSQL AI Vibe Coding

注意：说明：

注意：环境：这篇所使用数据库版本为 PostgreSQL 17.10，插件为 tencentdb_ai 1.6。

一、概述

tencentdb_ai 1.6 支持两种方式注册嵌入模型来实现自动向量化：

注意：环境预装的 auto 模型（backend_type=tokenhub）用于 ChatCompletions（LLM 对话），不支持 Embedding。如需使用 TokenHub 做自动向量化，须按方式二单独注册嵌入模型。

四、检查扩展是否可用

SELECT name, default_version, commentFROM pg_available_extensionsWHERE name IN ('tencentdb_ai', 'pgvector', 'pgmq', 'vector');

数据库原始返回：

name | default_version | installed_version | comment————–+—————–+——————-+—————————————————————- tencentdb_ai | 1.6 | | tencentdb_ai is an ai extension that allows your database to integrate AI capabilities, such as promt, embedding, etc. pgmq | 1.11.1 | | A lightweight message queue. Like AWS SQS and RSMQ but on Postgres. vector | 0.8.2 | | vector data type and ivfflat and hnsw access methods(3 rows)

结果说明：tencentdb_ai 1.6 / pgmq 1.11.1 / vector 0.8.2 均可用。

五、检查 shared_preload_libraries

SHOW shared_preload_libraries;

数据库原始返回：

shared_preload_libraries—————————————————————————————————————————————– pg_stat_statements,pg_stat_log,wal2json,decoderbufs,decoder_raw,pg_hint_plan,rds_server_handler,tencentdb_pwdcheck,auto_explain,pgaudit,tencentdb_ai(1 row)

结果说明：tencentdb_ai 已在 shared_preload_libraries 中，最后一个位置。

六、检查 autoembedding 相关 GUC 参数

SELECT name, setting, contextFROM pg_settingsWHERE name LIKE 'tencentdb_ai.autoembedding%'ORDER BY name;

数据库原始返回：

name | setting | context————————————————–+———-+——— tencentdb_ai.autoembedding_batch_size | 32 | sighup tencentdb_ai.autoembedding_database | postgres | sighup tencentdb_ai.autoembedding_max_input_bytes | 65536 | sighup tencentdb_ai.autoembedding_max_retry | 5 | sighup tencentdb_ai.autoembedding_naptime_ms | 5000 | sighup tencentdb_ai.autoembedding_retry_base_ms | 1000 | sighup tencentdb_ai.autoembedding_task_launch_jitter_ms | 10 | sighup tencentdb_ai.autoembedding_worker | on | sighup(8 rows)

结果说明：autoembedding_database = postgres，autoembedding_worker = on，全部默认值合理。

七、安装扩展

— 会自动安装 pgcrypto、vector、pgmqCREATE EXTENSION IF NOT EXISTS tencentdb_ai CASCADE;

数据库原始返回：

NOTICE: installing required extension "pgcrypto"NOTICE: installing required extension "vector"NOTICE: installing required extension "pgmq"WARNING: change unlogged table to logged table, If you want to use unlogged tables, please set tencentdb_log_unlogged_table to false.CREATE EXTENSION

结果说明：扩展安装成功，CASCADE 自动安装了 pgcrypto、vector、pgmq 三个依赖扩展。

八、检查 pgmq 队列

SELECT * FROM pgmq.list_queues();

数据库原始返回：

queue_name | is_partitioned | is_unlogged | created_at————————————-+—————-+————-+——————————- tencentdb_ai_autoembedding_incr | f | f | 2026-08-05 22:36:41.689961+08 tencentdb_ai_autoembedding_backfill | f | f | 2026-08-05 22:36:41.689961+08(2 rows)

结果说明：pgmq 自动创建了两个队列：tencentdb_ai_autoembedding_incr（增量）和 tencentdb_ai_autoembedding_backfill（存量）。

九、注册混元 Embedding 模型

注意：说明：

注意：这里填入 SecretId 和 SecretKey。

十、查看已注册模型

— 查看 model_list 表结构SELECT column_name, data_type FROM information_schema.columnsWHERE table_schema = 'tencentdb_ai' AND table_name = 'model_list'ORDER BY ordinal_position;– 查看已有模型SELECT * FROM tencentdb_ai.model_list;

数据库原始返回：

column_name | data_type—————–+———– model_name | name json_path | jsonpath secretid | bytea secretkey | bytea version | text region | text id_random | integer key_random | integer backend_type | text real_model_name | name api_key | bytea api_key_random | integer embedding_dim | integer(13 rows) model_name | json_path | secretid | secretkey | version | region | id_random | key_random | backend_type | real_model_name | api_key | api_key_random | embedding_dim————+————————————+———-+———–+———+——–+———–+————+————–+—————–+———+—————-+————— auto | $."choices"[0]."message"."content" | | | | | | | tokenhub | auto | | |(1 row)

结果说明：初始只有 auto 模型（tokenhub 后端，用于 ChatCompletions，非 Embedding）。需要注册混元嵌入专用模型。

十一、注册 hunyuan-embedding 模型

— 注册模型（最后一个参数 backend_type 默认值为 'hunyuan'，可不传）SELECT tencentdb_ai.add_model('hunyuan-embedding', '2023-09-01', NULL, NULL);– 【在这里填入 SecretId】SELECT tencentdb_ai.update_model_attr( 'hunyuan-embedding', 'SecretId', '<你的SecretId>' — 替换为你的 SecretId);– 【在这里填入 SecretKey】SELECT tencentdb_ai.update_model_attr( 'hunyuan-embedding', 'SecretKey', '<你的SecretKey>' — 替换为你的 SecretKey);– 设置嵌入向量维度UPDATE tencentdb_ai.model_listSET embedding_dim = 1024WHERE model_name = 'hunyuan-embedding';– 验证模型配置SELECT model_name, backend_type, embedding_dimFROM tencentdb_ai.model_listWHERE model_name = 'hunyuan-embedding';

数据库原始返回：

add_model———–(1 row) update_model_attr——————-(1 row) update_model_attr——————-(1 row)UPDATE 1 model_name | backend_type | embedding_dim——————-+————–+————— hunyuan-embedding | hunyuan | 1024(1 row)

结果说明：混元 embedding 模型注册成功，backend_type = hunyuan，embedding_dim = 1024。

十二、创建测试表和数据

— 建表（必须有单列主键）DROP TABLE IF EXISTS kb_articles CASCADE;CREATE TABLE kb_articles ( id bigserial PRIMARY KEY, title text, content text);– 插入测试数据INSERT INTO kb_articles (title, content) VALUES ('PostgreSQL 简介', 'PostgreSQL 是一个功能强大的开源对象关系数据库系统，经过30多年的积极开发，在可靠性、功能稳健性和性能方面赢得了良好的声誉。'), ('向量数据库', '向量数据库是一种专门用于存储和检索高维向量的数据库系统，通过向量相似度计算实现语义搜索、推荐系统和RAG等AI应用。'), ('RAG 技术', '检索增强生成（RAG）是一种结合检索和生成能力的 AI 技术，通过从知识库中检索相关信息来增强大语言模型的回答质量。');– 验证写入SELECT 'Test data inserted: ' || count(*)::text FROM kb_articles;

数据库原始返回：

NOTICE: table "kb_articles" does not exist, skippingDROP TABLECREATE TABLEINSERT 0 3 ?column?———————– Test data inserted: 3(1 row)

结果说明：表创建成功，3 行测试数据写入。

十三、创建自动向量化任务

— 5.1 创建增量任务– 自动创建 content_embedding vector(1024) 列– 自动创建 INSERT AFTER + UPDATE BEFORE 触发器SELECT tencentdb_ai.add_incr_autoembedding_task( 'public', 'kb_articles', ARRAY['content'], 'hunyuan-embedding') AS incr_task_id;– 5.2 创建存量任务（回填历史数据）SELECT tencentdb_ai.add_backfill_autoembedding_task( 'public', 'kb_articles', ARRAY['content'], 'hunyuan-embedding') AS backfill_task_id;

数据库原始返回：

incr_task_id————– 1(1 row) backfill_task_id—————— 1(1 row)

结果说明：增量和存量任务均创建成功，task_id 均为 1。

十五、查看表结构

\\d kb_articles

数据库原始返回：

Table "public.kb_articles" Column | Type | Collation | Nullable | Default——————-+————–+———–+———-+—————————————– id | bigint | | not null | nextval('kb_articles_id_seq'::regclass) title | text | | | content | text | | | content_embedding | vector(1024) | | |Indexes: "kb_articles_pkey" PRIMARY KEY, btree (id)Triggers: tencentdb_ai_autoemb_ins_1 AFTER INSERT ON kb_articles FOR EACH ROW EXECUTE FUNCTION tencentdb_ai._autoembedding_enqueue_trigger(…) tencentdb_ai_autoemb_upd_1 BEFORE UPDATE OF content ON kb_articles FOR EACH ROW EXECUTE FUNCTION tencentdb_ai._autoembedding_enqueue_trigger(…)

结果说明：add_incr_autoembedding_task 自动创建了 content_embedding vector(1024) 列和两个触发器。

十六、查看触发器详情

SELECT trigger_name, event_manipulation, action_statementFROM information_schema.triggersWHERE event_object_table = 'kb_articles';

数据库原始返回：

trigger_name | event_manipulation | action_statement—————————-+——————–+———————————————————————————————————————— tencentdb_ai_autoemb_ins_1 | INSERT | EXECUTE FUNCTION tencentdb_ai._autoembedding_enqueue_trigger('1', '17136', 'content_embedding', 'content', '{}', 'id') tencentdb_ai_autoemb_upd_1 | UPDATE | EXECUTE FUNCTION tencentdb_ai._autoembedding_enqueue_trigger('1', '17136', 'content_embedding', 'content', '{}', 'id')(2 rows)

结果说明：INSERT AFTER 触发器 + UPDATE BEFORE OF content 触发器均已生效。

十七、查看任务状态

SELECT task_kind, task_id, table_name, target_column, status, backfill_state, pending, failed_countFROM tencentdb_ai.autoembedding_statusORDER BY task_id;

数据库原始返回：

task_kind | task_id | table_name | target_column | status | backfill_state | pending | failed_count———–+———+————-+——————-+———+—————-+———+————– incr | 1 | kb_articles | content_embedding | enabled | | 0 | 0 backfill | 1 | kb_articles | content_embedding | | not_started | 0 | 0(2 rows)

结果说明：视图可正常查询。⚠️ 存量任务 backfill_state = not_started，未自动开始（见 Bug 章节）。

十八、查看增量任务详情

SELECT table_name, relid, status FROM tencentdb_ai.autoembedding_incr_task;

数据库原始返回：

table_name | relid | status————-+——-+——— kb_articles | 17136 | enabled(1 row)

结果说明：增量任务状态为 enabled，relid = 17136。

20、INSERT 触发

— 插入新数据（在增量任务创建之后再插入）INSERT INTO kb_articles (title, content) VALUES ('嵌入模型', '嵌入模型是将文本转换为向量表示的机器学习模型，常见的嵌入模型包括BERT、GPT和混元嵌入等。');

数据库原始返回：

INSERT 0 1

验证步骤：

— 立即查 pending（应看到 pending = 1，表示已入队）SELECT task_kind, pending FROM tencentdb_ai.autoembedding_status;

数据库原始返回：

task_kind | pending———–+——— incr | 1 backfill | 0(2 rows)

结果说明：INSERT 触发后 pending = 1，消息已入队。

— 等待后台 worker 处理SELECT pg_sleep(5);

数据库原始返回：

pg_sleep———-(1 row)

— 检查向量是否生成（注意：前3行在任务创建前已存在，不会自动回填）SELECT id, title, content_embedding IS NOT NULL AS has_embedding, CASE WHEN content_embedding IS NOT NULL THEN vector_dims(content_embedding) ELSE NULL END AS dimsFROM kb_articlesORDER BY id;

数据库原始返回：

id | title | has_embedding | dims—-+—————–+—————+—— 1 | PostgreSQL 简介 | f | 2 | 向量数据库 | f | 3 | RAG 技术 | f | 4 | 嵌入模型 | t |(4 rows)

结果说明：id=4（任务创建后 INSERT 的行）向量生成成功。id=1~3 因在任务创建前已存在，未被增量触发器捕获，需要存量回填。

21、再次 INSERT 验证持续入队

INSERT INTO kb_articles (title, content) VALUES ('混元大模型', '腾讯混元大模型是腾讯自研的通用大语言模型，具备强大的自然语言理解和生成能力。');

数据库原始返回：

INSERT 0 1

— 立即查 pendingSELECT task_kind, pending FROM tencentdb_ai.autoembedding_status;

数据库原始返回：

task_kind | pending———–+——— incr | 1 backfill | 0(2 rows)

第二次 INSERT 也成功入队。

SELECT pg_sleep(5);SELECT task_kind, pending, failed_count FROM tencentdb_ai.autoembedding_status;SELECT id, title, content_embedding IS NOT NULL AS has_embeddingFROM kb_articles ORDER BY id;– 错误表SELECT * FROM tencentdb_ai.autoembedding_error ORDER BY created_at DESC LIMIT 5;

数据库原始返回：

pg_sleep———-(1 row) task_kind | pending | failed_count———–+———+————– incr | 0 | 0 backfill | 0 | 0(2 rows) id | title | has_embedding—-+—————–+————— 1 | PostgreSQL 简介 | f 2 | 向量数据库 | f 3 | RAG 技术 | f 4 | 嵌入模型 | t 5 | 混元大模型 | t(5 rows) error_id | msg_id | task_kind | task_id | row_id | error_code | error_message | detail | created_at———-+——–+———–+———+——–+————+—————+——–+————(0 rows)

结果说明：id=4、5 的 INSERT 路径全部成功，pending = 0、failed_count = 0、无错误记录。id=1~3 仍为 null（因缺少存量回填）。

22、向量维度验证

SELECT id, title, vector_dims(content_embedding) AS dims, length(content_embedding::text) AS text_lenFROM kb_articlesWHERE content_embedding IS NOT NULL;

数据库原始返回：

id | title | dims | text_len—-+————+——+———- 4 | 嵌入模型 | 1024 | 12727 5 | 混元大模型 | 1024 | 12779(2 rows)

结果说明：向量均为 1024 维，与模型配置一致。

23、UPDATE 触发（同时绕过存量回填 Bug，为 id=1~3 生成向量）

— 更新已有行，即使内容不变也会触发 UPDATE 触发器UPDATE kb_articles SET content = content WHERE id IN (1,2,3);

数据库原始返回：

UPDATE 3

— 立即查 pending（应为 3）SELECT task_kind, pending FROM tencentdb_ai.autoembedding_status;

数据库原始返回：

task_kind | pending———–+——— incr | 3 backfill | 0(2 rows)

pending = 3，三行均已入队。

SELECT pg_sleep(5);– 全量验证SELECT id, title, content_embedding IS NOT NULL AS has_embeddingFROM kb_articles ORDER BY id;

数据库原始返回：

pg_sleep———-(1 row) id | title | has_embedding—-+—————–+————— 1 | PostgreSQL 简介 | t 2 | 向量数据库 | t 3 | RAG 技术 | t 4 | 嵌入模型 | t 5 | 混元大模型 | t(5 rows)

结果说明：UPDATE 触发路径正常工作，id=1~3 通过 UPDATE 成功生成向量。全部 5 行 has_embedding = t。

25、仅两行时的相似度

SELECT id, title, content_embedding <=> ( SELECT content_embedding FROM kb_articles WHERE id = 4 ) AS distanceFROM kb_articlesWHERE content_embedding IS NOT NULLORDER BY distance;

数据库原始返回：

id | title | distance—-+————+——————— 4 | 嵌入模型 | 0 5 | 混元大模型 | 0.28689392595353047(2 rows)

结果说明：「嵌入模型」到自身的余弦距离为 0，到「混元大模型」的距离约 0.287，两者语义相近（都关于 AI 模型），符合预期。

26、全量相似度检索

SELECT id, title, content_embedding <=> ( SELECT content_embedding FROM kb_articles WHERE id = 1 ) AS distanceFROM kb_articlesWHERE content_embedding IS NOT NULLORDER BY distance;

数据库原始返回：

id | title | distance—-+—————–+——————— 1 | PostgreSQL 简介 | 0 2 | 向量数据库 | 0.2789466068930575 3 | RAG 技术 | 0.3563481692751316 4 | 嵌入模型 | 0.3840361738420558 5 | 混元大模型 | 0.40611747180705204(5 rows)

结果说明：「PostgreSQL 简介」与「向量数据库」语义距离最近（0.279，都是数据库领域），与「混元大模型」最远（0.406），排序合理。

28、什么是 TokenHub

TokenHub 是腾讯云统一的 AI 模型网关平台，提供统一的 API Key 管理和计费。在 tencentdb_ai 1.6 版本中，TokenHub 已支持 Embedding 接口（此前仅支持 ChatCompletions）。

使用 TokenHub 的优势：

·统一凭证管理：一个 API Key 管理所有模型（聊天 + 嵌入），无需分别管理 SecretId/SecretKey。

·认证方式简单：Bearer Token 认证，直接传 api_key 即可。

29、TokenHub Embedding 模型全览

TokenHub 平台共提供 4 款 Embedding 模型，分为文本向量和多模态向量两大类。所有模型均兼容 OpenAI Embeddings API 格式，接口地址：

·文本向量：POST https://tokenhub.tencentmaas.com/v1/embeddings

·多模态向量：POST https://tokenhub.tencentmaas.com/v1/embeddings/multimodal

认证方式：Authorization: Bearer <api_key>

30、文本向量模型（Text Embedding）

CMTEB 评测对比（数值越高越好）：

31、多模态向量模型（Multimodal Embedding）

支持文本（text）、图片（image_url）、视频（video_url）三种模态的向量化。

多模态评测对比（数值越高越好）：

多模态输入限制：

32、选型速查：什么场景用什么模型

33、注册 TokenHub Embedding 模型

注意：说明：

注意：与方式一的关键区别：

34、查看 model_list 表结构

SELECT column_name, data_type FROM information_schema.columnsWHERE table_schema = 'tencentdb_ai' AND table_name = 'model_list'ORDER BY ordinal_position;

数据库原始返回：

column_name | data_type—————–+———– model_name | name json_path | jsonpath secretid | bytea secretkey | bytea version | text region | text id_random | integer key_random | integer backend_type | text real_model_name | name api_key | bytea api_key_random | integer embedding_dim | integer(13 rows)

结果说明：TokenHub 需要的 api_key 列（bytea 加密存储）、backend_type 列、real_model_name 列均存在。

35、注册文本向量模型

— ===== 文本向量模型注册模板 =====– 关键参数：第5个参数 p_backend_type 必须显式传 'tokenhub'（默认值是 'hunyuan'）– 第6个参数 real_model_name 为 TokenHub 上的实际模型名– 根据实际需求选择以下一个即可– 模型 A：轻量文本向量（1024 维，成本低，速度快）– 场景：中文知识库检索、FAQ 匹配、文本聚类分类SELECT tencentdb_ai.add_model( 'my-text-embed-0.6b', — 模型别名（自定义） NULL, NULL, NULL, — version, region, json_path（不需要） 'tokenhub', — backend_type：必须显式指定为 'tokenhub' 'kinfra-text-embedding-0.6b' — real_model_name);SELECT tencentdb_ai.update_model_attr('my-text-embed-0.6b', 'api_key', 'sk-tp-你的APIKey');UPDATE tencentdb_ai.model_list SET embedding_dim = 1024 WHERE model_name = 'my-text-embed-0.6b';– 模型 B：高精度文本向量（2560 维，精度高）– 场景：多语言深度语义检索、跨语言匹配、高质量语义理解SELECT tencentdb_ai.add_model( 'my-text-embed-4b', — 模型别名（自定义） NULL, NULL, NULL, 'tokenhub', 'kinfra-text-embedding-4b');SELECT tencentdb_ai.update_model_attr('my-text-embed-4b', 'api_key', 'sk-tp-你的APIKey');UPDATE tencentdb_ai.model_list SET embedding_dim = 2560 WHERE model_name = 'my-text-embed-4b';

36、注册多模态向量模型

— ===== 多模态向量模型注册模板 =====– 多模态模型支持 text（文本）、image_url（图片）、video_url（视频）三种输入– 用于图文互搜、视频语义检索等场景– 模型 C：轻量多模态（2048 维，响应速度快）– 场景：图文互搜、在线多模态检索SELECT tencentdb_ai.add_model( 'my-vl-embed-2b', — 模型别名（自定义） NULL, NULL, NULL, 'tokenhub', 'kinfra-vl-embedding-2b' — VL = Vision-Language（视觉-语言）);SELECT tencentdb_ai.update_model_attr('my-vl-embed-2b', 'api_key', 'sk-tp-你的APIKey');UPDATE tencentdb_ai.model_list SET embedding_dim = 2048 WHERE model_name = 'my-vl-embed-2b';– 模型 D：高精度多模态（4096 维，精度最高）– 场景：视频检索、高精度多模态语义匹配SELECT tencentdb_ai.add_model( 'my-vl-embed-8b', — 模型别名（自定义） NULL, NULL, NULL, 'tokenhub', 'kinfra-vl-embedding-8b');SELECT tencentdb_ai.update_model_attr('my-vl-embed-8b', 'api_key', 'sk-tp-你的APIKey');UPDATE tencentdb_ai.model_list SET embedding_dim = 4096 WHERE model_name = 'my-vl-embed-8b';

37、注册验证（以 0.6b 文本模型为例）

— 验证注册结果SELECT model_name, backend_type, real_model_name, embedding_dim FROM tencentdb_ai.model_list;

数据库原始返回（已注册 tokenhub-embedding，别名指向 kinfra-text-embedding-0.6b）：

model_name | backend_type | real_model_name | embedding_dim———————+————–+—————————-+————— auto | tokenhub | | -1 hunyuan-embedding | hunyuan | | 1024 tokenhub-embedding | tokenhub | kinfra-text-embedding-0.6b | 1024(3 rows)

结果说明：TokenHub 嵌入模型注册成功：

·backend_type = tokenhub（与方式一的 hunyuan 明显不同）

·real_model_name = kinfra-text-embedding-0.6b（TokenHub 上的实际模型）

·embedding_dim = 1024

凭证获取方式：TokenHub 控制台 → API 密钥管理

四种模型注册速查：

39、建表并插入数据

DROP TABLE IF EXISTS kb_articles_tokenhub CASCADE;CREATE TABLE kb_articles_tokenhub ( id bigserial PRIMARY KEY, title text, content text);INSERT INTO kb_articles_tokenhub (title, content) VALUES ('PostgreSQL 简介', 'PostgreSQL 是一个功能强大的开源对象关系数据库系统，经过30多年的积极开发。'), ('向量数据库', '向量数据库是一种专门用于存储和检索高维向量的数据库系统。'), ('AI 技术趋势', '人工智能技术在2026年迎来了新的发展浪潮，多模态大模型成为主流。');

数据库原始返回：

DROP TABLECREATE TABLEINSERT 0 3

40、创建增量任务

— 注意：model_name 使用的是注册时的别名 'tokenhub-embedding'SELECT tencentdb_ai.add_incr_autoembedding_task( 'public', 'kb_articles_tokenhub', ARRAY['content'], 'tokenhub-embedding' — 使用 TokenHub 注册的模型) AS incr_task_id;

数据库原始返回：

incr_task_id————– 4(1 row)

结果说明：增量任务创建成功，task_id = 4（与方式一完全相同的接口）。

41、验证表结构和触发器

\\d kb_articles_tokenhub

数据库原始返回：

Table "public.kb_articles_tokenhub" Column | Type | Collation | Nullable | Default——————-+————–+———–+———-+————————————————– id | bigint | | not null | nextval('kb_articles_tokenhub_id_seq'::regclass) title | text | | | content | text | | | content_embedding | vector(1024) | | |Indexes: "kb_articles_tokenhub_pkey" PRIMARY KEY, btree (id)Triggers: tencentdb_ai_autoemb_ins_4 AFTER INSERT ON kb_articles_tokenhub FOR EACH ROW EXECUTE FUNCTION tencentdb_ai._autoembedding_enqueue_trigger('4', '17167', …) tencentdb_ai_autoemb_upd_4 BEFORE UPDATE OF content ON kb_articles_tokenhub FOR EACH ROW EXECUTE FUNCTION tencentdb_ai._autoembedding_enqueue_trigger('4', '17167', …)

结果说明：表结构和触发器与方式一完全一致，content_embedding vector(1024) 列 + INSERT/UDPATE 触发器均自动创建。

42、查看任务状态

SELECT task_kind, task_id, table_name, model_name, statusFROM tencentdb_ai.autoembedding_statusORDER BY task_id;

数据库原始返回：

task_kind | task_id | table_name | model_name | status———–+———+———————-+———————+——— incr | 1 | kb_articles | hunyuan-embedding | enabled backfill | 1 | kb_articles | hunyuan-embedding | incr | 4 | kb_articles_tokenhub | tokenhub-embedding | enabled(3 rows)

结果说明：TokenHub 任务（task_id=4）与混元任务（task_id=1）并存，两种方式可同时使用。

44、INSERT 触发入队

— 插入新数据，触发器自动入队INSERT INTO kb_articles_tokenhub (title, content) VALUES ('混元大模型', '腾讯混元大模型是腾讯自研的通用大语言模型，具备强大的自然语言理解和生成能力。');

数据库原始返回：

INSERT 0 1

— 查看 pendingSELECT task_kind, task_id, table_name, model_name, pendingFROM tencentdb_ai.autoembedding_status ORDER BY task_id;

数据库原始返回：

task_kind | task_id | table_name | model_name | pending———–+———+———————-+——————-+——— incr | 1 | kb_articles | hunyuan-embedding | 0 backfill | 1 | kb_articles | hunyuan-embedding | 0 incr | 5 | kb_articles_tokenhub | tokenhub-embed | 1(3 rows)

结果说明：INSERT 触发成功，pending = 1，消息已入队。

45、Worker 消费并生成向量

— 等待 worker 处理SELECT pg_sleep(10);– pending 状态SELECT task_kind, task_id, pending, failed_countFROM tencentdb_ai.autoembedding_status ORDER BY task_id;– 向量结果SELECT id, title, content_embedding IS NOT NULL AS has_embedding, CASE WHEN content_embedding IS NOT NULL THEN vector_dims(content_embedding)::text ELSE 'NULL' END AS dimsFROM kb_articles_tokenhub ORDER BY id;– 错误记录SELECT * FROM tencentdb_ai.autoembedding_error WHERE task_id = 5 ORDER BY created_at DESC LIMIT 5;

数据库原始返回：

pg_sleep———-(1 row) task_kind | task_id | pending | failed_count———–+———+———+————– incr | 1 | 0 | 0 backfill | 1 | 0 | 0 incr | 5 | 0 | 0(3 rows) id | title | has_embedding | dims—-+—————–+—————+—— 1 | PostgreSQL 简介 | f | NULL 2 | 向量数据库 | f | NULL 3 | RAG 技术 | f | NULL 4 | 混元大模型 | t | 1024(4 rows) error_id | msg_id | task_kind | task_id | row_id | error_code | error_message | detail | created_at———-+——–+———–+———+——–+————+—————+——–+————(0 rows)

结果说明：TokenHub Embedding 向量生成成功！pending = 0，failed_count = 0，无错误。id=4 的向量维度为 1024。

46、UPDATE 回填历史数据

— 更新已有行触发 UPDATE 触发器回填向量UPDATE kb_articles_tokenhub SET content = content WHERE id IN (1,2,3);

数据库原始返回：

UPDATE 3

— 查 pending（应为 3）SELECT task_kind, pending FROM tencentdb_ai.autoembedding_status WHERE task_id = 5;

数据库原始返回：

task_kind | pending———–+——— incr | 3(1 row)

pending = 3，三行均已入队。

SELECT pg_sleep(8);– 全量向量 + 维度SELECT id, title, content_embedding IS NOT NULL AS has_embedding, CASE WHEN content_embedding IS NOT NULL THEN vector_dims(content_embedding)::text ELSE 'NULL' END AS dimsFROM kb_articles_tokenhub ORDER BY id;

数据库原始返回：

pg_sleep———-(1 row) id | title | has_embedding | dims—-+—————–+—————+—— 1 | PostgreSQL 简介 | t | 1024 2 | 向量数据库 | t | 1024 3 | RAG 技术 | t | 1024 4 | 混元大模型 | t | 1024(4 rows)

结果说明：全部 4 行向量生成完毕，均为 1024 维。

47、向量相似度检索

SELECT id, title, content_embedding <=> ( SELECT content_embedding FROM kb_articles_tokenhub WHERE id = 1 ) AS distanceFROM kb_articles_tokenhubWHERE content_embedding IS NOT NULLORDER BY distance;

数据库原始返回：

id | title | distance—-+—————–+——————– 1 | PostgreSQL 简介 | 0 2 | 向量数据库 | 0.5327960213665903 3 | RAG 技术 | 0.6819517300768105 4 | 混元大模型 | 0.710405861090913(4 rows)

结果说明：向量相似度检索正常。「PostgreSQL 简介」与「向量数据库」距离最近（0.533，数据库领域关联），检索结果合理。

选择建议：

·已有混元密钥 → 用方式一，最简单直接。

·已迁移到 TokenHub 平台 / 想统一管理所有 AI 模型凭证 → 用方式二。

·需要多模态能力（图文互搜、视频检索）→ 必须用方式二（TokenHub），混元不支持。

·两种方式可以共存，不同表可以用不同模型。

TokenHub 模型选型速查：

49、Worker 进程状态

SELECT pid, backend_type, state, query, query_start, state_changeFROM pg_stat_activityWHERE backend_type LIKE '%tencentdb_ai%';

数据库原始返回：

pid | backend_type | state | query | query_start | state_change——+———————————–+——–+————————————————————-+——————————-+—————————— 67832 | tencentdb_ai scheduler | | | | 67834 | tencentdb_ai autoembedding worker | active | SELECT tencentdb_ai._autoembedding_process_backfill_batch() | 2026-08-05 22:40:37.409162+08 | 2026-08-05 22:40:37.41009+08(2 rows)

结果说明：tencentdb_ai scheduler 和 tencentdb_ai autoembedding worker 两个后台进程均在运行。

50、错误表

SELECT * FROM tencentdb_ai.autoembedding_errorORDER BY created_at DESC LIMIT 10;

数据库原始返回：

error_id | msg_id | task_kind | task_id | row_id | error_code | error_message | detail | created_at———-+——–+———–+———+——–+————+—————+——–+————(0 rows)

结果说明：测试全程无错误记录，嵌入 API 调用全部成功。