你好，我是 EarlGrey，喜欢翻译点东西，偶尔写写代码。

后台回复关键词“电子书”，送你一份我收藏的电子书合集。

本文来自 Star History 网站的 10 月精选，经 EarlGrey@进击的Grey 翻译后与大家分享。

原文链接为：https://star-history.com/blog/ai-for-postgres

在2023年Stack Overflow开发者调查中，Postgres被评为最受欢迎的数据库，取代了MySQL的桂冠。为什么？我们认为背后的一大因素是Postgres的扩展。得益于可扩展的架构以及Postgres仍然是一个社区所有的项目这一事实，Postgres生态系统最近一直在蓬勃发展。

Postgres 扩展为数据库添加了媲美内置特性的功能。多年来，已经出现了一些针对人工智能用例的扩展。其中有一些是今年出现的，但令人惊讶的是，还有一些是几年前首次出现的，现在仍然是其中的佼佼者。

在本文中，我们将分享五种 Postgres 扩展，它们将提升您的人工智能体验。

pgvector

pgvector是专为 Postgres 设计的开源向量相似性搜索（支持 Postgres 11+）。它也可用于存储嵌入。它从 2021 年就开始出现了，远在人工智能成为我们日常生活的一部分之前。2023.2 年左右，当向量相似性搜索成为热门话题时，它的受欢迎程度急剧上升。

如果你正在寻找一个向量数据库，Postgres 就可以满足你的需求，你可以继续使用 Postgres，它的优势包括

• 将向量与其他数据一起存储
• 精确和近似近邻搜索
• L2 距离、内积和余弦距离
• 任何带有 Postgres 客户端的语言

如果你使用的是普通的Postgres，只需编译并安装扩展即可；如果你使用的是Postgres服务或应用程序，其中有些已经包含了pgvector，例如Aiven、Neon、Supabase、Postgres.app等。

PostgresML

PostgresML是一个允许开发人员将机器学习（ML）模型集成到Postgres中的扩展，今年5月获得了470万美元种子轮融资。它可以使用 SQL 查询对文本和数据进行训练和推理，大大降低了应用程序开发的复杂性。

如果你的公司没有花哨的 ML 工作负载（因为不是所有人都是人工智能巨头），但又想建立自己的机器学习模型，从新鲜数据中学习，这将是一个很好的入门方法。

MADlib

Apache MADlib是一个用 SQL 进行大数据机器学习的工具。早在 ChatGPT 为人工智能带来热度之前，它就已经出现，其 repo 于 2016 年发布在 GitHub 上，但最初的版本可以追溯到 2011 年。

人们认为 SQL 无法很好地对大型或非结构化数据集进行推理、预测或因果分析，这种看法已不再正确。MADlib 基本上是一个数据库内机器学习库，你可以在数据所在的数据库中执行高级机器学习。安装后，你可以使用 SQL 执行各种数据分析任务，包括轻松地进行回归和分类。

MADlib 中的 MAD 实际上是 Magnetic（磁性）、Agile（敏捷）和 Deep（深度）的缩写。

pg_embedding

pg_embedding是 Neon 今年七月发布的产品。

它使用 Hierarchical Navigable Small Worlds (HNSW) 索引进行高维相似性搜索，这比 pgvector 增加对 HNSW 的支持还要早（很难理解为什么它刚出来时比 pgvector](https://neon.tech/blog/pg-embedding-extension-for-vector-search) 快 20 倍）。

但几个月后的九月份，他们又添加了一条说明，提到他们不再致力于 pg_embedding 了。看来真的不存在买还是建的两难选择：如果有像样的服务，它就是不二之选。

pg_gpt

pg_gpt是一个实验性的Postgres扩展，它在Postgres内部使用了OpenAI GPT API，因此你可以用自然语言向数据库提问。它实际上是由开源 ELT 平台 CloudQuery 开发的。

这个插件通过向 OpenAI GPT API 发送部分数据库模式（虽然没有数据）来工作，因此不建议在生产数据库中使用，但如果你想了解公共模式的一些信息，这将是一个有趣的工具。

结论

今年我们看到了很多：科技界正在转向人工智能，并在寻找一种导航方式，以找到自己的立足点。好在Postgres开放支持扩展，我们有福了，可以通过这些扩展为我们的Postgres添加人工智能功能，而无需转向新的数据库。