Kysely中高效复用大型向量变量的查询优化技巧
2025-05-19 13:27:15作者:翟萌耘Ralph
在使用Kysely进行PostgreSQL查询时,处理大型向量变量(如AI嵌入向量)可能会遇到性能问题。本文将深入探讨如何优化这类查询,避免重复传递大型参数。
问题背景
在AI应用中,我们经常需要处理高维向量(如384维或768维的嵌入向量)。当这些向量需要多次出现在SQL查询中时,直接重复传递会导致查询语句变得非常庞大,影响性能。
原始查询的问题
原始查询中存在三个主要问题:
- 多次重复传递同一个大型向量参数
- 试图使用多个SELECT语句(PostgreSQL不支持在预处理语句中执行多命令)
- 向量转换函数可能不够高效
优化方案
1. 使用WITH子句(CTE)定义临时变量
PostgreSQL的WITH子句(Common Table Expression)可以让我们定义查询中的临时变量,避免重复:
const definitions = await db.executeQuery(
sql`
WITH embedding_query AS (
SELECT ${vectorToSql(embeddingQ)}::vector AS embedding
)
SELECT
id,
language__id,
entry__id,
1 - (definitions.embedding <=> (SELECT embedding FROM embedding_query)) AS similarity
FROM definitions
WHERE 1 - (definitions.embedding <=> (SELECT embedding FROM embedding_query)) > 0.8
ORDER BY (definitions.embedding <=> (SELECT embedding FROM embedding_query)) ASC
LIMIT 10;`.compile(db)
)
2. 优化向量转换函数
确保向量转换函数高效处理数组:
function vectorToSql(value: number[]): string {
if (!Array.isArray(value)) {
throw new Error('Input must be an array');
}
return `[${value.map(v => Number(v)).join(',')}]`;
}
3. 使用函数封装重复计算
对于重复的向量相似度计算,可以创建PostgreSQL函数:
CREATE OR REPLACE FUNCTION calculate_similarity(vec1 vector, vec2 vector)
RETURNS float AS $$
BEGIN
RETURN 1 - (vec1 <=> vec2);
END;
$$ LANGUAGE plpgsql;
然后在查询中使用:
const definitions = await db.executeQuery(
sql`
WITH embedding_query AS (
SELECT ${vectorToSql(embeddingQ)}::vector AS embedding
)
SELECT
id,
language__id,
entry__id,
calculate_similarity(definitions.embedding, (SELECT embedding FROM embedding_query)) AS similarity
FROM definitions
WHERE calculate_similarity(definitions.embedding, (SELECT embedding FROM embedding_query)) > 0.8
ORDER BY similarity DESC
LIMIT 10;`.compile(db)
)
性能考虑
- 参数绑定:Kysely使用参数化查询,大型向量只会被传递一次
- 索引优化:确保在embedding列上创建了适当的向量索引
- 批量处理:考虑批量处理多个向量查询,减少数据库往返
最佳实践
- 对于频繁使用的向量操作,创建PostgreSQL函数
- 使用CTE(WITH子句)组织复杂查询
- 在应用层缓存常用向量
- 考虑使用专门的向量数据库处理超大规模向量搜索
通过以上优化,可以显著提高包含大型向量参数的查询性能,同时保持代码的清晰和可维护性。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~043CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
22
5