https://benzhub.github.io/tags/%E7%B4%A2%E5%BC%95/Recent content in 索引 on BenzHubHugozh-TWTue, 27 Oct 2026 00:00:00 +0000https://benzhub.github.io/post/supabase/038-vector-indexing/Tue, 27 Oct 2026 00:00:00 +0000https://benzhub.github.io/post/supabase/038-vector-indexing/<blockquote> <p>上一篇《用 Supabase 打造 RAG》我們把整條端到端管線跑通了，但也留下兩顆未爆彈：知識庫一大，<strong><code>match_documents</code></strong> 每次查詢就得<strong>全表掃描</strong>算距離、慢如龜爬；而且文件更新後 <strong>embedding</strong> 得手動重產，一漏掉就造成<strong>資料漂移</strong>。這一篇專治這兩件事。前半場，我們用 <strong>HNSW</strong> 與 <strong>IVFFlat</strong> 兩種<strong>向量索引</strong>把相似度搜尋從秒級加速回毫秒級，並搞懂 <strong><code>m</code>／<code>ef_construction</code>／<code>lists</code></strong> 建立參數、<strong><code>ef_search</code>／<code>probes</code></strong> 查詢調參，以及最容易踩坑的 <strong>ops class</strong>（<code>vector_cosine_ops</code> 等）。後半場，我們用 <strong>pgmq</strong>、<strong>pg_cron</strong>、<strong>pg_net</strong> 搭配 <strong>Edge Function</strong>，打造一條「資料一變更、embedding 自動補上」的<strong>零漂移管線</strong>。這也是 SB-4 運算與 AI 段的收尾。</p> </blockquote>