1b4f3a7bbe
Some checks failed
CD Pipeline / deploy (push) Failing after 59s
- 建立 Gitea Actions CD pipeline (.gitea/workflows/cd.yaml) - 部署模式: rsync Python 檔案至 188 → docker restart (volume mount) - Dockerfile/requirements 變動時自動重建 Docker image - 部署通知: Telegram (開始/成功/失敗) - 健康檢查: https://mo.wooo.work/health (最多 5 次重試) - 同步最新 CLAUDE.md / ADR-008 / memory (2026-04-19) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
69 lines
2.1 KiB
Markdown
69 lines
2.1 KiB
Markdown
# ADR-002：pgvector 作為唯一 KM 向量庫
|
||
|
||
- **Status**: Accepted
|
||
- **Date**: 2026-04-18
|
||
- **Decision Maker**: 統帥
|
||
- **Author**: Claude
|
||
|
||
## Context
|
||
|
||
KM（知識管理）需要向量化檢索能力來支援 RAG（Retrieval-Augmented Generation）。市面選項：pgvector、ChromaDB、Qdrant、Weaviate、Milvus。
|
||
|
||
現況：MOMO Pro 已使用 PostgreSQL，且生產環境的 PG 實例（192.168.0.188）映像為 `pgvector/pgvector:pg14` —— 即 pgvector 擴充已內建。
|
||
|
||
## Decision
|
||
|
||
**KM 唯一向量庫 = pgvector**。禁用任何其他向量資料庫（ChromaDB、Qdrant、Weaviate、Milvus）。
|
||
|
||
## Alternatives Considered
|
||
|
||
| 方案 | 拒絕原因 |
|
||
|---|---|
|
||
| ChromaDB（輕量獨立） | 必須在兩個 DB 之間 JOIN，「結構化篩選 + 語意檢索」要兩階段，痛苦 |
|
||
| Qdrant（性能最好） | 需獨立部署、運維成本、與現有 PG 切割記憶 |
|
||
| Weaviate / Milvus | 過度工程化，超出當前需求量 |
|
||
|
||
## Consequences
|
||
|
||
### Positive
|
||
- **零部署**：pgvector 已在 192.168.0.188 PG 實例上運行
|
||
- **零維運**：沿用既有備份/監控/擴容機制
|
||
- **單條 SQL** 同時做語意檢索 + 結構化篩選：
|
||
|
||
```sql
|
||
SELECT insight_text, generated_at, ai_model
|
||
FROM ai_insights
|
||
WHERE insight_type = 'monthly'
|
||
AND created_at > NOW() - INTERVAL '90 days'
|
||
AND status = 'approved'
|
||
ORDER BY embedding <-> :query_vector
|
||
LIMIT 5;
|
||
```
|
||
|
||
- **事務一致性**：洞察寫入 + embedding 寫入同一 transaction，原子性
|
||
|
||
### Negative / Trade-offs
|
||
- pgvector 在百萬向量量級時，HNSW 索引需要調優（IVFFlat or HNSW）
|
||
- 與專業向量庫相比，cluster 化方案較少（但短中期不需要）
|
||
|
||
## Implementation Notes
|
||
|
||
```sql
|
||
-- 1. 確認擴充
|
||
CREATE EXTENSION IF NOT EXISTS vector;
|
||
|
||
-- 2. ai_insights 表加 embedding 欄
|
||
ALTER TABLE ai_insights
|
||
ADD COLUMN embedding vector(1024); -- bge-m3 維度（見 ADR-003）
|
||
|
||
-- 3. HNSW 索引（v0.5.0+）
|
||
CREATE INDEX ON ai_insights
|
||
USING hnsw (embedding vector_cosine_ops)
|
||
WITH (m = 16, ef_construction = 64);
|
||
```
|
||
|
||
## Related ADRs
|
||
|
||
- ADR-001：三 Agent 分工
|
||
- ADR-003：embedding 模型選型決定向量維度
|