blacknoob20/pg15vector-alpine repository overview

⁠PostgreSQL 15.6 + pgvector (Alpine)

Imagen Docker personalizada basada en postgres:15.6-alpine3.19 que incluye la extensión pgvector compilada (pgvector v0.5.1).

Esta imagen facilita ejecutar PostgreSQL con soporte para vectores (embeddings) mediante la extensión pgvector, ideal para búsquedas semánticas y sistemas RAG.

⁠Características

• Base: postgres:15.6-alpine3.19.
• Extensión: pgvector compilada desde fuente (v0.5.1).
• Multi-stage build: la compilación de pgvector se realiza en una etapa builder y solo se copian los artefactos necesarios a la imagen final.

⁠Etiquetas y compatibilidad

• PostgreSQL: 15.6
• pgvector: v0.5.1
• Base: Alpine 3.19

(Ajusta la etiqueta que publiques en Docker Hub según la convención que uses, por ejemplo usuario/pg15-vector:15.6-alpine.)

⁠Cómo construir localmente

Desde el directorio donde está el Dockerfile:

docker build -t pg15vector-alpine .

⁠Ejecutar la imagen (ejemplo rápido)

Ejecutar con variables de entorno estándar de Postgres y un volumen para persistencia:

docker run -d \
  --name pg15-vector \
  -e POSTGRES_PASSWORD=mi_contraseña \
  -e POSTGRES_USER=mi_usuario \
  -e POSTGRES_DB=mi_bd \
  -v pgdata:/var/lib/postgresql/data \
  -p 5432:5432 \
  pg15vector-alpine

⁠Docker Compose (fragmento)

version: '3.8'
services:
  db:
    image: pg15vector-alpine
    environment:
      POSTGRES_USER: mi_usuario
      POSTGRES_PASSWORD: mi_contraseña
      POSTGRES_DB: mi_bd
    volumes:
      - pgdata:/var/lib/postgresql/data
    ports:
      - "5432:5432"

volumes:
  pgdata:

⁠Habilitar y usar pgvector

Conéctate a la base de datos (psql, pgAdmin, DBeaver, etc.) y ejecuta:

CREATE EXTENSION IF NOT EXISTS vector;

Ejemplo básico de uso — crea una tabla con un campo vectorial (aquí usamos dimensión 1536 como ejemplo):

CREATE TABLE items (
  id SERIAL PRIMARY KEY,
  embedding VECTOR(1536),
  metadata JSONB
);

INSERT INTO items (embedding, metadata) VALUES
('[0.01, 0.02, 0.03, ...]'::vector, '{"name": "ejemplo"}');

Búsqueda por similitud (distancia L2 o coseno según la configuración):

SELECT id, metadata, embedding <-> '[0.01, 0.02, ...]'::vector AS distance
FROM items
ORDER BY distance
LIMIT 5;

Crear índice (ejemplo con ivfflat):

CREATE INDEX ON items USING ivfflat (embedding vector_l2_ops) WITH (lists = 100);
-- Después de crear el índice, ejecutar ANALYZE para que planners use el índice correctamente
ANALYZE items;

Ajusta la dimensión del vector a la que produce tu modelo de embeddings (por ejemplo 1536 para OpenAI ada/embeddings, o 768/1024 según el modelo).

⁠Notas y recomendaciones

• La imagen compila pgvector en una etapa builder para mantener la imagen final ligera.
• Si vas a usar cargas de trabajo intensivas, considera cambiar a una imagen de Postgres no-Alpine basada en Debian/Ubuntu para compatibilidad y rendimiento de paquetes nativos.
• Verifica la versión de pgvector y actualiza la rama/tag si necesitas funciones nuevas.

⁠Licencia

La imagen incluye PostgreSQL y la extensión pgvector. Revisa las licencias upstream de cada proyecto si lo vas a redistribuir con propósitos comerciales.