# pgvector 10M+ soron: index, query-minták, teljesítmény

> A pgvector 10M+ soron is skálázódik a jó index-döntéssel (HNSW vs IVFFlat), filter-baratt query-kkel és cache-szel. Valódi szamok 3 RAG-projektböl.

A pgvector-nek 'játék-skálájú' a híre. A hír elavult. Produkciós RAG-ot üzemeltetünk 10M+ soros pgvector-ben, p95 query-latencia 80ms alatt. A kulcs a megfelelo index + a szürö-baráti query. Itt van hogyan.

## HNSW vs IVFFlat

- HNSW: jobb recall, több memória, lassabb build. 2024+ default választás.
- IVFFlat: gyorsabb build, kevesebb memória, rosszabb recall. Csak ha gyakran újra-építesz.
- Egyik sem: sequential scan jó ~500k soronként jó szelektivitással.

## A szürt keresés a nehéz rész

A legtöbb RAG query tenant_id, document_type vagy recency alapján szür a hasonlóság elott. A pgvector 0.5+ hozta a rendes szürt HNSW-t, de a naiv query-k még mindig túl sokat scan-elnek. Mindig elobb a szelektív szürot alkalmazd.

```sql
-- JÓ: tenant-szuro elobb szukit, vektor-kereses kicsi halmazon
SELECT * FROM chunks
WHERE tenant_id = $1 AND created_at > now() - interval '30 days'
ORDER BY embedding <=> $2
LIMIT 10;

-- Index: btree (tenant_id, created_at) + HNSW az embedding-en
```

## Valodi szamok

- Jogi iroda RAG · 12M chunk · HNSW m=16 ef=64 · p50 38ms, p95 72ms.
- Hir-aggregator · 8M cikk · HNSW m=12 ef=40 · p50 24ms, p95 58ms.
- SaaS support bot · 4M ticket · HNSW + tenant-szuro · p50 18ms, p95 44ms.

> Ha a p95 200ms fölé kúszik, 95%-ban az index nem kerul hasznalatba. Futtasd az EXPLAIN ANALYZE-t, ellenorizd, hogy a HNSW-index megy-e, nem sequential scan. Általában egy WHERE-klauzula tiltja le az indexet.

## Amit érdemes elvinni

- A pgvector produkcióban 10M+ soron is müködik. HNSW vs IVFFlat trade-off, szürt keresési minták, WHERE-tipikus hibák, 3 valódi projekt benchmark-jelszámai.

## Címkék

Postgres, pgvector, RAG, Performance, AI

## Az írásban használt fogalmak

- https://dfieldsolutions.hu/hu/fogalomtar/embedding.md

## Ezt is megépítjük

https://dfieldsolutions.hu/hu/szolgaltatasok/ai-automation

## Több a laborból

- https://dfieldsolutions.hu/hu/labor/llm-prompt-caching-production-savings.md — LLM prompt caching produkcióban · 60-80%-os költségvágás
- https://dfieldsolutions.hu/hu/labor/vector-db-pick-2026.md — Vector DB választás 2026-ban: pgvector, Pinecone, Weaviate
- https://dfieldsolutions.hu/hu/labor/ai-chatbot-szallitasa-14-nap.md — AI chatbot szállítása 14 nap alatt · RAG, eval, deploy
- https://dfieldsolutions.hu/hu/labor/llm-evals-as-code-production.md — LLM eval-as-code: a CI-kapu minden RAG-deployra

---

Source: https://dfieldsolutions.hu/hu/labor/postgres-pgvector-at-10m-rows
DField Solutions — Torony köz 5-1.a, 2120 Dunakeszi, Hungary — +36 20 722 0002 — dezso@dfieldsolutions.com
Booking: see https://dfieldsolutions.hu/en/contact