diff --git a/content/docs-lite/zh/docs/DataVec/DataVec-integrations.md b/content/docs-lite/zh/docs/DataVec/DataVec-integrations.md
index 1061b7ed0ec87eeb70e4013f7369eb1ec84c476f..f380d4ba2e85591b1ba7a911a8bb7be543a2560b 100644
--- a/content/docs-lite/zh/docs/DataVec/DataVec-integrations.md
+++ b/content/docs-lite/zh/docs/DataVec/DataVec-integrations.md
@@ -11,6 +11,10 @@ openGauss DataVec提供多种第三方组件的集成教程，并通过多语言
- 从Pgvector迁移至openGauss DataVec
- 从ElasticSearch迁移至openGauss DataVec
+## 嵌入模型
+- [BGE-M3](embedding-bgem3.md)
+- [Nomic-Embed-Text](embedding-nomic.md)
+
## API Reference
- [Python](integrationPython.md)
- [Java](integrationJava.md)
diff --git a/content/docs-lite/zh/docs/DataVec/embedding-bgem3.md b/content/docs-lite/zh/docs/DataVec/embedding-bgem3.md
new file mode 100644
index 0000000000000000000000000000000000000000..507c103d48248be86a008361836fa9966c8e49ff
--- /dev/null
+++ b/content/docs-lite/zh/docs/DataVec/embedding-bgem3.md
@@ -0,0 +1,162 @@
+# 使用BGE M3和openGauss DataVec进行向量生成与存储
+[BGE M3](https://huggingface.co/BAAI/bge-m3)是一款由BAAI开发的多语言高性能文本嵌入模型，能够将文本转化为语义丰富的高维向量表示。本文将围绕BGE M3和向量数据库openGauss DataVec，介绍如何实现文本向量生成与高效存储。通过这两个工具的结合，能够构建更加智能化的数据检索和处理系统。
+
+注：openGauss DataVec容器化部署详见[链接](../InstallationGuide/容器镜像安装.md)。
+## 案例一： FlagEmbedding + openGauss DataVec
+### 环境准备
+- 安装依赖包
+
+`FlagEmbedding`是一个专注于检索增强型大语言模型的工具包，提供多种文本嵌入模型和重排序模型，使用bge-m3模型前需要先安装该包，详细教程可以参考[huggingface官网](https://huggingface.co/BAAI/bge-m3)。
+```bash
+pip3 install -U FlagEmbedding
+pip3 install psycopg2
+```
+- 加载bge-m3模型
+
+实际使用中，`FlagEmbedding`框架支持通过指定模型名称从Hugging Face模型库自动加载模型。以下将补充说明离线模型的下载步骤，若选择自动加载模型，可直接跳过此部分内容。
+```bash
+git lfs install ; git clone https://www.modelscope.cn/BAAI/bge-m3.git
+```
+注意这里需要安装好`Git LFS`工具后才能下载完整的模型数据，附上git-lfs官网[下载地址](https://packagecloud.io/github/git-lfs)。
+
+
+### 实践
+在下面的示例中，我们使用`FlagEmbedding`中的bge-m3嵌入模型生成向量数据，并将其存储在openGauss DataVec向量数据库中。
+```python
+import psycopg2
+from psycopg2 import sql
+from typing import List
+import numpy as np
+from FlagEmbedding import BGEM3FlagModel
+
+def embedding(text):
+ model = BGEM3FlagModel(model_name_or_path = "BAAI/bge-m3")
+ sentence_vector_dict = model.encode(
+ text,
+ return_dense = True, # 设置返回dense embedding，默认打开
+ return_sparse = False, # 设置返回sparse embedding，默认关闭
+ return_colbert_vecs = False # 设置返回multi-vector(ColBERT)，默认关闭
+ )
+ return sentence_vector_dict.get("dense_vecs")
+
+def create_connection(dbname:str, user:str, password:str, host:str, port:int):
+ conn = psycopg2.connect(
+ dbname = dbname,
+ user = user,
+ password = password,
+ host = host,
+ port = port
+ )
+ cursor = conn.cursor()
+ return conn, cursor
+
+def create_table(conn, cursor, table_name:str, dim:int):
+ cursor.execute(
+ sql.SQL(
+ "CREATE TABLE IF NOT EXISTS public.{table_name} (id BIGINT PRIMARY KEY, embedding vector({dim}));"
+ ).format(table_name = sql.Identifier(table_name), dim = sql.Literal(dim))
+ )
+ conn.commit()
+
+def insert(conn, cursor, table_name:str, embeddings:List[List[float]], ids:List[int]):
+ data = list(zip(ids, embeddings))
+ cursor.executemany(
+ sql.SQL("INSERT INTO public.{table_name} (id, embedding) VALUES(%s, %s);")
+ .format(table_name = sql.Identifier(table_name)), data
+ )
+ conn.commit()
+ print("数据插入成功！")
+
+if __name__ == '__main__':
+ text = "openGauss 是一款开源数据库"
+ emb = embedding(text)
+ dimensions = len(emb)
+ print("text : {}, embedding dim : {}, embedding : {} ...".format(text, dimensions, emb[:10]))
+
+ conn, cursor = create_connection("testdb", "test_user", YourPassword, "localhost", 5432)
+ create_table(conn, cursor, "test_table1", dimensions)
+ insert(conn, cursor, "test_table1", [emb.tolist()], [0])
+```
+
+输出结果如下：
+```python
+text : openGauss 是一款开源数据库, embedding dim : 768, enbedding : [-0.05427849 -0.02701874 -0.05441538 0.0294214 -0.01936925 -0.00815862 0.01310737 -0.0480913 0.01261776 0.2954952] ...
+数据插入成功！
+```
+openGauss DataVec的具体使用可以参考[Python SDK对接向量数据库](integrationPython.md)
+
+## 案例二：ollama + openGauss DataVec
+### 环境准备
+- 加载模型
+
+ollama安装可以参考[openGauss-RAG实践](openGauss-RAG实践.md)
+```bash
+ollama pull bge-m3
+```
+- 检验
+
+```bash
+ollama list
+
+NAME ID SIZE MODIFIED
+bge-m3:latest 790764642607 1.2GB 18 minutes ago
+```
+
+### 实践
+在下面的示例中，我们使用`ollama`中的bge-m3嵌入模型生成向量数据，并将其存储在openGauss DataVec向量数据库中。
+```python
+import ollama
+import psycopg2
+from psycopg2 import sql
+from typing import List
+
+def embedding(text):
+ vector = ollama.embeddings(model="bge-m3", prompt=text)
+ return vector["embedding"]
+
+def create_connection(dbname:str, user:str, password:str, host:str, port:int):
+ conn = psycopg2.connect(
+ dbname = dbname,
+ user = user,
+ password = password,
+ host = host,
+ port = port
+ )
+ cursor = conn.cursor()
+ return conn, cursor
+
+def create_table(conn, cursor, table_name:str, dim:int):
+ cursor.execute(
+ sql.SQL(
+ "CREATE TABLE IF NOT EXISTS public.{table_name} (id BIGINT PRIMARY KEY, embedding vector({dim}));"
+ ).format(table_name = sql.Identifier(table_name), dim = sql.Literal(dim))
+ )
+ conn.commit()
+
+def insert(conn, cursor, table_name:str, embeddings:List[List[float]], ids:List[int]):
+ data = list(zip(ids, embeddings))
+ cursor.executemany(
+ sql.SQL("INSERT INTO public.{table_name} (id, embedding) VALUES(%s, %s);")
+ .format(table_name = sql.Identifier(table_name)), data
+ )
+ conn.commit()
+ print("数据插入成功！")
+
+if __name__ == '__main__':
+ text = "openGauss 是一款开源数据库"
+ emb = embedding(text)
+ dimensions = len(emb)
+ print("text : {}, embedding dim : {}, embedding : {} ...".format(text, dimensions, emb[:10]))
+
+ conn, cursor = create_connection("testdb", "test_user", YourPassword, "localhost", 5432)
+ create_table(conn, cursor, "test_table1", dimensions)
+ insert(conn, cursor, "test_table1", [emb], [0])
+```
+
+输出结果如下：
+```python
+
+text : openGauss 是一款开源数据库, embedding dim : 768, enbedding : [-0.5359194278717041, 1.3424185514450073, -3.524909734725952, -1.0017194747924805, -0.1950572431087494, 0.28160029649734497, -0.473337858915329, 0.08056074380874634, -0.22012852132320404, -0.9982725977897644] ...
+数据插入成功！
+```
+openGauss DataVec的具体使用可以参考[Python SDK对接向量数据库](integrationPython.md)
\ No newline at end of file
diff --git a/content/docs-lite/zh/docs/DataVec/embedding-nomic.md b/content/docs-lite/zh/docs/DataVec/embedding-nomic.md
new file mode 100644
index 0000000000000000000000000000000000000000..82551a15774803cad3ec841bfe7dfdfca8174c87
--- /dev/null
+++ b/content/docs-lite/zh/docs/DataVec/embedding-nomic.md
@@ -0,0 +1,110 @@
+# 使用nomic-embed-text和openGauss DataVec进行向量化搜索
+nomic-embed-text是一个专门用于文本转化为高维向量表示的高性能嵌入模型，本文将介绍如何通过nomic-embed-text和openGauss DataVec轻松实现从文本到向量的转化，并基于语义的相似性快速进行搜索操作。
+
+注：openGauss DataVec容器化部署详见[链接](../InstallationGuide/容器镜像安装.md)。
+## 环境准备
+- 加载模型
+
+ollama安装可以参考[openGauss-RAG实践](openGauss-RAG实践.md)
+```bash
+ollama pull nomic-embed-text
+```
+- 检验
+
+```bash
+ollama list
+
+NAME ID SIZE MODIFIED
+nomic-embed-text:latest 0a109f422b47 274MB 18 minutes ago
+```
+
+## 实践
+在下面的示例中，我们使用ollama中的nomic-embed-text嵌入模型生成向量数据，并将其存储在openGauss DataVec向量数据库中。
+```python
+import ollama
+import psycopg2
+from psycopg2 import sql
+from typing import List
+
+def embedding(text):
+ vector = ollama.embeddings(model="nomic-embed-text", prompt=text)
+ return vector["embedding"]
+
+def create_connection(dbname:str, user:str, password:str, host:str, port:int):
+ conn = psycopg2.connect(
+ dbname = dbname,
+ user = user,
+ password = password,
+ host = host,
+ port = port
+ )
+ cursor = conn.cursor()
+ return conn, cursor
+
+def create_table(conn, cursor, table_name:str, dim:int):
+ cursor.execute(
+ sql.SQL(
+ "CREATE TABLE IF NOT EXISTS public.{table_name} (id BIGINT PRIMARY KEY, content text, embedding vector({dim}));"
+ ).format(table_name = sql.Identifier(table_name), dim = sql.Literal(dim))
+ )
+ conn.commit()
+
+def insert(conn, cursor, table_name:str, embeddings:List[List[float]], ids:List[int], contents:List[str]):
+ data = list(zip(ids, embeddings, contents))
+ cursor.executemany(
+ sql.SQL("INSERT INTO public.{table_name} (id, embedding, content) VALUES(%s, %s, %s);")
+ .format(table_name = sql.Identifier(table_name)), data
+ )
+ conn.commit()
+ print("数据插入成功！")
+
+
+texts = ["openGauss 是一款开源数据库", "DataVec是一个基于openGauss的向量数据库"]
+embs = [embedding(t) for t in texts] # 生成底库向量数据
+dimensions = len(embs[0])
+ids = [i for i in range(len(embs))]
+print("text : {}, embedding dim : {}, embedding : {} ...".format(text[0], dimensions, embs[:10]))
+
+# 插入数据
+conn, cursor = create_connection("testdb", "test_user", YourPassword, "localhost", 5432)
+create_table(conn, cursor, "test_table1", dimensions)
+insert(conn, cursor, "test_table1", embs, ids, texts)
+```
+
+输出结果如下：
+```python
+text : openGauss 是一款开源数据库, embedding dim : 768, embedding : [-0.5359194278717041, 1.3424185514450073, -3.524909734725952, -1.0017194747924805, -0.1950572431087494, 0.28160029649734497, -0.473337858915329, 0.08056074380874634, -0.22012852132320404, -0.9982725977897644] ...
+数据插入成功！
+```
+
+准备好数据后，我们就可以输入查询文本在向量数据库中进行近似查询。
+
+```python
+def select(conn, cursor, table_name:str, queries:List[List[float]], topk:int):
+ ids = []
+ contents = []
+ for emb in queries:
+ cursor.execute(
+ sql.SQL(
+ "SELECT * FROM public.{table_name} ORDER BY embedding <-> %s::vector LIMIT %s::int;"
+ ).format(table_name = sql.Identifier(table_name)), (emb, topk)
+ )
+ conn.commit()
+ result = cursor.fetchall()
+ ids.append([int(i[0]) for i in result])
+ contents.append([i[1] for i in result])
+ return ids, contents
+
+# 生成请求向量数据
+query = "openGauss数据库是什么"
+q_emb = embedding(query)
+
+# 近似查询
+ids, contents = select(conn, cursor, "test_table1", [q_emb], 1)
+print(f"id : {ids[0]}, contents: {contents[0]}")
+```
+输出结果如下：
+```python
+id: [0], contents: ['openGauss 是一款开源数据库']
+```
+openGauss DataVec的具体使用可以参考[Python SDK对接向量数据库](integrationPython.md)
\ No newline at end of file
diff --git a/content/zh/docs/DataVec/DataVec-integrations.md b/content/zh/docs/DataVec/DataVec-integrations.md
index 05a10b2004dddfdd08c803a0fb3273abc9666363..6b23e335da5f76b505488090f6e9bf4f53ca3610 100644
--- a/content/zh/docs/DataVec/DataVec-integrations.md
+++ b/content/zh/docs/DataVec/DataVec-integrations.md
@@ -11,6 +11,10 @@ openGauss DataVec提供多种第三方组件的集成教程，并通过多语言
- 从Pgvector迁移至openGauss DataVec
- 从ElasticSearch迁移至openGauss DataVec
+## 嵌入模型
+- [BGE-M3](embedding-bgem3.md)
+- [Nomic-Embed-Text](embedding-nomic.md)
+
## API Reference
- [Python](integrationPython.md)
- [Java](integrationJava.md)
diff --git a/content/zh/docs/DataVec/embedding-bgem3.md b/content/zh/docs/DataVec/embedding-bgem3.md
new file mode 100644
index 0000000000000000000000000000000000000000..507c103d48248be86a008361836fa9966c8e49ff
--- /dev/null
+++ b/content/zh/docs/DataVec/embedding-bgem3.md
@@ -0,0 +1,162 @@
+# 使用BGE M3和openGauss DataVec进行向量生成与存储
+[BGE M3](https://huggingface.co/BAAI/bge-m3)是一款由BAAI开发的多语言高性能文本嵌入模型，能够将文本转化为语义丰富的高维向量表示。本文将围绕BGE M3和向量数据库openGauss DataVec，介绍如何实现文本向量生成与高效存储。通过这两个工具的结合，能够构建更加智能化的数据检索和处理系统。
+
+注：openGauss DataVec容器化部署详见[链接](../InstallationGuide/容器镜像安装.md)。
+## 案例一： FlagEmbedding + openGauss DataVec
+### 环境准备
+- 安装依赖包
+
+`FlagEmbedding`是一个专注于检索增强型大语言模型的工具包，提供多种文本嵌入模型和重排序模型，使用bge-m3模型前需要先安装该包，详细教程可以参考[huggingface官网](https://huggingface.co/BAAI/bge-m3)。
+```bash
+pip3 install -U FlagEmbedding
+pip3 install psycopg2
+```
+- 加载bge-m3模型
+
+实际使用中，`FlagEmbedding`框架支持通过指定模型名称从Hugging Face模型库自动加载模型。以下将补充说明离线模型的下载步骤，若选择自动加载模型，可直接跳过此部分内容。
+```bash
+git lfs install ; git clone https://www.modelscope.cn/BAAI/bge-m3.git
+```
+注意这里需要安装好`Git LFS`工具后才能下载完整的模型数据，附上git-lfs官网[下载地址](https://packagecloud.io/github/git-lfs)。
+
+
+### 实践
+在下面的示例中，我们使用`FlagEmbedding`中的bge-m3嵌入模型生成向量数据，并将其存储在openGauss DataVec向量数据库中。
+```python
+import psycopg2
+from psycopg2 import sql
+from typing import List
+import numpy as np
+from FlagEmbedding import BGEM3FlagModel
+
+def embedding(text):
+ model = BGEM3FlagModel(model_name_or_path = "BAAI/bge-m3")
+ sentence_vector_dict = model.encode(
+ text,
+ return_dense = True, # 设置返回dense embedding，默认打开
+ return_sparse = False, # 设置返回sparse embedding，默认关闭
+ return_colbert_vecs = False # 设置返回multi-vector(ColBERT)，默认关闭
+ )
+ return sentence_vector_dict.get("dense_vecs")
+
+def create_connection(dbname:str, user:str, password:str, host:str, port:int):
+ conn = psycopg2.connect(
+ dbname = dbname,
+ user = user,
+ password = password,
+ host = host,
+ port = port
+ )
+ cursor = conn.cursor()
+ return conn, cursor
+
+def create_table(conn, cursor, table_name:str, dim:int):
+ cursor.execute(
+ sql.SQL(
+ "CREATE TABLE IF NOT EXISTS public.{table_name} (id BIGINT PRIMARY KEY, embedding vector({dim}));"
+ ).format(table_name = sql.Identifier(table_name), dim = sql.Literal(dim))
+ )
+ conn.commit()
+
+def insert(conn, cursor, table_name:str, embeddings:List[List[float]], ids:List[int]):
+ data = list(zip(ids, embeddings))
+ cursor.executemany(
+ sql.SQL("INSERT INTO public.{table_name} (id, embedding) VALUES(%s, %s);")
+ .format(table_name = sql.Identifier(table_name)), data
+ )
+ conn.commit()
+ print("数据插入成功！")
+
+if __name__ == '__main__':
+ text = "openGauss 是一款开源数据库"
+ emb = embedding(text)
+ dimensions = len(emb)
+ print("text : {}, embedding dim : {}, embedding : {} ...".format(text, dimensions, emb[:10]))
+
+ conn, cursor = create_connection("testdb", "test_user", YourPassword, "localhost", 5432)
+ create_table(conn, cursor, "test_table1", dimensions)
+ insert(conn, cursor, "test_table1", [emb.tolist()], [0])
+```
+
+输出结果如下：
+```python
+text : openGauss 是一款开源数据库, embedding dim : 768, enbedding : [-0.05427849 -0.02701874 -0.05441538 0.0294214 -0.01936925 -0.00815862 0.01310737 -0.0480913 0.01261776 0.2954952] ...
+数据插入成功！
+```
+openGauss DataVec的具体使用可以参考[Python SDK对接向量数据库](integrationPython.md)
+
+## 案例二：ollama + openGauss DataVec
+### 环境准备
+- 加载模型
+
+ollama安装可以参考[openGauss-RAG实践](openGauss-RAG实践.md)
+```bash
+ollama pull bge-m3
+```
+- 检验
+
+```bash
+ollama list
+
+NAME ID SIZE MODIFIED
+bge-m3:latest 790764642607 1.2GB 18 minutes ago
+```
+
+### 实践
+在下面的示例中，我们使用`ollama`中的bge-m3嵌入模型生成向量数据，并将其存储在openGauss DataVec向量数据库中。
+```python
+import ollama
+import psycopg2
+from psycopg2 import sql
+from typing import List
+
+def embedding(text):
+ vector = ollama.embeddings(model="bge-m3", prompt=text)
+ return vector["embedding"]
+
+def create_connection(dbname:str, user:str, password:str, host:str, port:int):
+ conn = psycopg2.connect(
+ dbname = dbname,
+ user = user,
+ password = password,
+ host = host,
+ port = port
+ )
+ cursor = conn.cursor()
+ return conn, cursor
+
+def create_table(conn, cursor, table_name:str, dim:int):
+ cursor.execute(
+ sql.SQL(
+ "CREATE TABLE IF NOT EXISTS public.{table_name} (id BIGINT PRIMARY KEY, embedding vector({dim}));"
+ ).format(table_name = sql.Identifier(table_name), dim = sql.Literal(dim))
+ )
+ conn.commit()
+
+def insert(conn, cursor, table_name:str, embeddings:List[List[float]], ids:List[int]):
+ data = list(zip(ids, embeddings))
+ cursor.executemany(
+ sql.SQL("INSERT INTO public.{table_name} (id, embedding) VALUES(%s, %s);")
+ .format(table_name = sql.Identifier(table_name)), data
+ )
+ conn.commit()
+ print("数据插入成功！")
+
+if __name__ == '__main__':
+ text = "openGauss 是一款开源数据库"
+ emb = embedding(text)
+ dimensions = len(emb)
+ print("text : {}, embedding dim : {}, embedding : {} ...".format(text, dimensions, emb[:10]))
+
+ conn, cursor = create_connection("testdb", "test_user", YourPassword, "localhost", 5432)
+ create_table(conn, cursor, "test_table1", dimensions)
+ insert(conn, cursor, "test_table1", [emb], [0])
+```
+
+输出结果如下：
+```python
+
+text : openGauss 是一款开源数据库, embedding dim : 768, enbedding : [-0.5359194278717041, 1.3424185514450073, -3.524909734725952, -1.0017194747924805, -0.1950572431087494, 0.28160029649734497, -0.473337858915329, 0.08056074380874634, -0.22012852132320404, -0.9982725977897644] ...
+数据插入成功！
+```
+openGauss DataVec的具体使用可以参考[Python SDK对接向量数据库](integrationPython.md)
\ No newline at end of file
diff --git a/content/zh/docs/DataVec/embedding-nomic.md b/content/zh/docs/DataVec/embedding-nomic.md
new file mode 100644
index 0000000000000000000000000000000000000000..82551a15774803cad3ec841bfe7dfdfca8174c87
--- /dev/null
+++ b/content/zh/docs/DataVec/embedding-nomic.md
@@ -0,0 +1,110 @@
+# 使用nomic-embed-text和openGauss DataVec进行向量化搜索
+nomic-embed-text是一个专门用于文本转化为高维向量表示的高性能嵌入模型，本文将介绍如何通过nomic-embed-text和openGauss DataVec轻松实现从文本到向量的转化，并基于语义的相似性快速进行搜索操作。
+
+注：openGauss DataVec容器化部署详见[链接](../InstallationGuide/容器镜像安装.md)。
+## 环境准备
+- 加载模型
+
+ollama安装可以参考[openGauss-RAG实践](openGauss-RAG实践.md)
+```bash
+ollama pull nomic-embed-text
+```
+- 检验
+
+```bash
+ollama list
+
+NAME ID SIZE MODIFIED
+nomic-embed-text:latest 0a109f422b47 274MB 18 minutes ago
+```
+
+## 实践
+在下面的示例中，我们使用ollama中的nomic-embed-text嵌入模型生成向量数据，并将其存储在openGauss DataVec向量数据库中。
+```python
+import ollama
+import psycopg2
+from psycopg2 import sql
+from typing import List
+
+def embedding(text):
+ vector = ollama.embeddings(model="nomic-embed-text", prompt=text)
+ return vector["embedding"]
+
+def create_connection(dbname:str, user:str, password:str, host:str, port:int):
+ conn = psycopg2.connect(
+ dbname = dbname,
+ user = user,
+ password = password,
+ host = host,
+ port = port
+ )
+ cursor = conn.cursor()
+ return conn, cursor
+
+def create_table(conn, cursor, table_name:str, dim:int):
+ cursor.execute(
+ sql.SQL(
+ "CREATE TABLE IF NOT EXISTS public.{table_name} (id BIGINT PRIMARY KEY, content text, embedding vector({dim}));"
+ ).format(table_name = sql.Identifier(table_name), dim = sql.Literal(dim))
+ )
+ conn.commit()
+
+def insert(conn, cursor, table_name:str, embeddings:List[List[float]], ids:List[int], contents:List[str]):
+ data = list(zip(ids, embeddings, contents))
+ cursor.executemany(
+ sql.SQL("INSERT INTO public.{table_name} (id, embedding, content) VALUES(%s, %s, %s);")
+ .format(table_name = sql.Identifier(table_name)), data
+ )
+ conn.commit()
+ print("数据插入成功！")
+
+
+texts = ["openGauss 是一款开源数据库", "DataVec是一个基于openGauss的向量数据库"]
+embs = [embedding(t) for t in texts] # 生成底库向量数据
+dimensions = len(embs[0])
+ids = [i for i in range(len(embs))]
+print("text : {}, embedding dim : {}, embedding : {} ...".format(text[0], dimensions, embs[:10]))
+
+# 插入数据
+conn, cursor = create_connection("testdb", "test_user", YourPassword, "localhost", 5432)
+create_table(conn, cursor, "test_table1", dimensions)
+insert(conn, cursor, "test_table1", embs, ids, texts)
+```
+
+输出结果如下：
+```python
+text : openGauss 是一款开源数据库, embedding dim : 768, embedding : [-0.5359194278717041, 1.3424185514450073, -3.524909734725952, -1.0017194747924805, -0.1950572431087494, 0.28160029649734497, -0.473337858915329, 0.08056074380874634, -0.22012852132320404, -0.9982725977897644] ...
+数据插入成功！
+```
+
+准备好数据后，我们就可以输入查询文本在向量数据库中进行近似查询。
+
+```python
+def select(conn, cursor, table_name:str, queries:List[List[float]], topk:int):
+ ids = []
+ contents = []
+ for emb in queries:
+ cursor.execute(
+ sql.SQL(
+ "SELECT * FROM public.{table_name} ORDER BY embedding <-> %s::vector LIMIT %s::int;"
+ ).format(table_name = sql.Identifier(table_name)), (emb, topk)
+ )
+ conn.commit()
+ result = cursor.fetchall()
+ ids.append([int(i[0]) for i in result])
+ contents.append([i[1] for i in result])
+ return ids, contents
+
+# 生成请求向量数据
+query = "openGauss数据库是什么"
+q_emb = embedding(query)
+
+# 近似查询
+ids, contents = select(conn, cursor, "test_table1", [q_emb], 1)
+print(f"id : {ids[0]}, contents: {contents[0]}")
+```
+输出结果如下：
+```python
+id: [0], contents: ['openGauss 是一款开源数据库']
+```
+openGauss DataVec的具体使用可以参考[Python SDK对接向量数据库](integrationPython.md)
\ No newline at end of file
diff --git "a/content/zh/docs/InstallationGuide/\345\256\271\345\231\250\351\225\234\345\203\217\345\256\211\350\243\205.md" "b/content/zh/docs/InstallationGuide/\345\256\271\345\231\250\351\225\234\345\203\217\345\256\211\350\243\205.md"
index fbc453c1eb14cc71c875d6051c4049d3f1500f54..b78436bcbc02519fb0fdf2a19a540ff135c0bdcc 100644
--- "a/content/zh/docs/InstallationGuide/\345\256\271\345\231\250\351\225\234\345\203\217\345\256\211\350\243\205.md"
+++ "b/content/zh/docs/InstallationGuide/\345\256\271\345\231\250\351\225\234\345\203\217\345\256\211\350\243\205.md"
@@ -1,8 +1,8 @@
-# 向量数据库容器镜像安装
-本章节主要介绍如何获取openGauss DataVec向量数据库镜像，并通过Docker安装DataVec，以便用户能快速开启数据库之旅。
+# 容器镜像安装
+本章节主要介绍如何获取openGauss数据库镜像，并通过Docker安装，以便用户能快速开启数据库之旅。
## 1. 获取镜像
-openGauss向量数据库镜像主要有两种获取方式，分别可以通过`docker pull`和`docker load`拉取对应镜像，下面将详细介绍这两种获取路径。
+openGauss镜像主要有两种获取方式，分别可以通过`docker pull`和`docker load`拉取对应镜像，下面将详细介绍这两种获取路径。
### 拉取dockerhub镜像
openGauss 镜像支持x86-64、ARM64架构和openEuler 20.03 LTS操作系统版本，拉取镜像时无需指定架构和版本。
@@ -36,7 +36,6 @@ opengauss latest 9aa832ba6684 2 hours ago 1
> **说明：**
>
> 以上镜像包会周期性更新，可以根据自身需求修改路径获取最新镜像包。
-> 镜像支持的操作系统暂时仅限于`openEuler 20.03`
## 2. 运行容器