选索引就是选一种取舍：要快、要准、要省，最多同时满足两个。
三类主流索引在取舍什么
HNSW（图索引）
· 特点：把向量连成多层邻居图，检索时沿图跳转；
· 优点：召回率高、延迟低，最省心；
· 代价：内存占用大（图结构本身要常驻内存），构建慢，删除/更新代价高。
IVF（倒排 + 聚类）
· 特点：先用聚类把向量分桶，检索时只扫最相近的几个桶；
· 优点：内存友好、可按桶并行，数据量大时成本可控；
· 代价：桶边界附近的向量容易被漏掉 → 需要调 nprobe（扫几个桶），召回率与延迟直接对冲。
量化索引（PQ / SQ / 二值）
· 特点：把向量压缩成更短的编码（乘积量化/标量量化）；
· 优点：内存能降一个数量级，适合千万级以上；
· 代价：距离是近似的，通常要配合「先粗筛再精排」两段式，否则精度损失明显。
按数据规模的判断顺序
1. 十万以内：直接用 HNSW（或数据库默认索引），别过早优化；
2. 百万级：HNSW + 标量量化（SQ）通常是性价比最高的组合；
3. 千万级以上或内存受限：IVF-PQ 或磁盘型索引，并接受「粗筛 + 精排」的两段式结构；
4. 更新非常频繁：优先选支持增量更新的方案，不要为了召回率选一个「重建一次要几小时」的索引。
三个容易踩的坑
· 先过滤再检索：带业务条件（时间、租户、类目）的查询，如果先过滤再向量检索，过滤后的集合可能很小，图索引会退化成近似全扫；正确做法通常是「向量检索取较多候选 → 再按条件过滤 → 精排」；
· 只看平均延迟：要看 P95/P99。图索引的尾延迟受入口点选择影响，均值好看不代表用户不卡；
· 用错相似度：索引是按某种距离构建的（内积或余弦），查询时换成另一种距离，结果会明显变差。建索引与查询必须同一种度量。
怎么验证选型是否合适
准备一份带标注的「查询 → 正确文档」集合（几百条即可），比较三个指标：召回率@K（该出现的有没有出现）、P95 延迟、内存占用。三者与你业务的优先级对齐后，再决定要不要上更复杂的索引——先有度量，再谈调参。
本文由云枢 AI导航整理，内容以官方来源为准。
相关文章
顺序阅读
← 上一篇：模型为什么会「编」：三类幻觉成因与可落地的抑制手段
下一篇：提示词注入是怎么回事：把用户输入当「数据」而不是「指令」 →
第 5 / 171 篇