向量数据库（Faiss、Milvus、Chroma）的索引机制

向量数据库的索引机制，是用于快速检索相似向量的核心技术，本质是通过对向量进行组织、排
序，减少检索时的计算量，提升检索速度；HNSW、IVF_FLAT、IVF_PQ是三种主流索引，Faiss、Milvus、
Chroma均支持这三种索引，但适配场景不同；高并发、大数据量（百万级以上）RAG场景，核心需求是
“检索速度快（响应时间＜500ms）、准确率高（召回率＞85%）”，需结合索引特性设计策略。

一、为什么很重要

百万级以上文档对应的向量数量庞大（百万级甚至千万级），若采用无索引或不合适的索引，检
索时需遍历所有向量，计算量极大，导致检索延迟过高（＞1s），无法满足高并发需求；若仅追求速度，
选用精度较低的索引，会导致检索召回率下降，影响RAG生成效果。因此，需明确三种索引的差异，结合
场景设计策略，平衡速度和准确率。

二、三种索引机制的核心差异

IVF_FLAT：

• 将向量聚类为多个簇，检索时先匹配簇，再在簇内暴力检索
• 中小规模数据（＜100万向量）、对准确率要求极高的场景

IVF_PQ：

• 在IVF基础上，对向量进行量化（将高维向量转换为低维编码），减少计算量
• 大规模数据（＞100万向量）、对速度要求高、可接受轻微精度损失的场景

HNSW：

• 构建多层图结构，向量作为节点，通过层间跳转快速定位相似向量
• 大规模数据（＞100万向量）、对速度和准确率均有高要求的场景

三、向量数据库的选择

向量数据库选型：优先选Milvus（分布式部署能力强，支持动态扩容），其次选Faiss（单机性能
优，适合高并发单机部署），Chroma适合中小规模场景，不推荐用于百万级以上数据；

索引选型：

采用“IVF_PQ+HNSW混合索引”，核心逻辑是“IVF_PQ做粗检索，HNSW做细检索”：

• 粗检索：用IVF_PQ将百万级向量聚类为多个簇，快速筛选出与查询向量相似的簇（减少检索范围），提升检索速度；
• 细检索：在筛选出的簇内，用HNSW做精准检索，弥补IVF_PQ的精度损失，确保检索准确率；

索引参数优化：

IVF_PQ：簇数量设置为“向量数量的平方根”（如100万向量，簇数量设为1000），量化维度设置为64-128维，平衡精度和速度；
HNSW：层数设置为10-15层，邻居数量设置为32-64，确保检索速度和精度；

1. 混合索引的参数需根据实际数据量调整，簇数量过多会降低粗检索速度，过少会降低精度；

2. 向量降维时需注意保留核心语义特征，避免降维导致精度大幅下降；

3. 分布式部署时，需保证各节点的向量一致性，避免检索时出现数据缺失；

4. 定期对索引进行优化（如重建索引），避免数据增量更新后，索引效率下降。