index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
本文深入探讨了在Milvus向量检索系统中进行索引选型的关键要素。文章首先解释了索引的作用和影响，强调了在选择索引时需要综合考虑数据结构、内存占用、性能需求等因素。随后，详细介绍了IVF、HNSW、DiskANN等常用索引的特点，并提供了量化与精化技术的选择建议。文章还给出了根据数据量、内存限制、召回率等因素进行索引选择的实用指南，并通过性能评估和内存估算，帮助读者理解不同索引的适用场景。最后，文章总结了选型逻辑，并推荐了使用Milvus的AUTO INDEX功能，以简化索引选择过程。
💡 索引是加快查找速度的数据结构，在向量检索中能显著提升查询效率，但会带来预处理时间、存储空间和内存消耗。
📊 选型需综合考虑数据结构、内存占用和性能需求。Milvus提供多种索引类型，包括IVF、HNSW和DiskANN，分别适用于不同场景。
⚙️ 量化器（如SQ8、PQ）用于减少内存与计算开销，精化器用于提高召回率。性能评估应平衡建索时间、QPS与召回率。
💾 索引选择受数据量与可用内存影响。DiskANN适合超大数据集，mmap可减少I/O开销。召回率与过滤比例密切相关。
📈 性能评估时，小topK（如2000及以下）+高召回：图索引更优；大topK：IVF 优于图索引；中等topK + 高过滤：IVF 表现更佳。
原创 和你一起进步的 2025-06-18 18:09 上海
索引选不对，成本贵十倍！一文读懂向量索引选型
在使用 Milvus 构建向量检索系统的过程中，很多开发者常常会在“该选哪种索引”这一步卡壳。是要精度优先的 FLAT，还是速度更快的 IVF_PQ？是适合实时检索的 HNSW，还是适合离线大规模数据的 DiskANN？不同索引适配的场景差异很大，选错了不仅影响性能，还可能造成资源浪费。那么该如何对其进行选择呢？本篇文章，带你十分钟读懂不同条件下的索引选型逻辑。在思考如何挑选索引之前，我们需要知道什么是索引。索引的本质是基于数据的规律，所构建的一种用于加快查找速度的数据结构。在向量检索中，索引能显著提升查询效率，但也会带来一定的预处理时间开销、额外的存储空间占用，以及在搜索过程中更高的内存消耗。此外，使用索引相对于暴搜而言，通常召回率会出现一定的下降，虽然影响有限，但在对精度有要求的场景中仍需关注。在 Milvus 中，索引是以字段为单位进行构建的，不同数据类型支持的索引类型也不同。作为一款面向向量检索场景设计的专业数据库，Milvus 在向量搜索与标量过滤两个方面均提供了丰富的索引选项，以提升整体检索性能。下表展示了字段类型与可用索引类型的对应关系：Field Data TypeApplicable Index TypesFLOAT_VECTORFLOAT16_VECTORBFLOAT16_VECTORINT8_VECTORFLATIVF_FLATIVF_SQ8IVF_PQGPU_IVF_FLATGPU_IVF_PQHNSWDISKANNIVF_RABITQBINARY_VECTORBIN_FLATBIN_IVF_FLATSPARSE_FLOAT_VECTORSPARSE_INVERTED_INDEXVARCHARINVERTED (Reommended)BITMAPTrieBOOLBITMAP (Recommended)INVERTEDINT8INT16INT32INT64INVERTEDSTL_SORTFLOATDOUBLEINVERTEDARRAY <sup>(elements of the BOOL, INT8/16/32/64, and VARCHAR types)</sup>BITMAP (Recommended)ARRAY <sup>(elements of the BOOL, INT8/16/32/64, FLOAT, DOUBLE, and VARCHAR types)</sup>INVERTEDJSONINVERTED首先，我们必须明白一个前提，做索引选型时，我们必须综合考虑底层数据结构、内存占用和性能需求等因素。如图所示，Milvus 中的每种索引类型都由三部分组成：数据结构（用于粗过滤）、量化器（用于提升计算效率）和精化器（用于提升结果精度）。其中，量化器和精化器虽然是可选项，但整体性价比较高。
接下来，我们会对这三部分做出依次解读：数据结构
数据结构是索引的基础层，常见结构包括：（1）倒排文件（IVF）IVF 系列索引通过质心聚类将向量划分为多个桶。若某桶的质心与查询向量接近，可合理假设该桶内的向量也可能接近查询向量。基于此前提，Milvus 仅扫描质心接近查询向量的桶内向量，而非整个数据集，从而在保持可接受精度的同时，降低计算成本。适合需要高吞吐量的大规模数据集。（2）图结构（Graph-based）例如 HNSW（Hierarchical Navigable Small World），构建了多层图结构，每个向量与其近邻相连。查询过程从上层粗粒度图开始逐层向下，最终定位最邻近向量，实现对数级搜索复杂度。适合高维空间和低延迟场景。量化（Quantization）
量化通过对向量进行粗略表示来减少内存与计算开销：标量量化（如 SQ8）：将每个维度压缩为一个字节（8 位），相比 32 位浮点数可节省 75% 内存，同时保留合理准确性。乘积量化（PQ）：将向量分成子向量，用码本进行聚类编码，实现 4–32 倍压缩比，适合内存受限场景，代价是召回率略有下降。精化器（Refiner）
由于量化会导致信息损失，为保持召回率，量化通常会多返回候选结果，供精化器以更高精度重新筛选出 topK。例如，FP32 精化器会使用 32 位浮点数重新计算距离，以替代使用量化向量计算出来的距离。这种机制对语义搜索、推荐系统等要求高精度的场景至关重要。性能
评估索引性能时，应平衡建索时间、QPS 与召回率，通常遵循以下规律：图索引在 QPS 表现上通常优于 IVF；IVF 更适用于 topK 较大的场景（如 > 2000）；PQ 在相似压缩率下召回率优于 SQ，但 SQ 性能更快；将索引部分内容存储于硬盘（如 DiskANN）适合超大数据集，但可能出现 IOPS 瓶颈。容量
容量涉及数据量与可用内存的关系，建议如下：若原始数据的 1/4 可放入内存，使用 DiskANN 可获得稳定延迟；若全部数据可放入内存，可使用基于内存的索引 + mmap；若需最大容量，可结合量化索引与 mmap，牺牲部分精度换取容量。注意：mmap 并非万能，若大部分数据在磁盘，DiskANN 延迟表现更优。
召回率
召回率与过滤比例密切相关：过滤比例 < 85%：图索引优于 IVF；过滤比例 85%–95%：使用 IVF；过滤比例 > 98%：使用 Brute-Force（FLAT）最准确。提示：以上为经验规律，实际推荐测试不同索引类型以调优召回率。
性能（按 top-K）
top-K 指每次查询返回的结果数量：小 topK（如 2000及以下）+ 高召回：图索引更优；大 topK：IVF 优于图索引；中等 topK + 高过滤：IVF 表现更佳。内存占用估算
注：本节包含大量技术细节，若无相关需求可跳过。
索引的内存占用与其数据结构、量化压缩率及是否使用精化器有关。一般来说：图索引（如 HNSW）内存开销较大，每个向量需存图结构；IVF 系列因簇内向量较少，内存效率更高；DiskANN 可将图结构与精化器部分移至磁盘，减少内存压力。IVF 内存估算（100 万条 128 维向量）：质心：2000 × 128 × 4 字节 = 1 MB向量分簇：100 万 × 2 字节 = 2 MB量化压缩（任选其一）：PQ（8 子量化器）：8 MBSQ8（128 维 × 1 字节）：128 MB![]()
精化开销（topK=10，扩展率=5）：50 × 128 × 4 = 25.6 KB图索引内存估算（HNSW）图结构：100 万 × 32 × 4 字节 = 128 MB原始向量：100 万 × 128 × 4 字节 = 512 MB总计：640 MB使用 PQ 压缩：100 万 × 8 字节 = 8 MB总计：128 MB + 8 MB = 136 MB精化开销：同上为 25.6 KB其他注意事项
IVF 与图索引适合结合量化器优化内存；mmap 与 DiskANN 可应对数据量超出内存场景。其中，DiskANN是基于 Vamana 图结构，通过 PQ 压缩向量，在硬盘上建立可导航索引，适用于十亿级数据集。mmap（内存映射）则支持将磁盘文件映射到内存空间，无需完全加载字段数据即可访问，有效减少 I/O 开销，提升系统容量并保持良好搜索性能。最后，如果上文读完还是记不住，以下两张表存起来，帮你立刻搞懂索引选型逻辑！要是还是没学会，欢迎使用zilliz cloud，用AUTO INDEX功能让AI智能帮你选择最合适的索引。 
推荐阅读低内存、高召回， DiskANN才是低成本实现十亿级向量搜索更优解
Milvus week | 官宣：Milvus2.6发布MinHash LSH ，低成本去重百亿文档，加速大模型训练
Milvus Week | 向量搜索遇上过滤筛选，如何选择最优索引组合？
最新|Milvus_local_RAG，笔记本也能跑的本地知识库&RAG来了
阅读原文
跳转微信打开
