向量索引选型若未正确选择，性能损失可能高达十倍。随着数据规模增大，索引类型的选择直接决定查询效率与资源开销。究竟该如何挑选？下面用十分钟梳理不同场景下的选型策略。

在使用Milvus构建向量检索系统的过程中，许多开发者经常在“该选哪种索引”这一步陷入困境。是以精度优先的FLAT，还是速度更快的IVF_PQ？是适合实时检索的HNSW，还是面向离线大规模数据的DiskANN？不同索引适配的场景差异显著，选错不仅影响性能，还可能导致资源浪费。

在思考如何选择索引之前，需要先理解一个基础问题：索引的本质是什么？简单来说，就是基于数据规律，构建一种用于加速查找的数据结构。

在向量检索中，索引能显著提升查询效率，但也会带来预处理时间开销、额外存储空间占用，以及搜索过程中的内存消耗。此外，使用索引相比于暴力搜索，召回率通常会出现一定下降，虽然影响有限，但在对精度要求较高的场景中仍需关注。

在Milvus中，索引以字段为单位构建，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方面都提供了丰富的索引选项。

下表展示了字段类型与可用索引类型的对应关系：

进行索引选型时，必须综合考虑底层数据结构、内存占用和性能需求等因素。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）。量化器和精化器虽为可选项，但整体性价比很高。

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，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。该方案适合需要高吞吐量的大规模数据集。

（2）图结构（Graph-based）

例如HNSW，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。该结构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

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 MB
  SQ8（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。

如果上文读完还是记不住，下面这张表可以直接保存下来，对照着选就行。