向量数据库高频术语解析：从索引到距离计算

向量数据库正成为AI应用的关键基础设施，但其中术语繁多。本文带你厘清几个高频名词，理解它们在实际中扮演的角色。

索引方法：让搜索变快的关键

向量数据库的核心能力是快速找到与查询向量最相似的向量。这背后依赖索引方法，这类方法通过特殊数据结构减少搜索范围，避免线性扫描全库。常见的索引方法有：

• IVF (倒排文件)：将向量空间划分为多个簇（如通过K-means），搜索时只查找与查询最相关的几个簇，大幅降低计算量。适合数据量较大、容忍一定精度损失的场景。到2026年，IVF在百万级向量场景中仍是主流选择之一。

• HNSW (分层可导航小世界)：构建多层图结构，上层为长距离连接，下层为精细连接，搜索时从顶层快速逼近，再在下层精搜。精度高、速度极快，但内存占用偏高。常用于对实时性要求高的推荐系统。

• Product Quantization (乘积量化)：将向量拆分成子段，对每段做量化编码，压缩存储空间并加速距离计算。适合内存受限、需存储十亿级向量的场景。其变体如OPQ、AQ在实际中有广泛使用。

选择索引方法需要权衡速度、精度和内存。例如，HNSW适合业务增长快、需要低延时的场合；IVF + PQ的组合则常用于大规模离线检索。理解这些术语，有助于在评估数据库性能时抓住关键参数。

距离度量：定义“相似”的标准

向量之间的相似程度需要数学定义，常用的度量决定了搜索结果的性质。常见的有：

• 欧氏距离：向量在空间中的直线距离，值越小越相似。适用于特征本身有明确物理意义（如图像像素值）的场景。

• 余弦相似度：计算两个向量的夹角余弦，忽略向量的长度，专注方向。在文本、语义嵌入中非常普遍，因为词向量的模长往往不反映语义差异。

• 内积：两个向量各分量乘积之和，在推荐系统中常用，因为它结合了方向和长度信息，适合处理交互数据（如用户点击行为）。

实际应用中，同一种索引方法可支持多种距离度量，但效率差异明显。例如，某些索引对余弦相似度优化更好。2026年，同一场景中更换距离度量可能导致搜索结果排序变化，因此选择时需结合业务目标——是追求语义一致性还是数值准确性。

召回率与精确度：评估搜索质量

在近似最近邻搜索（ANN）中，不确保返回绝对最近的点，而是以速度换精度。此时用以下术语衡量：

• 召回率：返回结果中真实最近邻数量占全部真实最近邻的比例。例如，设置“前10个结果”，其中包含8个真正最近邻，召回率为80%。通常希望召回率超过90%以保障可用性。

• 精确度：返回结果中真正是最近邻的比例。与召回率互为取舍，调整搜索参数（如HNSW的efConstruction）可平衡二者。许多数据库提供可调节参数，让用户按场景选择：高召回率适合精确匹配如人脸比对，高精确度适合粗筛后还需二次处理的场景。

• QPS (每秒查询次数)：体现搜索吞吐量，与硬件配置、索引类型、向量维度强相关。同等召回率下QPS越高，系统越经济。

• 内存占用：索引在内存中的空间成本，如HNSW的图结构通常比IVF-PQ占用更多内存。分布式部署时还需要考虑网络开销。

实际选型中，常通过测试集模拟业务流量，记录不同参数组合下的召回率与QPS曲线上点，再根据预算选择较优解。理解这些术语，有助于在技术选型时与供应商有效沟通，避免仅凭名称判断性能。

常见问题