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：

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 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。