索引算法

PistaDB 提供 8 种可互换的索引算法。每个数据库只能激活一种索引;请根据规模、召回率目标和内存预算挑选。

索引	算法	适用场景
LINEAR	暴力精确扫描	基准测试、小规模嵌入集
HNSW	分层可导航小世界图	RAG 首选 —— 速度与召回率最佳平衡
IVF	倒排文件索引(k-means 聚类)	有训练预算的大型知识库
IVF_PQ	IVF + 乘积量化	内存受限的部署环境
DISKANN	Vamana 图(DiskANN)	十亿级向量集合
LSH	局部敏感哈希	极低内存占用场景
SCANN	各向异性向量量化(Google ScaNN)	MIPS / 余弦场景下的极致召回率
SQ	标量量化(uint8)	4 倍内存与存储压缩,无需训练

如何选择

        ┌─ 小于 1 万向量?     ─────────────→ LINEAR(精确,零配置)
        │
        ├─ 文本场景追求速度/召回率? ───→ HNSW
        │
嵌入集合
        │
        ├─ 内存受限?            ─────────→ IVF_PQ 或 SQ
        │
        └─ 接近十亿级?          ─────────→ DISKANN

• HNSW 是 RAG 场景的默认推荐。根据召回率目标调整 hnsw_M、hnsw_ef_construction、hnsw_ef_search(见示例)。
• IVF / IVF_PQ / SCANN 需要训练。先在有代表性的样本上调用 db.train()。
• SQ 是最简单的内存优化:4× 压缩,召回率几乎无损,且无需训练步骤。

距离度量

所有索引都支持全部 5 种距离度量。文本嵌入(OpenAI、Cohere、BGE、GTE)用 COSINE;预归一化嵌入用 IP,在数学上等价但更快。

完整参考

包括 HNSW 调参、IVF 训练、SQ 内存压缩、ScaNN 两阶段搜索在内的完整示例,见仓库中的 docs/examples.md。