调优向量索引（HNSW/量化）以降低延迟…

适用于生产环境向量检索中调优 HNSW 参数、选择量化策略、优化内存/延迟/召回以及扩展到亿级向量的场景。

适用场景

解决思路

1. 按数据规模选择索引类型：< 10K vectors 用 Flat（精确搜索）；10K - 1M 用 HNSW；1M - 100M 用 HNSW + Quantization；> 100M 用 IVF + PQ 或 DiskANN。
2. 调整 HNSW 的 M 参数：默认 16；增大 M 可提升召回，但会增加内存。
3. 调整 HNSW 的 efConstruction 参数：默认 100；增大 efConstruction 可提升索引质量，但会拖慢构建。
4. 调整 HNSW 的 efSearch 参数：默认 50；增大 efSearch 可提升召回，但会拖慢搜索。
5. 选择量化类型以控制内存：Full Precision (FP32) 为 4 bytes × dimensions。
6. 选择量化类型以控制内存：Half Precision (FP16) 为 2 bytes × dimensions。
7. 选择量化类型以控制内存：INT8 Scalar 为 1 byte × dimensions。
8. 选择量化类型以控制内存：Product Quantization 约为 32-64 bytes total。
9. 选择量化类型以控制内存：Binary 为 dimensions/8 bytes。
10. 需要具体模板和详细示例时，阅读 references/details.md 中的完整模板库和 worked examples。
11. Do：用真实查询做基准测试；合成查询可能无法代表生产流量。
12. Do：持续监控 recall；数据漂移可能导致召回下降。
13. Do：从默认值开始，仅在需要时调参。
14. Do：使用量化；可显著节省内存。
15. Do：考虑分层存储；冷热数据分离。
16. Don't：不要过早过度优化；先 profiling。
17. Don't：不要忽略构建时间；索引更新有成本。
18. Don't：不要忘记重建索引；把维护纳入计划。
19. Don't：不要跳过预热；冷索引会很慢。

适用边界 · 注意事项

• 未做 profiling 或没有真实查询基准时，不要开始调参/量化优化。
• 数据量小于 10K 且无性能/内存压力时，直接用 Flat 精确搜索即可，不必上 HNSW/量化调优。
• 无法接受索引构建、更新、重建和预热维护成本的场景，不适合做深度向量索引调优。