FLAT vsIVF ：反向檔案索引的運作原理
相同資料、相同查詢——但採用不同的搜尋策略。拖曳查詢點、調整 nprobe，然後按下「執行搜尋」以觀察「IVF 」如何跳過大部分資料。
FLAT — 暴力搜尋
掃描每個點IVF — 倒排索引
搜尋nprobe 聚類發生了什麼事？
- 建構階段（已完成）：K-means 將200 個點劃分為8 個聚類。每個聚類都有一個聚類中心（即 × 標記）。
- 步驟 1 — 評估聚類中心： IVF 首先計算查詢向量與每個聚類中心的距離。這僅需8 次比較，無論資料集大小為何。
- 步驟 2 — 選取最接近的「
nprobe」聚類：這些聚類會亮起。其餘所有聚類將完全跳過。 - 步驟 3 — 掃描選定聚類內的點：僅約50 個點，佔總點數200 。
權衡：nprobe → 掃描更多聚類 → 召回率更高但速度較慢。較小 nprobe → 速度較快，但可能會遺漏位於未掃描聚類中的真實鄰居。試著將 nprobe = 1 並將查詢拖曳至叢集邊界附近，觀察召回率如何下降。
何謂「IVF 」索引？
IVF (倒排檔)是一種基於聚類的近似最近鄰索引。在建置階段，k-means 會將所有向量劃分為 nlist 簇，每個簇由其聚類中心代表。在查詢時，搜尋會先將查詢向量僅與聚類中心進行比對，挑選最接近的 nprobe 聚類，並僅掃描其中所含的向量——跳過其餘所有內容。
Milvus 提供數種IVF 變體，這些變體以記憶體為代價來換取精確度： IVF_FLAT 儲存原始向量（最精確）， IVF_SQ8 將每個維度壓縮為一個位元組（記憶體用量減少約 4 倍，回憶率略有犧牲），以及 IVF_PQ 應用乘積量化以實現更高的壓縮率，但會付出更大的召回率代價。
調校nlist 以及nprobe
nlist(建構時間)：k-means 聚類的數量。常見的起始值為 N 個向量時設定為4 × sqrt(N)。聚類數量越多，每個聚類的規模就越小——掃描速度雖會加快，但質心掃描的計算成本會增加，且邊界效應也會隨之增強。nprobe(查詢時間)：每次查詢需掃描的叢集數量。這是控制召回率與延遲的主要參數——正是上方滑桿所控制的內容。建議從nlist / 16開始，並逐步增加，直到召回率達到您的目標為止。- 變體選擇：從IVF_FLAT 開始。當記憶體不足時，切換至IVF_SQ8 ；僅當資料集過大以致無法使用SQ8 時，才切換至IVF_PQ —— 並在每次降階後，使用您自己的資料驗證召回率。
IVF vsHNSW vsDiskANN
IVF 建置速度快、在向量之外的記憶體開銷小，且易於理解——但在相同的召回率目標下，HNSW 通常能在記憶體中更快地回應查詢。當您經常重建索引（建置速度至關重要）、記憶體受限（IVF_SQ8/IVF_PQ ），或希望獲得可預測且可調校的掃描行為時，請選擇IVF 。 若要獲得最低的記憶體內查詢延遲，請選擇HNSW ；當向量完全無法容納於RAM 時，則請選擇DiskANN 。
常見問題
IVF_FLAT 、IVF_SQ8 和IVF_PQ 之間有何區別？
這三者皆以相同方式對向量進行聚類；其差異在於向量在聚類內的儲存方式。「IVF_FLAT 」保留原始浮點向量（回溯率最佳）。「IVF_SQ8 」將每個維度量化為 8 位元，在回溯率略有損失的情況下，將記憶體使用量減少約 4 倍。「IVF_PQ 」則以短的乘積量化碼取代向量，以達到最高壓縮率，但回溯率損失最大。
我該如何選擇nlist 和nprobe ？
一個常見的經驗法則為：當向量數為 N 時，nlist = 4 × sqrt(N)，接著在查詢時調整nprobe 。較大的nprobe 會掃描更多聚類：召回率越高，延遲也越高。建議從nlist/16 開始，並逐步增加，直到保留查詢集的召回率達到您的目標為止。
為何「IVF 」會遺漏某些真正的最近鄰？
這是由於叢集邊界所致。若查詢點位於叢集邊緣附近，其部分真實鄰居可能位於相鄰的叢集中，而該叢集並未包含在掃描的nprobe 叢集之中。您可在視覺化中拖曳查詢點至邊界附近（nprobe =1），即可觀察到此現象。
我應該使用IVF 還是HNSW ？
在相同召回率下，HNSW 通常在記憶體內搜尋時速度較快，但會佔用更多記憶體且建構速度較慢。IVF 建構速度快，且在記憶體不足時能與量化技術（SQ8/PQ ）良好搭配。對於完全超出RAM 限制的資料集，請改考慮使用DiskANN 。
深入了解：請參閱IVF_FLAT 文件以了解索引參數，或參閱《索引詳解》以獲取完整的決策指南。