索引

索引是构建支持高效搜索的数据结构的过程。pgvecto.rs 支持三种索引算法：暴力搜索（flat）、IVF 和 HNSW。默认算法为 HNSW。

要为向量构建索引，首先创建一张名为 items 的表，其中包含类型为 vector(n) 的 embedding 列，然后向表中填充生成的数据。

CREATE TABLE items (embedding vector(3));
INSERT INTO items (embedding) SELECT ARRAY[random(), random(), random()]::real[] FROM generate_series(1, 1000);

您可以使用以下 SQL 为平方欧氏距离创建向量索引：

CREATE INDEX ON items USING vectors (embedding vector_l2_ops);

vector_l2_ops 操作符类用于计算平方欧氏距离。有关操作符类的完整列表，请参阅参考文档。

若要将索引算法从默认的 HNSW 切换为 IVF，请执行以下 SQL 命令。更多使用示例请参阅下文的示例。

CREATE INDEX ON items USING vectors (embedding vector_l2_ops)
WITH (options = $$
[indexing.ivf]
$$);

现在您可以使用以下 SQL 执行 KNN 搜索，利用向量索引加速查询：

SELECT * FROM items ORDER BY embedding <-> '[3,2,1]' LIMIT 5;

示例

以下是使用不同算法和参数创建索引的示例。有关所有可配置项的完整列表，请参阅索引选项参考指南。

-- HNSW 算法，默认配置。

CREATE INDEX ON items USING vectors (embedding vector_l2_ops);

-- 使用 FP16 向量类型优化数据存储。

CREATE TABLE items (embedding vecf16(3));
CREATE INDEX ON items USING vectors (embedding vecf16_l2_ops)

--- 或者使用结合乘积量化（PQ）的暴力搜索（flat）。

CREATE INDEX ON items USING vectors (embedding vector_l2_ops)
WITH (options = $$
[indexing.flat]
quantization.product.ratio = "x16"
$$);

-- 或者使用结合标量量化（SQ）的索引。
CREATE INDEX ON items USING vectors (embedding vector_l2_ops)
WITH (options = "[indexing.hnsw.quantization.scalar]");

--- 或者使用 IVFPQ 算法。

CREATE INDEX ON items USING vectors (embedding vector_l2_ops)
WITH (options = $$
[indexing.ivf]
quantization.product.ratio = "x16"
$$);

-- 使用更多线程在后台构建索引。

CREATE INDEX ON items USING vectors (embedding vector_l2_ops)
WITH (options = $$
optimizing.optimizing_threads = 16
$$);

-- 倾向于使用更小的 HNSW 图分段。

CREATE INDEX ON items USING vectors (embedding vector_l2_ops)
WITH (options = $$
segment.max_growing_segment_size = 200000
$$);

选择建议

选择合适的索引算法与参数对向量搜索性能至关重要。以下是针对不同使用场景的建议。

暴力搜索（flat）

如果您搜索的数据量较小（1,000 到 10,000 条之间）或需要完全精确的结果，暴力搜索（flat）算法是一个可行的选择。

该算法是衡量其他索引方法的基准。它以原始形式保留向量而不做压缩，避免了额外的索引开销。虽然简单直观、易于使用，但它不适合处理大规模数据集。

此外，您还可以使用量化来减少内存占用。有关所有选项的完整列表，请参阅量化选项文档。关于量化的详细介绍也可以在量化指南中找到。

倒排文件索引（IVF）

IVF 主要利用倒排索引的思想，将向量 (id, vector) 存储在各自的聚类中心下。查询向量时，它会先找到最近的若干个聚类中心，然后分别搜索这些中心下的向量。

在开始搜索之前，需要先通过 K-Means 聚类训练 nlist 个聚类中心，并可选择设置采样点数 nsample。较高的值能生成更精确的聚类结果，但需要更长的训练时间。有关更多设置，请参阅参考指南。

分层可导航小世界图（HNSW）

HNSW 将跳表（Skip List）与可导航小世界（NSW）图的思想相结合，采用多层图结构：在较高层使用较长的边以实现快速跳转搜索，在较低层使用较短的边以提高搜索精度。

可导航小世界（Navigable small world）

可导航小世界（NSW）基于这样一个前提：图中的任意节点都可以通过极少数的“跳数（hops）”从其他任何节点到达。选定入口点（无论是随机选择、启发式选择还是算法确定）后，算法会检查周围的邻居节点是否比当前节点更接近查询目标。搜索不断向最近的邻居推进，直到在当前节点的邻接列表中找不到更近的节点为止。

构建图时，参数 m 决定了新节点与其最近邻节点建立连接的数量。较高的 m 值会产生更稠密、互联程度更高的图，但也会增加内存占用并降低插入速度。在插入节点时，算法会找出最近的 m 个节点并与它们建立双向连接。

搜索过程从预定义的入口点开始遍历 NSW 图。算法以贪心方式移动到离查询向量更近的相邻顶点，一旦在当前顶点的邻接列表中找不到更近的邻居，搜索便停止。

NSW 搜索的一个局限在于，它总是选择通往最近节点的表面最短路径，而忽略了图的全局结构。这种“贪心搜索”方法容易陷入局部最优，这一问题通常被称为“早停（early stopping）”。

跳表（Skip list）

跳表使用概率方法构建：随着层级的升高，节点出现的概率逐渐降低，因此高层中的节点数量更少。搜索节点时，算法从顶层的“头节点”开始，向后移动到大于或等于目标的下一个节点；如果未找到目标节点，则下降到更低（更细粒度）的一层并重复此模式，直到定位到目标节点或其最近邻。

HNSW

构建这种多层图从包含整个数据集的基础层开始。沿着层级向上，每一层都提供其下一层的精简摘要，包含更少的节点，充当在图内进行大跨度跳跃的“快速通道”。

较小的 m 值更适合低维数据或对召回率要求不高的场景；较大的 m 值则适用于高维数据或对高召回率有严格要求的场景。

ef_construction 参数决定了添加新节点时的动态候选列表大小；增大该值可以提高召回率，但会延长索引构建时间。

HNSW 索引属于资源密集型索引，需要额外的内存，并且在处理大型数据集时需要调大 maintenance_work_mem 设置。如果您追求显著快于 IVF 的查询性能、高召回率以及随数据集规模良好扩展的能力，HNSW 是极佳的选择。