三类主流索引在取舍什么
**HNSW（图索引）**
特点：把向量连成多层邻居图，检索时沿图跳转；
优点：召回率高、延迟低，最省心；
代价：**内存占用大**（图结构本身要常驻内存），构建慢，删除/更新代价高。
**IVF（倒排 + 聚类）**
特点：先用聚类把向量分桶，检索时只扫最相近的几个桶；
优点：内存友好、可按桶并行，数据量大时成本可控；
代价：桶边界附近的向量容易被漏掉 → 需要调 `nprobe`（扫几个桶），**召回率与延迟直接对冲**。
**量化索引（PQ / SQ / 二值）**
特点：把向量压缩成更短的编码（乘积量化/标量量化）；
优点：内存能降一个数量级，适合千万级以上；
代价：距离是**近似**的，通常要配合「先粗筛再精排」两段式，否则精度损失明显。
按数据规模的判断顺序
1. **十万以内**：直接用 HNSW（或数据库默认索引），别过早优化；
2. **百万级**：HNSW + 标量量化（SQ）通常是性价比最高的组合；
3. **千万级以上或内存受限**：IVF-PQ 或磁盘型索引，并接受「粗筛 + 精排」的两段式结构；
4. **更新非常频繁**：优先选支持增量更新的方案，不要为了召回率选一个「重建一次要几小时」的索引。
三个容易踩的坑
**先过滤再检索**：带业务条件（时间、租户、类目）的查询，如果先过滤再向量检索，过滤后的集合可能很小，图索引会退化成近似全扫；正确做法通常是「向量检索取较多候选 → 再按条件过滤 → 精排」；
**只看平均延迟**：要看 **P95/P99**。图索引的尾延迟受入口点选择影响，均值好看不代表用户不卡；
**用错相似度**：索引是按某种距离构建的（内积或余弦），查询时换成另一种距离，结果会明显变差。**建索引与查询必须同一种度量**。
怎么验证选型是否合适
准备一份带标注的「查询 → 正确文档」集合（几百条即可），比较三个指标：**召回率@K**（该出现的有没有出现）、**P95 延迟**、**内存占用**。三者与你业务的优先级对齐后，再决定要不要上更复杂的索引——**先有度量，再谈调参**。