向量搜索

Apache Doris 自 4.0 版本起原生支持 ANN（Approximate Nearest Neighbor，近似最近邻）向量搜索，基于 Faiss 实现 HNSW 与 IVF 索引，可在亿级向量数据上实现毫秒级 TopN 与范围检索。

适用场景

向量搜索是 RAG（Retrieval-Augmented Generation，检索增强生成）以及多模态检索的核心能力。其典型应用包括：

RAG 检索：从大规模知识库中检索与用户查询最相关的 Top-K 文本片段，作为大模型生成的依据，缓解模型幻觉与知识时效性问题。
多模态检索：将图片、语音、视频等数据编码为向量，用于语义相似度查询。例如医学问答中检索病例资料与文献，辅助生成诊断建议。
推荐系统：基于范围搜索获取“相似但不重复”的候选内容，提升推荐多样性。
异常检测：定位远离正常模式的数据点。

向量检索的本质是：将查询与文档统一编码为语义向量后，从大规模向量集合中找出与查询最相似的 K 个向量。

快速导航

场景	跳转章节
了解如何创建向量索引	近似最近邻搜索
实现 Cosine 余弦相似度检索	使用 Cosine 相似度
基于距离阈值进行过滤	近似范围搜索
同时使用 TopN 与范围条件	组合搜索
在 ANN 检索前先用其他列过滤	带过滤条件的 ANN 搜索
调节查询行为参数	查询参数
节省内存与索引大小	向量量化
提升 QPS 与降低延迟	性能调优
使用 Python SDK 接入	Python SDK
了解使用限制	使用限制

近似最近邻搜索

Doris 不引入额外数据类型，向量以定长 Array<Float> 存储；针对距离检索提供基于 Faiss 的 ANN 索引类型。

建表示例

以常见的 SIFT 数据集为例：

CREATE TABLE sift_1M (
  id int NOT NULL,
  embedding array<float>  NOT NULL  COMMENT "",
  INDEX ann_index (embedding) USING ANN PROPERTIES(
      "index_type"="hnsw",
      "metric_type"="l2_distance",
      "dim"="128",
      "quantizer"="flat"
  )
) ENGINE=OLAP
DUPLICATE KEY(id) COMMENT "OLAP"
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
  "replication_num" = "1"
);

各核心参数含义：

index_type：索引算法，可选 hnsw（Hierarchical Navigable Small World 算法）、ivf（倒排文件索引）或 ivf_on_disk（倒排列表落盘并通过缓存提供查询能力的 IVF）。
metric_type：距离度量，l2_distance 表示使用 L2 距离作为距离函数。
dim：向量维度，128 表示该列每条向量长度为 128。
quantizer：编码方式，flat 表示按原始 float32 存储各维度。

完整索引参数

参数	是否必填	支持/可选值	默认值	说明
`index_type`	是	`hnsw`、`ivf`、`ivf_on_disk`	（无）	指定所使用的 ANN 索引算法。当前支持 HNSW、内存 IVF 和 IVF On-Disk。
`metric_type`	是	`l2_distance`、`inner_product`	（无）	指定向量相似度/距离度量方式。L2 为欧氏距离；`inner_product` 可用于余弦相似度场景，但需先对向量进行归一化。
`dim`	是	正整数 (> 0)	（无）	指定向量维度，后续导入的所有向量维度必须与此一致，否则报错。
`nlist`	否	正整数	`1024`	IVF 的倒排桶数量。在 `index_type=ivf` 或 `ivf_on_disk` 时生效；取值越大通常有助于召回率/速度权衡，但会增加构建开销。
`max_degree`	否	正整数	`32`	HNSW 图中单个节点的最大邻居数（M），影响索引内存与搜索性能。
`ef_construction`	否	正整数	`40`	HNSW 构建阶段的候选队列大小（efConstruction），越大构图质量越好，但构建更慢。
`quantizer`	否	`flat`、`sq8`、`sq4`、`pq`	`flat`	向量编码/量化方式：`flat` 为原始存储；`sq8`/`sq4` 为标量量化（8/4 bit）；`pq` 为乘积量化。
`pq_m`	`quantizer=pq` 时必填	正整数	（无）	将原始高维向量分割成多少个子向量（`dim` 必须能被 `pq_m` 整除）。
`pq_nbits`	`quantizer=pq` 时必填	正整数	（无）	每个子向量量化的比特数，决定子空间码本大小（k = 2 ^ pq_nbits）。在 Faiss 中一般要求不大于 24。

数据导入

通过 S3 TVF 导入 SIFT 数据集：

INSERT INTO sift_1M
SELECT *
FROM S3(
  "uri" = "https://selectdb-customers-tools-bj.oss-cn-beijing.aliyuncs.com/sift_database.tsv",
  "format" = "csv");

select count(*) from sift_1M
--------------

+----------+
| count(*) |
+----------+
|  1000000 |
+----------+

查询示例

使用 l2_distance_approximate / inner_product_approximate 函数会触发 ANN 索引路径。

调用规则：

函数名必须与索引的 metric_type 完全匹配：
- metric_type=l2_distance → 使用 l2_distance_approximate
- metric_type=inner_product → 使用 inner_product_approximate
排序规则：
- L2 距离使用升序（ORDER BY dist ASC，越小越近）
- Inner Product 使用降序（ORDER BY dist DESC，越大越近）

SELECT id,
       l2_distance_approximate(
        embedding,
        [0,11,77,24,3,0,0,0,28,70,125,8,0,0,0,0,44,35,50,45,9,0,0,0,4,0,4,56,18,0,3,9,16,17,59,10,10,8,57,57,100,105,125,41,1,0,6,92,8,14,73,125,29,7,0,5,0,0,8,124,66,6,3,1,63,5,0,1,49,32,17,35,125,21,0,3,2,12,6,109,21,0,0,35,74,125,14,23,0,0,6,50,25,70,64,7,59,18,7,16,22,5,0,1,125,23,1,0,7,30,14,32,4,0,2,2,59,125,19,4,0,0,2,1,6,53,33,2]
       ) AS distance
FROM sift_1M
ORDER BY distance
LIMIT 10;
--------------

+--------+----------+
| id     | distance |
+--------+----------+
| 178811 | 210.1595 |
| 177646 | 217.0161 |
| 181997 | 218.5406 |
| 181605 | 219.2989 |
| 821938 | 221.7228 |
| 807785 | 226.7135 |
| 716433 | 227.3148 |
| 358802 | 230.7314 |
| 803100 | 230.9112 |
| 866737 | 231.6441 |
+--------+----------+
10 rows in set (0.02 sec)

要与精确结果对比，可使用 l2_distance / inner_product（不带 _approximate 后缀）。在该示例中，精确搜索耗时约 290 毫秒；使用 ANN 索引后，查询延迟从约 290 毫秒降至约 20 毫秒。

10 rows in set (0.29 sec)

执行机制

ANN 索引以 segment 为粒度构建。在分布式表中：

每个 segment 返回其本地 TopN 结果。
TopN 算子在 tablet 与 segment 之间合并结果，得到全局 TopN。

使用 Cosine 相似度

Doris 的 ANN 索引 metric_type 目前只支持 l2_distance 与 inner_product，不直接支持 cosine。当业务指标为余弦相似度时，可通过归一化将其等价转换为内积。

操作步骤

写入前：对向量做 L2 归一化（归一化到单位长度）。
建索引时：使用 metric_type="inner_product"。
查询时：使用 inner_product_approximate(...)，并按 ORDER BY ... DESC 排序。

示例：

CREATE INDEX idx_emb_cosine ON your_table (embedding) USING ANN PROPERTIES (
  "index_type"="hnsw",
  "metric_type"="inner_product",
  "dim"="768"
);

等价原理

Cosine 相似度公式：cos(x, y) = (x · y) / (||x|| ||y||)
当向量已做 L2 归一化时（||x|| = ||y|| = 1）：cos(x, y) = x · y

因此，在单位向量空间里，最大化 cosine 相似度等价于最大化 inner product。如果不做归一化，inner product 与 cosine 不再等价。

近似范围搜索

除 TopN 最近邻搜索外，向量检索还有一类常见查询：基于距离阈值的范围搜索。该查询不返回固定数量，而是找出所有与目标向量距离满足条件的数据点。

典型应用：

推荐系统中获取“接近但不完全相同”的内容，增加多样性。
异常检测中定位远离正常模式的数据点。

示例：查找与目标向量 L2 距离大于 300 的数据数量：

SELECT count(*)
FROM   sift_1M
WHERE  l2_distance_approximate(
        embedding,
        [0,11,77,24,3,0,0,0,28,70,125,8,0,0,0,0,44,35,50,45,9,0,0,0,4,0,4,56,18,0,3,9,16,17,59,10,10,8,57,57,100,105,125,41,1,0,6,92,8,14,73,125,29,7,0,5,0,0,8,124,66,6,3,1,63,5,0,1,49,32,17,35,125,21,0,3,2,12,6,109,21,0,0,35,74,125,14,23,0,0,6,50,25,70,64,7,59,18,7,16,22,5,0,1,125,23,1,0,7,30,14,32,4,0,2,2,59,125,19,4,0,0,2,1,6,53,33,2])
        > 300 
--------------

+----------+
| count(*) |
+----------+
|   999271 |
+----------+
1 row in set (0.19 sec)

范围搜索同样通过 ANN 索引加速：系统先快速筛选候选向量集合，再计算精确的近似距离，从而显著降低开销。目前支持的范围条件：>、>=、<、<=。

组合搜索

组合搜索（Compound Search）指在同一条 SQL 中同时进行 ANN TopN 与 Range 条件过滤，返回满足范围约束的 TopN。

SELECT id,
       l2_distance_approximate(
        embedding, [0,11,77,24,3,0,0,0,28,70,125,8,0,0,0,0,44,35,50,45,9,0,0,0,4,0,4,56,18,0,3,9,16,17,59,10,10,8,57,57,100,105,125,41,1,0,6,92,8,14,73,125,29,7,0,5,0,0,8,124,66,6,3,1,63,5,0,1,49,32,17,35,125,21,0,3,2,12,6,109,21,0,0,35,74,125,14,23,0,0,6,50,25,70,64,7,59,18,7,16,22,5,0,1,125,23,1,0,7,30,14,32,4,0,2,2,59,125,19,4,0,0,2,1,6,53,33,2]) as dist
FROM sift_1M
WHERE l2_distance_approximate(
        embedding, [0,11,77,24,3,0,0,0,28,70,125,8,0,0,0,0,44,35,50,45,9,0,0,0,4,0,4,56,18,0,3,9,16,17,59,10,10,8,57,57,100,105,125,41,1,0,6,92,8,14,73,125,29,7,0,5,0,0,8,124,66,6,3,1,63,5,0,1,49,32,17,35,125,21,0,3,2,12,6,109,21,0,0,35,74,125,14,23,0,0,6,50,25,70,64,7,59,18,7,16,22,5,0,1,125,23,1,0,7,30,14,32,4,0,2,2,59,125,19,4,0,0,2,1,6,53,33,2])
        > 300
ORDER BY dist limit 10
--------------

+--------+----------+
| id     | dist     |
+--------+----------+
| 243590 |  300.005 |
| 549298 | 300.0317 |
| 429685 | 300.0533 |
| 690172 | 300.0916 |
| 123410 | 300.1333 |
| 232540 | 300.1649 |
| 547696 | 300.2066 |
| 855437 | 300.2782 |
| 589017 | 300.3048 |
| 930696 | 300.3381 |
+--------+----------+
10 rows in set (0.12 sec)

前过滤 vs 后过滤

策略	含义	优点	缺点
前过滤（Doris 采用）	先做谓词过滤，再在剩余集合上取 TopN	召回率高	速度相对较慢
后过滤	先做 TopN，再过滤	速度快	可能显著降低召回

在 Doris 中，组合搜索的两个阶段均可通过索引加速。但在某些场景（如第一阶段 Range 过滤率极高）双阶段同时使用索引可能导致召回下降。Doris 会根据谓词过滤率与索引类型综合决策，自适应判断是否对两阶段均使用索引。

带过滤条件的 ANN 搜索

带过滤条件的 ANN 搜索指：在执行 ANN TopN 之前先应用其他谓词过滤，返回满足条件的 TopN。

下面用一个 8 维示例说明混合搜索流程：

CREATE TABLE ann_with_fulltext (
  id int NOT NULL,
  embedding array<float> NOT NULL,
  comment String NOT NULL,
  value int NULL,
  INDEX idx_comment(`comment`) USING INVERTED PROPERTIES("parser" = "english") COMMENT 'inverted index for comment',
  INDEX ann_embedding(`embedding`) USING ANN PROPERTIES("index_type"="hnsw","metric_type"="l2_distance","dim"="8")
) DUPLICATE KEY (`id`) 
DISTRIBUTED BY HASH(`id`) BUCKETS 1
PROPERTIES("replication_num"="1");

INSERT INTO ann_with_fulltext VALUES
(1, [0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8], 'this is about music', 10),
(2, [0.2,0.1,0.5,0.3,0.9,0.4,0.7,0.1], 'sports news today',   20),
(3, [0.9,0.8,0.7,0.6,0.5,0.4,0.3,0.2], 'latest music trend',  30),
(4, [0.05,0.06,0.07,0.08,0.09,0.1,0.2,0.3], 'politics update',40)

假设用户输入查询向量 [0.1,0.1,0.2,0.2,0.3,0.3,0.4,0.4]，只在 comment 含 “music” 的文档中检索最相似的前 2 条：

SELECT id, comment,
       l2_distance_approximate(embedding, [0.1,0.1,0.2,0.2,0.3,0.3,0.4,0.4]) AS dist
FROM ann_with_fulltext
WHERE comment MATCH_ANY 'music'       -- 先用倒排索引过滤
ORDER BY dist ASC                     -- 在过滤后的结果集上做 ANN TopN
LIMIT 2;

+------+---------------------+----------+
| id   | comment             | dist     |
+------+---------------------+----------+
|    1 | this is about music | 0.663325 |
|    3 | latest music trend  | 1.280625 |
+------+---------------------+----------+
2 rows in set (0.04 sec)

关键提示

带过滤条件的 ANN 搜索若希望利用向量索引加速 TopN，必须确保涉及的过滤列具备倒排等二级索引。

查询参数

除了在构建 HNSW 索引时可指定参数外，查询阶段也可通过会话变量调节行为：

会话变量	默认值	说明
`hnsw_ef_search`	`32`	HNSW 索引的 EF 搜索参数。控制搜索阶段 candidates 队列的最大长度，越大精度越高、耗时越高。
`hnsw_check_relative_distance`	`true`	是否启用相对距离检查机制，以提升 HNSW 搜索的准确性。
`hnsw_bounded_queue`	`true`	是否使用有界优先队列以优化 HNSW 的搜索性能。

向量量化

采用 FLAT 编码时，HNSW 索引（原始向量 + 图结构）可能占用大量内存。HNSW 必须全量驻留内存才能工作，因此在超大规模数据集上易成瓶颈。

Doris 提供两类量化方案：

量化方式	原理	Doris 支持
标量量化 SQ（Scalar Quantization）	压缩 FLOAT32 单维数值，减少内存开销	`sq8`（INT8）、`sq4`（INT4）
乘积量化 PQ（Product Quantization）	分解高维向量并分别量化子向量	`pq`

标量量化（SQ）示例

CREATE TABLE sift_1M (
  id int NOT NULL,
  embedding array<float>  NOT NULL  COMMENT "",
  INDEX ann_index (embedding) USING ANN PROPERTIES(
      "index_type"="hnsw",
      "metric_type"="l2_distance",
      "dim"="128",
      "quantizer"="sq8"    -- 指定使用 INT8 进行量化
  )
) ENGINE=OLAP
DUPLICATE KEY(id) COMMENT "OLAP"
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
  "replication_num" = "1"
);

在 768 维的 Cohere-MEDIUM-1M 与 Cohere-LARGE-10M 数据集测试中，SQ8 可将索引大小压缩至 FLAT 的约 1/3。

量化效果对比

数据集	向量维度	存储/索引方案	总磁盘占用	数据部分	索引部分	备注
Cohere-MEDIUM-1M	768D	Doris (FLAT)	5.647 GB (2.533 + 3.114)	2.533 GB	3.114 GB	1M 向量，原始 + HNSW FLAT 索引
Cohere-MEDIUM-1M	768D	Doris SQ INT8	3.501 GB (2.533 + 0.992)	2.533 GB	0.992 GB	INT8 对称量化
Cohere-MEDIUM-1M	768D	Doris PQ (pq_m=384, pq_nbits=8)	3.149 GB (2.535 + 0.614)	2.535 GB	0.614 GB	乘积量化
Cohere-LARGE-10M	768D	Doris (FLAT)	56.472 GB (25.328 + 31.145)	25.328 GB	31.145 GB	10M 向量
Cohere-LARGE-10M	768D	Doris SQ INT8	35.016 GB (25.329 + 9.687)	25.329 GB	9.687 GB	INT8 量化，索引显著减小

乘积量化（PQ）

Doris 也支持乘积量化，但使用 PQ 时需要提供额外参数：

pq_m：表示将原始的高维向量分割成多少个子向量（向量维度 dim 必须能被 pq_m 整除）。
pq_nbits：表示每个子向量量化的比特数，决定子空间码本的大小，在 Faiss 中一般要求不大于 24。

注意

PQ 量化在训练阶段对训练数据量有要求：至少需要与每一个聚类中心数量一样多，即训练点个数 n >= 2 ^ pq_nbits。

CREATE TABLE sift_1M (
  id int NOT NULL,
  embedding array<float>  NOT NULL  COMMENT "",
  INDEX ann_index (embedding) USING ANN PROPERTIES(
      "index_type"="hnsw",
      "metric_type"="l2_distance",
      "dim"="128",
      "quantizer"="pq",    -- 指定使用 PQ 进行量化
      "pq_m"="2",          -- 使用 PQ 时需要指定，表示将高维向量分割成 pq_m 个低维子向量
      "pq_nbits"="2"       -- 使用 PQ 时需要指定，表示每个子空间码本的比特数
  )
) ENGINE=OLAP
DUPLICATE KEY(id) COMMENT "OLAP"
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
  "replication_num" = "1"
);

量化的代价

量化会带来额外构建开销：构建阶段需要大量距离计算，且每次计算需对量化值解码。以 128 维向量为例，随着行数增长构建时间上升，SQ 相比 FLAT 可能引入约 10 倍构建成本。

ANN-SQ-BUILD_COSTS

性能调优

向量搜索是典型的二级索引点查场景。若对 QPS 与延迟要求较高，可参考以下建议。经调优，在 FE 32C 64GB + BE 32C 64GB 机器上，Doris 可达到 3000+ QPS（数据集：Cohere-MEDIUM-1M）。

查询性能基准

并发	方案	QPS	平均延迟 (s)	P99 延迟 (s)	CPU 使用率	召回率
240	Doris	3340.4399	0.071368168	0.163399825	40%	91.00%
240	Doris SQ INT8	3188.6359	0.074728852	0.160370195	40%	88.26%
240	Doris SQ INT4	2818.2291	0.084663868	0.174826815	43%	80.38%
240	Doris 暴力计算	3.6787	25.554878826	29.363227973	100%	100.00%
480	Doris	4155.7220	0.113387271	0.261086075	60%	91.00%
480	Doris SQ INT8	3833.1130	0.123040214	0.276912867	50%	88.26%
480	Doris SQ INT4	3431.0538	0.137636995	0.281631249	57%	80.38%
480	Doris 暴力计算	3.6787	25.554878826	29.363227973	100%	100.00%

使用 Prepared Statement

常见 embedding 模型输出通常为 768 维或更高。若将该向量作为字面量直接写入 SQL，解析耗时可能超过实际执行时间，因此建议使用 Prepared Statement。当前 Doris 不支持通过 mysql client 直接执行相关命令，需要通过 JDBC 调用。

在 jdbc url 里面开启服务端 prepared statement

url = jdbc:mysql://127.0.0.1:9030/demo?useServerPrepStmts=true

使用 prepared statement

// use `?` for placement holders, readStatement should be reused
PreparedStatement readStatement = conn.prepareStatement("SELECT id, l2_distance_approximate(embedding, cast (? as ARRAY<FLOAT>)) AS distance
    FROM l2_distance_approximate
    ORDER BY distance
    LIMIT 10");
  
...

readStatement.setString("[0,11,77,24,3,0,0,0,28,70,125,8,0,0,0,0,44,35,50,45,9,0,0,0,4,0,4,56,18,0,3,9,16,17,59,10,10,8,57,57,100,105,125,41,1,0,6,92,8,14,73,125,29,7,0,5,0,0,8,124,66,6,3,1,63,5,0,1,49,32,17,35,125,21,0,3,2,12,6,109,21,0,0,35,74,125,14,23,0,0,6,50,25,70,64,7,59,18,7,16,22,5,0,1,125,23,1,0,7,30,14,32,4,0,2,2,59,125,19,4,0,0,2,1,6,53,33,2]");

ResultSet resultSet = readStatement.executeQuery();

减少 segment 数量

Doris 的 ANN 索引建立在 segment 上，segment 过多会引入额外开销。

建议：带 ANN 索引的表，每个 tablet 下 segment 数不应超过 5 个。
方法：调整 be.conf 中的 write_buffer_size 与 vertical_compaction_max_segment_size，增大单 segment 大小以减少数量；建议两者设置为 10737418240（10 GB）。

减少 rowset 数量

每次导入都会生成一个 rowset，过多 rowset 同样会增加调度开销。建议使用 Stream Load 或 INSERT INTO SELECT 做批量导入。

ANN 索引常驻内存

当前 ANN 索引算法基于内存。若查询到的 segment 索引未驻留内存，会触发磁盘 I/O。为性能考虑建议常驻：在 be.conf 中设置：

enable_segment_cache_prune=false

`parallel_pipeline_task_num = 1`

ANN TopN 查询返回行数很少，无需高并行度，建议：

SET parallel_pipeline_task_num = 1;

`enable_profile = false`

若对延迟极其敏感，建议关闭 query profile：

SET enable_profile = false;

Python SDK

在 AI 时代，Python 已成为数据处理与智能应用开发的主流语言。为了让开发者更方便地在 Python 环境中使用 Doris 的向量搜索能力，社区贡献了 Python SDK：

doris_vector_search：针对向量距离检索做了性能优化，是目前性能较好的 Doris vector search Python SDK。

使用限制

使用 Doris 向量索引时，需要注意以下限制：

数据类型限制：ANN Index 对应的列必须是 NOT NULLABLE 的 Array<Float>。导入时需确保该列每个向量的长度均等于索引属性中指定的维度（dim），否则会报错。
表模型限制：ANN Index 只能在 DuplicateKey 表模型上使用。
谓词列必须有二级索引：Doris 使用前过滤语义（谓词计算在 AnnTopN 之前）。当 SQL 中的谓词涉及到的列没有二级索引时，为保证结果正确性，Doris 会回退到暴力计算。例如：
```
SELECT id, l2_distance_approximate(embedding, [xxx]) AS distance
    FROM sift_1M
    WHERE round(id) > 100
    ORDER BY distance limit 10;
```
虽然 id 是主键，但未在该列上构建倒排等可精确定位行号的二级索引，此类谓词在索引分析之后执行。为保证 ANN TopN 的前过滤语义，系统会回退为暴力计算。
距离函数与 metric 类型必须匹配：如果 SQL 中指定的距离函数与 DDL 中索引的 metric_type 不匹配，那么 Doris 无法通过 ANN 索引进行 TopN 计算（即使你使用的是 l2_distance_approximate / inner_product_approximate）。
inner_product 必须使用 DESC 排序：如果 metric_type 是 inner_product，那么只有 ORDER BY inner_product_approximate() DESC LIMIT N（DESC 不能省略）才能通过 ANN 索引加速。
函数参数顺序：xxx_approximate() 函数的第一个参数为 ColumnArray，第二个参数为 CAST 或 ArrayLiteral 时，才能触发索引分析；交换位置会回退暴力搜索。

FAQ

Q1：Doris 的 ANN 索引支持哪些距离度量？

目前支持 l2_distance（欧氏距离）和 inner_product（内积）。如需 Cosine 相似度，请参考使用 Cosine 相似度章节。

Q2：为什么我的 ANN 查询没有走索引？

可能原因：

距离函数与 metric_type 不匹配。
使用 inner_product 时未使用 ORDER BY ... DESC。
函数参数顺序颠倒（ColumnArray 必须为第一个参数）。
涉及的过滤列缺少倒排等二级索引，触发了暴力计算回退。

Q3：如何选择 HNSW、IVF、IVF On-Disk？

索引	内存占用	查询性能	适用场景
HNSW	高（必须全量驻留内存）	高	中小规模、低延迟要求高
IVF	中	中	大规模数据
IVF On-Disk	低（落盘 + 缓存）	中	超大规模数据、内存受限

Q4：内存不够用怎么办？

可以通过量化降低内存占用：

优先尝试 sq8（INT8 标量量化），通常可将索引压缩至原来的 1/3，召回率影响较小。
内存非常紧张时可使用 sq4 或 pq，但召回率会有一定下降。

Q5：如何在向量检索中结合关键字过滤？

为过滤列建立倒排索引，再使用带 WHERE 子句的 ANN 查询。详见带过滤条件的 ANN 搜索。

Q6：如何提升 QPS？

参考性能调优章节，重点：

使用 Prepared Statement 避免 SQL 解析开销。
减少 segment 与 rowset 数量。
设置 ANN 索引常驻内存。
parallel_pipeline_task_num = 1。
关闭 query profile。

适用场景​

快速导航​

近似最近邻搜索​

建表示例​

完整索引参数​

数据导入​

查询示例​

执行机制​

使用 Cosine 相似度​

操作步骤​

等价原理​

近似范围搜索​

组合搜索​

前过滤 vs 后过滤​

带过滤条件的 ANN 搜索​

查询参数​

向量量化​

标量量化（SQ）示例​

量化效果对比​

乘积量化（PQ）​

量化的代价​

性能调优​

查询性能基准​

使用 Prepared Statement​

减少 segment 数量​

减少 rowset 数量​

ANN 索引常驻内存​

parallel_pipeline_task_num = 1​

enable_profile = false​

Python SDK​

使用限制​

FAQ​

Q1：Doris 的 ANN 索引支持哪些距离度量？​

Q2：为什么我的 ANN 查询没有走索引？​

Q3：如何选择 HNSW、IVF、IVF On-Disk？​

Q4：内存不够用怎么办？​

Q5：如何在向量检索中结合关键字过滤？​

Q6：如何提升 QPS？​