similarity-search-patterns

用途：用于构建语义搜索系统、实现 RAG 检索、创建推荐引擎、优化搜索延迟、扩展到百万级向量，以及结合语义与关键词搜索。主要能力聚焦相似度搜索的核心概念：距离度量与索引类型。距离度量包括余弦（适合归一化嵌入）、欧氏 L2（适合原始嵌入）、点积（当向量大小重要时使用）和曼哈顿 L1（适合稀疏向量）。索引类型包括 Flat（精确，O(n) 搜索，100% 召回，适合小数据）、HNSW（基于图，O(log n)，约 95-99% 召回，适合中大型数据）和 IVF+PQ（量化，O(√n)，约 90-95% 召回，适合超大规模数据）。完整模板库与详细示例位于 references/details.md，需要具体模板时可阅读该文件。最佳实践方面：应使用合适的索引，多数情况选 HNSW；调优 ef_search、nprobe 以平衡召回与速度；实现混合搜索，与关键词搜索结合；监控召回率以衡量搜索质量；尽可能预过滤以缩小搜索空间。不应跳过评估，优化前先测量；不过度索引，从 Flat 起步再扩展；不忽视延迟，P99 对用户体验很重要；不忘记成本，向量存储会持续累积。限制：资料未提供具体安装命令、平台支持、收费或价格信息，暂未提供。