用途：优化向量索引的延迟、召回率与内存占用，适用于调优 HNSW 参数、选择量化策略、降低搜索延迟、平衡召回与速度，以及扩展到十亿级向量。
主要能力：
- 索引类型选择建议：小于 1 万向量用 Flat 精确搜索；1 万至 100 万用 HNSW；100 万至 1 亿用 HNSW 加量化；超过 1 亿用 IVF+PQ 或 DiskANN。
- HNSW 参数：M 默认 16，增大提升召回但增加内存；efConstruction 默认 100，增大提升索引质量但构建更慢；efSearch 默认 50，增大提升召回但搜索更慢。
- 量化类型：FP32 每维 4 字节、FP16 每维 2 字节、INT8 每维 1 字节、乘积量化约 32-64 字节、二值量化每维 1/8 字节。
- 提供模板：HNSW 参数基准测试与推荐、INT8/乘积/二值量化实现、Qdrant 集合配置与搜索参数调优、搜索性能监控与索引构建分析。
使用方式：资料给出 Python 示例，依赖 numpy、hnswlib、sklearn、qdrant_client 等库；通过基准测试对比不同 M、efConstruction、efSearch 组合的构建时间、搜索延迟、召回率与内存，再按目标召回率和延迟选择参数。
适用场景：向量数据库与检索系统的生产调优、内存受限部署、大规模向量扩展。
限制：资料未提供具体安装命令、收费与价格信息；示例参数为通用建议，实际效果需以真实查询基准测试为准。