用途：在 SurrealDB 中实现向量搜索，通过 HNSW 索引和 KNN 查询做相似度检索，可用于向量索引创建与向量距离查询等场景。
主要能力：
- 定义 HNSW 向量索引：DEFINE INDEX hnsw_idx ON pts FIELDS point HNSW DIMENSION 4；
- 指定距离函数与数值类型：DEFINE INDEX hnsw_idx ON pts FIELDS point HNSW DIMENSION 4 DIST EUCLIDEAN TYPE F64；支持的类型有 F64、F32、I64、I32、I16。
- 完整表定义示例（含字段与索引参数）： DEFINE TABLE OVERWRITE document SCHEMALESS; DEFINE FIELD OVERWRITE embedding ON document TYPE array<float>; DEFINE INDEX OVERWRITE hnsw_idx_document ON document FIELDS embedding HNSW DIMENSION 384 DIST COSINE TYPE F32 EFC 150 M 12 M0 24;
- HNSW 参数：DIMENSION（向量维度，须与嵌入一致）、DIST（距离函数，如 COSINE、EUCLIDEAN）、TYPE（数值类型）、EFC（构建搜索力度，越高索引越好）、M（每节点最大连接数）、M0（第 0 层最大连接数）。
- 使用 <|K, EF|> 运算符做 KNN 搜索，K 为结果数，EF 为搜索力度（越高越准越慢）。推荐力度：40 为默认、精度较好；17 较快但可能漏结果。
- 基础 KNN 查询：SELECT *, vector::distance::knn() AS dist FROM document WHERE embedding <|10, 40|> $vector；vector::distance::knn() 使用索引定义的距离函数。
- 带阈值的评分结果： SELECT *, score FROM ( SELECT *, (1 - vector::distance::knn()) AS score FROM document WHERE embedding <|20, 40|> $vector ) WHERE score >= $threshold ORDER BY score DESC;
使用方式：按上述语句在 SurrealDB 中先定义索引，再用 KNN 运算符查询并可选计算评分、过滤阈值与排序。
适用场景：向量索引创建、向量 KNN 距离查询与相似度评分检索。
限制：资料未提供更多限制、版本要求或性能说明，暂未提供。