用途:该技能面向在生产系统中实现高效相似度检索,适用于构建语义搜索、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等场景。
主要能力:介绍四类距离度量及其适用情况——余弦(1-(A·B)/(‖A‖‖B‖),适合归一化后的嵌入)、欧氏 L2(√Σ(a-b)²,适合原始嵌入)、点积(A·B,适合向量大小有意义的场景)、曼哈顿 L1(适合稀疏向量)。同时对比三类索引: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)、IVF+PQ(量化,O(√n),约 90-95% 召回,适合超大规模)。
使用方式:资料说明模板库与详细示例位于 references/details.md,需要具体模板时阅读该文件。实践中建议使用合适的索引(多数情况选 HNSW),调优 ef_search、nprobe 等参数以平衡召回与速度,实现混合检索以结合关键词搜索,监控召回率以衡量搜索质量,并在可能时进行预过滤以缩小搜索空间。
限制与注意:应先评估再优化,避免跳过评估;不要过度索引,建议从小规模 Flat 起步再逐步扩展;需关注延迟,P99 对用户体验重要;也应考虑成本,向量存储开销会累积。资料未提供具体安装命令、代码实现细节、支持的向量数据库清单或收费信息。