海量向量查 Top-K 近邻，精确检索和近似检索怎么取舍？

先这样答

精确检索和近似检索的取舍，主要看数据量和延迟 SLA。精确检索会暴力扫描全部向量，结果完美，但数据量变大后，延迟会线性增长。千万级以下的数据，通常可以考虑精确检索。

数据量继续增大时，可以使用近似检索。常见方案有 HNSW 和 IVF。它们可以把查询延迟降到亚线性，但要接受一定的召回率损失。召回率可以在 95 到 99 之间调节，具体取值要看业务对结果质量和延迟的要求。

我的默认选择是：百万级以上优先考虑 HNSW 或 IVF。HNSW 的召回率高，但内存占用大。IVF 更省内存，但需要先训练聚类。在线使用 HNSW 时，可以调大 efSearch 来换取更高召回率。如果 SLA 更严格，就需要控制查询延迟，并接受相应的召回率变化。

面试官会怎么追问

• 「为什么千万级以下还可以用精确检索？」 精确检索直接暴力扫描向量，结果没有近似误差。千万级以下时，扫描带来的延迟仍可能满足业务要求。数据量继续增大后，延迟会按线性趋势增长，就要结合 SLA 重新选择。

• 「HNSW 和 IVF 应该怎么选？」 HNSW 的召回率高，但内存占用大。IVF 更省内存，但需要训练聚类。两者都能提供亚线性延迟，具体选择要看内存限制、数据量和延迟 SLA。

• 「HNSW 的召回率不够时，你会怎么调？」 可以调大 efSearch。这个参数会用更高的查询成本换取更高召回率。线上可以根据延迟 SLA 调整它，不能只追求召回率而忽略延迟。

回答的坑

• 不要把近似检索说成结果完全正确，它需要用召回率损失换取更低延迟。

• 不要只说 HNSW 或 IVF 的名称，要同时说明 HNSW 占内存大、IVF 需要训练聚类。