加速向量检索
VectorDB 的向量索引用于加速向量检索过程，文档提到常见类型包括平坦索引、倒排类索引、树形索引和图结构索引等。
查看向量索引说明 ↗常见索引类型怎么选
不同索引类型适合不同的成本、性能和召回率要求。以下内容来自 VectorDB 向量索引选择文档。
无索引 KNN
不建立向量索引，检索时将原始向量数据从磁盘读取并加载到内存，然后执行 KNN 检索。
- 成本：很低
- 性能：很低
- 召回率：很高，100%
- 适用：成本要求苛刻且性能要求不高的场景
FLAT 平坦索引
将原始向量数据平坦地放在内存中，检索时计算每个向量与目标向量的相似性，也被称为暴力检索。
- 成本：高
- 性能：中低
- 召回率：很高，100%
- 适用：可接受较高成本且对召回率要求苛刻的场景
HNSW 图结构索引
HNSW 是分层可导航小世界图结构索引，性能和召回率较稳定，是广泛使用的 ANN 检索索引方法之一。
- 成本：高
- 性能：高，极限过滤场景可能降低
- 召回率：高，极限过滤场景可能降低
- 适用：性能和召回率都有较高诉求的平衡场景
VectorDB 提供哪些检索能力
产品页介绍，VectorDB 可通过元数据过滤与向量检索结合、BM25 与向量检索结合、多路召回和融合排序，提高检索质量。
元数据过滤
通过元数据过滤和向量检索结合，查询出用户想要的结果。
查看检索能力 ↗自动更新索引
当数据更新时，VectorDB 会自动更新索引，提供检索效果。
查看索引更新 ↗BM25 检索
基于关键词和短语的 BM25 检索结合向量检索，提供精确检索能力。
查看 BM25 能力 ↗融合排序
基于多种检索进行多路召回及融合排序，提供更加高质量的检索结果。
查看融合排序 ↗向量数据库适合哪些应用
VectorDB 当前主要应用于 RAG 场景，也适合大模型私域知识库、语义检索和企业级检索系统。
大模型私域知识库
产品页说明，可将用户知识库内容录入向量数据库，通过相关知识的相似性检索实现基于知识库的问答。
查看应用场景 ↗RAG 服务
AI Search 操作示例说明，RAG 需要文档管理、文档解析、分档分块、Embedding、Rerank、LLM 和向量数据库协作。
查看 AI Search ↗混合检索系统
处理管道可整合文档管理器、文档处理器、Embedder 和向量数据库，支持文档导入、向量检索、全文检索和混合检索。
查看处理管道 ↗常见问题
以下内容来自 VectorDB 向量索引、产品页和 AI Search 操作示例。
向量数据库索引怎么选？
需要围绕成本、召回率和性能做 CRP-Tradeoff。无索引成本低但性能低；FLAT 召回率高但成本高；HNSW 在性能和召回率上较平衡。
VectorDB 支持哪些检索方式？
产品页展示了元数据过滤与向量检索、自动更新索引、BM25 与向量检索结合、多路召回和融合排序等能力。
向量数据库适合什么应用？
适合大模型私域知识库、RAG 服务、语义检索、混合检索以及需要相似性检索的企业级业务。
AI Search 和 VectorDB 是什么关系？
AI Search 处理管道可以整合文档管理器、文档处理器、Embedder 和向量数据库，支持文档导入、向量检索、全文检索和混合检索。
按检索目标选择索引和能力
如果关注召回率、成本、性能和混合检索效果，可先从索引类型、BM25、向量检索、融合排序和 RAG 处理管道入手评估 VectorDB。