阿里云Milvus支持多种向量检索算法，主要包括HNSW、IVF_FLAT、IVF_PQ、IVF_SQ8、FLAT、ANNOY、DISKANN等索引类型，适用于不同数据规模和性能需求场景。
主要索引类型及适用场景
HNSW（分层可导航小世界）：基于图结构的索引算法，适合高精度、低延迟的搜索场景，支持亿级向量数据，内存占用中等，查询速度极快，召回率约98%。
IVF_FLAT（倒排文件+暴力搜索）：通过K-means聚类将向量分组，查询时仅搜索与目标向量最接近的若干簇，适合10万-1000万条数据规模，查询速度中等，召回率约98%。
IVF_PQ（倒排文件+乘积量化）：在IVF基础上进行向量量化压缩，适合1000万-10亿条超大规模数据，查询速度极快，存储成本极低，但召回率约90%，存在一定精度损失。
IVF_SQ8（倒排文件+标量量化）：将向量压缩为8位整数，适合磁盘或内存资源有限的场景，查询速度快，存储开销低，召回率约95%。
FLAT（无索引）：直接暴力搜索所有向量，适合小规模数据（≤10万条）或需要100%精确召回的场景，查询速度极慢但精度最高。
DISKANN：基于磁盘的索引算法，适合超大规模数据（≥10亿条），查询速度快，存储成本极低，召回率约95%。
距离度量方式
Milvus支持多种相似度计算方式：
-
欧氏距离（L2）：衡量两个向量在空间中的直线距离，适用于图像检索、视觉特征匹配等场景
-
内积（IP）：计算两个向量的点积，适合非标准化数据或关注向量幅度和角度的场景
-
余弦相似度：衡量向量方向一致性，广泛应用于文本语义匹配，取值范围[-1, 1]，值越大越相似
选型建议
-
小规模高精度：选择FLAT（≤10万条）
-
中等规模平衡性能：选择IVF_FLAT（10万-1000万条）
-
大规模低延迟：选择HNSW（≥1亿条）
-
超大规模低成本：选择IVF_PQ或DISKANN（≥10亿条）
用户可根据数据规模、查询延迟要求、召回率要求和存储成本预算，灵活选择合适的索引算法组合。