OceanBase向量POC调优与性能排查：混合搜索最佳实践

在混合搜索系统的实际落地过程中，选型只是第一步，真正决定项目成败的，往往是工程实践层面的细节积累。

系统上线后的稳定运维，开发者绕不开这几个核心问题：怎么写查询、混合检索怎么调、性能怎么测、出问题怎么排查。本文将围绕这些关键环节，梳理一套可落地的向量查询调优最佳实践，帮助开发者少走弯路、快速上手。

立即试用 OceanBase 企业版，体验国产数据库能力

180 天免费试用，零门槛开通

查询与调优

查询语句怎么写、Hint 怎么用、召回和延迟的旋钮怎么拧------这一章决定了你的 QPS 报告好不好看。

1.1. 基础查询

不带标量过滤的向量近似查询（approximate nearest neighbor search）写法：

复制代码

SELECT id, cosine_distance(embedding, @query_vector) AS distance
FROM htl_image_recall
ORDER BY distance APPROXIMATE
LIMIT 100;

APPROXIMATE 必须写（简写 APPROX 也行）。不写就走全表精确计算，不会用向量索引。

1.2. 混合查询

带标量过滤条件的向量近似查询称为混合查询（hybrid search），以下是 geohash 过滤 + 向量检索的写法：

复制代码

SELECT id, picturename, cosine_distance(picturevector, @query_vector) AS distance
FROM htl_image_recall
WHERE geohash IN('gcq2j', 'u10kk', 'wvkut')
ORDER BY distance APPROXIMATE
LIMIT 100;

OceanBase 4.3.5 起混合检索会自动选算法：标量过滤性好就走前过滤（pre-filter，先用标量索引筛，再向量搜），过滤性差就走迭代式过滤（post-filter，向量搜的过程中逐步套标量条件）。在过滤字段上最好都建好索引。

添加图片注释，不超过 140 字（可选）

1.3. Hint 控制策略

知道过滤特征的话，用 hint 指定比依赖自适应更稳。4.6.0 起推荐使用 VECTOR_INDEX hint，可同时指定向量索引和过滤路径：

复制代码

-- 4.6.0+ 推荐写法：指定向量索引 + 前过滤（pre-filter），并指定标量索引
SELECT /*+ VECTOR_INDEX(t idx_vec PRE_FILTER) index(t idx_geohash) */ id,
  cosine_distance(picturevector, @query_vector) AS distance
FROM htl_image_recall t
WHERE geohash IN('gcq2j', 'u10kk')
ORDERBY distance APPROXIMATE LIMIT 100;
-- 4.6.0+ 推荐写法：指定向量索引 + 迭代式过滤（post-filter）
SELECT /*+ VECTOR_INDEX(t idx_vec POST_FILTER) */ id,
  cosine_distance(picturevector, @query_vector) AS distance
FROM htl_image_recall t
WHERE geohash IN('gcq2j', 'u10kk')
ORDERBY distance APPROXIMATE LIMIT 100;

旧版本（4.6.0 以前）用 index() hint 也能控制：指定标量索引名走前过滤，指定向量索引名走迭代式过滤。

1.4. 召回与延迟的权衡

ef_search（HNSW 系列）和 nprobes（IVF）是核心旋钮。

HNSW 系列（768 维，千万级，目标 Recall ≈ 0.95）：

添加图片注释，不超过 140 字（可选）

IVF 单分区（千万级，目标 Recall ≈ 0.90）：

添加图片注释，不超过 140 字（可选）

IVF 分区表（亿级）------各分区独立查询后汇总 rerank，实际召回高于单分区，可以用更低的 nprobes：

添加图片注释，不超过 140 字（可选）

总的来说，ef_search 和 nprobes，可以用性能换取召回，或者反过来。但如果将这两个参数调到很大都无法满足召回，或者性能太差，可以再调整索引构建参数重建索引，用构建性能换取查询性能。

1.5. 用 EXPLAIN 检查向量索引、分区裁剪与过滤策略

EXPLAIN 可以看出：走了向量索引没有（不是全表扫）、分区裁剪生效没有（partitions 字段应只含少量分区）、混合查询用了什么算法（前过滤还是迭代式过滤）。

复制代码

EXPLAIN EXTENDED SELECT id,
  cosine_distance(picturevector, @query_vector) AS distance
FROM htl_image_recall
WHERE geohash = 'gcq2j'
ORDER BY distance APPROXIMATE LIMIT 100;

性能验证

怎么测才不踩坑------压测姿势不对，得出的结论会误导决策。

2.1. 测试方法

四个核心指标：QPS、平均 RT、P95/P99 RT、召回率。

添加图片注释，不超过 140 字（可选）

召回率测试：准备 100 个以上查询向量，分别跑精确搜索和近似搜索，对比结果：

复制代码

-- 精确搜索（ground truth）
SELECT /*+ PARALLEL(32) */ id,
  cosine_distance(picturevector, @query_vector) AS distance
FROM htl_image_recall
WHERE geohash IN('gcq2j', 'u10kk')
ORDERBY distance LIMIT 100;
-- 近似搜索
SELECT id,
  cosine_distance(picturevector, @query_vector) AS distance
FROM htl_image_recall
WHERE geohash IN('gcq2j', 'u10kk')
ORDERBY distance APPROXIMATE LIMIT 100;

注意：压测时最好进行合并（major freeze）和预热，减小回表和读盘对查询性能的影响。

2.2. 实测性能参考

百万级 768 维（m=16, ef_construction=200, Top100, ef_search=240）：