向量检索中如何选择 Flat、HNSW、IVF 和 PQ？

面试时怎么答

先用数据规模和准确率需求排除选项：Flat 是精确基线；HNSW 以较高内存换低延迟高召回；IVF 先做粗聚类以减少扫描；PQ 再用量化压缩向量。讲清这一层，答案就不会沦为参数表。

追问参数时可谈 efSearch、nprobe 和码长，但强调要在目标硬件与真实查询分布上画 Recall–Latency–Memory 曲线，不能脱离场景选索引。

可以这样答：

Flat 会逐个比较全部向量，结果精确，适合小库或作为评测基线。HNSW 用多层近邻图换取低延迟和高召回，但内存较大；IVF 先把查询路由到部分聚类中心，适合更大规模；PQ 用短码近似原向量，进一步省内存，却会损失精度。选择时应在真实数据上联合测 Recall、P95 延迟、构建时间、更新能力和内存，而不是只看库的大小。

核心回答

Flat 对全部向量做精确比较，适合作为小数据集方案和召回上限基线；HNSW 用分层近邻图换取较高召回和低查询延迟，但索引构建与内存开销较大；IVF 先把向量分到倒排单元，查询只探测部分单元，用 nprobe 在速度与召回间调节；PQ 把子向量量化以降低内存和距离计算成本，同时引入量化误差。选择依据是数据规模、内存、更新方式、目标召回和延迟，而不是固定偏爱某一种索引。

展开说明

Flat：不近似、不压缩时结果精确，查询成本随向量数近似线性增长。
HNSW：通过多层图从稀疏上层导航到稠密底层。M、efConstruction 和 efSearch 分别影响图连接、构建成本和查询搜索宽度。
IVF：用粗量化器把向量划分到 nlist 个单元；nprobe 越大，通常召回越高、查询越慢。
PQ / IVFPQ：将向量拆成多个子空间并存储码本编号，显著压缩内存，但近似距离会损失精度。

还要匹配距离度量。若模型按余弦相似度训练，常先归一化再用内积；不能在模型、索引和线上查询之间混用未核验的度量。删除、过滤、持久化和动态更新能力也取决于具体数据库实现，不能仅由算法名称推断。

工程实践

从真实库抽样，用 Flat 生成近邻真值，再比较 ANN Recall@K、p95 延迟、索引大小、构建时间和更新成本。分别扫描 efSearch、nprobe 等参数，并把元数据过滤后的召回纳入测试；高过滤率可能让原本良好的 ANN 参数失效。

常见追问

HNSW 的 M 和 efSearch 分别影响什么？ M 控制每个节点连接数，影响索引内存、构建和图连通性；efSearch 控制查询候选宽度，越大通常召回越高、延迟也越高。
IVF 中 nlist 与 nprobe 如何取舍？ nlist 决定聚类桶数量，nprobe 决定一次查多少桶；桶多但探测少可能漏召回，探测多则接近更高计算成本。
为什么 PQ 能省内存但可能降低答案质量？ PQ 用子空间码本近似原向量，减少存储和带宽，但量化误差会改变近邻排序，关键证据可能掉出 Top-K。

一句话复习

向量索引选择是在精确度、延迟、内存、构建和更新能力之间做有数据支撑的取舍。

参考资料

面经主题：LLMInterviewQuestions 的 RAG 与向量数据库面试题
技术依据：HNSW 原论文、Faiss 索引官方说明