本文介绍近似最近邻搜索（ANN）在向量检索中的应用，涵盖暴力搜索、KD-Tree、LSH、HNSW及量化方法，并讨论FAISS索引选型、向量数据库架构及RAG场景实践。强调高维向量检索需平衡精度与速度，常用HNSW或IVF-PQ索引，并注意基准测试陷阱，以Recall@K评估质量。

> 本文是写作规划，不是可发布正文。拆解对象：Milvus 2.6.x 主线（存算分离、Proxy / Coordinator / Streaming·Query·Data Node、Segcore + Knowhere）；Qdrant、Lance / LanceDB 作对照。不写 embedding 模型训练，不写…

该文章提供了复现向量引擎实验的脚本操作指南，要求Linux系统、Python 3.12+及约500 MiB内存。用户需创建虚拟环境并安装numpy和hnswlib，运行特定脚本执行实验，其中部分实验需Docker和MILVUS_URI。注意将venv置于post目录外，避免干扰构建。实验用于演示Flat基准和过滤选择性，非实际性能数据。

本文讨论了Milvus 2.6.x的数据处理架构，重点介绍了Growing和Sealed段的查询机制。Growing段由Streaming Node处理，实时更新；Sealed段由Query Node加载历史数据。Query Delegator负责生成查询计划并合并结果。Segcore作为段级执行层，与Knowhere索引内核协同工作，实现高效的向量检索。文章还探讨了查询过程中的数据加载、索引管理及动态更新与不可变索引之间的平衡。

本文介绍了Milvus的四层坐标系，包括Collection、Partition、Segment和Channel。Collection是用户可见的向量表，Partition用于数据隔离。Channel与Streaming Node绑定，支持水平扩展写入。Segment分为Growing和Sealed，Growing可变且支持实时查询，Sealed不可变用于历史检索。Growing转为Sealed的过程称为flush，数据通过handoff转移至Query Node。整体架构强调实时性与历史数据管理。

本文讨论了向量检索引擎Milvus的架构与功能，重点介绍了HNSW、DiskANN、IVF-PQ等算法的应用，以及向量库的选型与RAG召回机制。内容涵盖写路径、读路径和索引内核，适合RAG和AI平台工程师、数据平台工程师等专业人士阅读。

本文讨论了Lance与Milvus在向量检索引擎中的区别。Lance主要作为存储格式，支持随机访问和可选的ANN索引，适合低并发和离线推理场景；而Milvus是专用的分布式引擎，适合高并发在线检索，特别是在多租户和实时检索方面表现更佳。文章还提到了一些开放问题，如Lance索引与Iceberg事务的对齐。

本文讨论了向量检索引擎Knowhere的架构与索引类型，包括HNSW、DiskANN和IVF-PQ等算法的应用。强调了在训练、构建、加载和查询四个阶段的参数管理，指出Flat索引是金标准但不应作为默认选择。文章还探讨了索引生命周期与段的关系，以及插件契约的实现步骤，提出了多索引参数组合的开放问题。

本文讨论了向量库中的删除、更新和过期策略。删除操作可通过过滤或主键进行，采用软删方式以保持数据一致性。更新操作（Upsert）根据主键决定插入或更新，提供覆盖和合并两种模式。集合的TTL属性允许自动删除过期数据，删除和更新操作的可见性受一致性约束。逻辑删除和物理回收是分开的，需注意容量规划。

Knowhere 是 Milvus 的向量索引执行引擎，集成了 Faiss、Hnswlib 和 Annoy 等库，支持软删和多种相似度计算。它通过统一的 VecIndex 接口处理索引构建与查询，优化性能并简化开发流程，同时支持自动 SIMD 选择以提升计算效率。