> 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…

以 pgvector v0.8.0 源码钉住 Index AM、8KB 页上的 HNSW element/neighbor 元组与 iterative_scan；对照 Milvus Growing/Sealed 与 Knowhere，说明同进程 SQL 扩展买到的事务边界与付掉的页模型/资源争用代价。

本文讨论了在Elasticsearch和Lucene中结合稀疏BM25与稠密kNN进行混合检索的策略，重点分析了两种索引的共存、查询策略及其对性能的影响。混合检索需同时利用BM25和kNN信号，以确保候选文档的一致性和可比性。文章还探讨了写入路径、代价模型及与专用向量引擎的边界问题，强调了统一Segment生命周期的重要性。

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。

本文介绍了专用向量引擎的重要性，特别是Milvus 2.6.x的四层架构，强调了持续写入、近似检索和分布式服务的功能。探讨了ANN算法与向量数据管理系统的关系，明确了向量引擎在生产环境中的角色与挑战，并提出未来的研究方向。

本文讨论了排障过程中常见错误，指出故障原因多在可见性和段状态等方面，而非仅限于ef/nprobe。提供了检查清单，涵盖召回、延迟和堆积等问题，建议通过定量分析症状来定位问题，避免主观判断，并提出了开放问题和改进方向。

本文讨论了对象存储在Milvus 2.6.x版本向量检索引擎中的应用。对象存储用于保存日志快照、索引文件和查询结果，布局从按字段拆分转向按段整合，以减少API调用次数和延迟。文章还探讨了数据处理路径、索引对象与数据对象的生命周期差异，以及与湖仓对象布局的对比，强调了优化存储布局的重要性。

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。

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。

本文讨论了Milvus 2.6.x中的一致性级别与时间戳管理。用户可以通过可调一致性级别选择等待时间，以确保数据可见性。四级一致性（强一致性、有限一致性、会话一致性、最终一致性）提供不同的延迟与新鲜度折中。文章还探讨了在不同场景下的最佳选择及其与分布式存储的关系，强调了可见性与等待时间的重要性。

本文对比了Milvus 2.6.x与Qdrant在向量检索引擎中的架构和部署方式。Milvus强调存算分离，采用多组件架构，而Qdrant则提供单节点的简化部署，适合中小规模应用。两者在分布式部署、数据过滤和扩展性方面存在显著差异，选择时需考虑团队需求和运维复杂度。

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。

本文讨论了在Milvus中将过滤结果转化为bitset的方法，以及选择度对Top-k合并的影响。混合检索流程包括表达式求值、bitset过滤、Knowhere搜索和多级归并。选择度是影响查询效率和结果准确性的关键因素。文章还提到工程中的挑战和未来研究方向。

本文介绍了Milvus 2.6.x中的Streaming Service和Woodpecker组件，重点在于通过WAL（写前日志）实现高效的数据流处理和查询。Streaming Service负责数据摄入、状态恢复和查询，采用消息驱动方式确保数据一致性。Woodpecker作为云原生WAL，支持零本地盘存储，提升系统吞吐量和可靠性，优化实时数据检索和处理能力。

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。

本文介绍了Milvus 2.6.x中Data Node的功能与架构。Data Node负责历史数据的离线处理，包括索引构建和数据压缩。它通过协调组件调度，处理数据加载、索引生成和清理，确保查询节点高效访问数据。文章还讨论了索引构建策略、数据新鲜度及其对查询性能的影响，以及优化资源调度以减少在线查询延迟的方法。