零、概述

Weaviate通过向量搜索、关键字搜索、混合搜索的灵活组合，搭配HNSW、Flat、Dynamic索引及量化技术，提供了从语义理解到高效检索的完整解决方案。重排序模块进一步优化结果相关性，确保复杂场景下的搜索精度。

实际应用中，需根据数据规模、查询模式和业务需求动态调整技术栈，实现性能与效果的最佳平衡。

最佳实践：

1. 索引选择指南
   • 小规模数据（<1万条）：Flat索引，配合BQ压缩提升磁盘性能。
   • 中大规模数据（>10万条）：HNSW索引，结合PQ量化优化内存占用。
   • 动态数据场景：Dynamic索引，自动适配数据规模变化。
2. 性能优化建议
   • 向量量化优先：高维向量场景优先使用PQ+HNSW组合，平衡内存与速度。
   • 参数调优：根据业务延迟要求调整HNSW的ef参数（低延迟场景设为10-100，高召回场景设为500-1000）。
   • 重排序策略：对关键业务场景启用重排序，使用深度学习模型（如BERT）提升结果质量。

 

一、搜索技术分类

1. 向量搜索：捕捉语义的智能检索

向量搜索是基于相似度的核心技术，通过机器学习模型将文本、图像等数据转化为高维向量（如OpenAI的text-embedding-ada-002生成1536维向量），利用余弦相似度或欧氏距离度量向量间的语义关联。例如，查询“dark”时，向量搜索能匹配到语义相近的“noir”或“black”，因为它们在向量空间中距离较近。

核心原理：通过向量化器（Vectorizer）将数据转换为向量，存储于向量数据库中。查询时，系统将输入转换为向量，与库中向量进行批量比较，返回最相似的前n个结果。
适用场景：跨模态检索（如图片-文本匹配）、多语言语义搜索、推荐系统等需要理解内容语义的场景。

 

2. 关键字搜索：精确匹配的传统方案

关键字搜索基于BM25算法，通过统计查询词在文档中的出现频率（TF）和逆文档频率（IDF）计算相关性分数。例如，查询“法律条款”时，包含该短语且出现次数多的文档得分更高。

核心原理：分词后统计词频，结合全局词频分布评估重要性，适合精确匹配场景（如法律条文检索、医疗记录查询）。
适用场景：用户查询明确、需精确匹配术语的场景，如技术文档搜索、电商商品标题匹配。

 

3. 混合搜索：语义与精确的双重保障

混合搜索结合了向量搜索和关键字搜索的优点，同时考虑语义相似度和关键词精确匹配。它会并行执行两种搜索，并将结果融合，生成最终的相关性排序。

例如，查询“人工智能发展趋势”时，向量搜索捕获“AI技术演进”等语义相关结果，关键字搜索匹配“人工智能”出现频繁的文档，两者融合后提升结果全面性。

混合搜索会分别执行向量搜索和关键字搜索，然后根据设定的融合算法（如 rankedFusion 或 relativeScoreFusion）和参数（如 alpha 权重）将两者的结果合并，得到更全面且鲁棒的搜索结果。适用于主题广泛、用户输入不可预测或需要兼顾语义与精确匹配的场景Hybrid Search 概念。

 

二、向量检索技术分类

1. HNSW索引：大规模数据的高效引擎

HNSW（分层可导航小世界图）是Weaviate处理大规模向量数据的核心索引，通过多层图结构实现对数时间复杂度的搜索。高层图节点稀疏，用于快速定位大致区域；底层图节点密集，用于精细化搜索。
关键参数：

• efConstruction：构建索引时的探索因子，数值越大（如100-500），索引质量越高但构建时间越长。
• ef：查询时的探索因子，数值越大（如10-1000），召回率越高但查询速度越慢。

典型应用：实时推荐系统（如电商商品推荐）、图像检索（如百万级图片库快速查询）。

 

2. Flat索引：小规模数据的轻量级方案

Flat索引采用线性扫描，直接遍历所有向量计算距离，无需复杂索引构建过程。适用于数据量小（如几千条）或更新频繁的场景（如开发测试阶段）。结合二进制量化（BQ）可减少磁盘I/O，提升扫描速度。

优势：简单直接，无需预处理，适合动态数据场景。
局限：数据规模增大时性能显著下降，不适合高并发或大规模数据集。

 

3. Dynamic索引：动态数据的智能适配

Dynamic索引根据数据规模自动切换策略：数据较小时使用Flat索引，数据量增大后自动切换为HNSW索引。无需手动调整，适合数据规模动态变化的场景（如日志数据实时写入）。

 

如下小结

索引类型	数据规模适用性	核心结构/原理	关键参数	典型结合量化技术
HNSW	大规模	分层导航小世界图	efConstruction、ef	PQ
Flat	小规模	线性扫描	无复杂参数	BQ
Dynamic	动态变化	自动切换	无专属参数	按需结合

 

三、量化技术（与索引协同，提高搜索速度）

向量量化通过压缩 向量嵌入 的内存占用，降低部署成本并提升向量相似性搜索速度。Weaviate支持三种技术：Binary Quantization（BQ）、Product Quantization（PQ）、Scalar Quantization（SQ）。

1. Product Quantization（PQ）

a. 核心原理

• 两步压缩：先将向量维度分割为多个segments（段），再对每段独立量化为低精度表示（如8位整数）。
• 质心训练：通过K-means（无监督学习聚类算法）等算法为每段生成256个质心（默认），构成码本（codebook），用最近质心ID压缩向量段。

b. 关键参数与效果

• segments数量：需整除原始向量维度，影响内存与召回（越多segments→越高内存/召回）。 例：OpenAI text-embedding-ada-002（1536维）支持512/384/256等segments（见表1）。
• 压缩比：768维向量从3072字节（float32）压缩至128字节（128 segments×1字节），压缩约24倍。

c. 适用场景：与HNSW索引结合，减少内存占用并支持高维向量搜索。

表1：常见向量器的segments配置

模块	模型	维度	支持segments
openai	text-embedding-ada-002	1536	512, 384, 256, 192, 96
cohere	multilingual-22-12	768	384, 256, 192, 96
huggingface	sentence-transformers/all-MiniLM-L12-v2	384	192, 128, 96

 

2. Binary Quantization（BQ）

1. 核心原理：将每个向量维度转为二进制（1位/维度），压缩比达32倍（如32位→1位）。
2. 特点：
   • 有损压缩：信息损失显著，距离计算精度较低。
   • 适用模型：Cohere V3系列（如embed-multilingual-v3.0）和OpenAI ada-002表现较好，需结合业务数据测试。
3. 优化：启用 向量缓存（vector cache） 减少磁盘读取，但需平衡内存占用（n_dimensions位/向量）。
4. 适用场景：配合flat索引（磁盘型），加速搜索速度。

 

3. Scalar Quantization（SQ）

1. 核心原理：将32位浮点值转为8位整数，通过256个均匀分布桶映射数值（基于训练数据的最小/最大值）。
2. 压缩比：4倍（如32位→8位），精度高于BQ。
3. 优化机制： 过.fetch与重打分（Rescoring）：按rescoreLimit多获取候选向量，用原始向量重新计算距离。 例：查询limit=10，rescoreLimit=200→先取200条压缩结果，再用原始向量筛选前10条。
4. 训练配置：默认10万条数据/分片，自动推导桶边界。

 

四、重排序（Reranking）：优化结果相关性的关键环节

重排序通过重新排序搜索结果提升相关性，解决初始检索结果相关性不足的问题。例如，混合搜索返回的结果可通过重排序模块基于特定属性（如文本字段）和查询词进一步优化排序。

基本原理：

• 对每个 (查询, 数据对象) 计算 相关性分数，按分数从高到低排序。
• 仅作用于检索后的较小数据子集，避免对全量数据计算，降低计算成本。
• 可采用更复杂、计算成本更高的模型（如深度学习模型(bert)）提升精度。

GraphQL示例：

{
  Get {
    JeopardyQuestion(
      nearText: { concepts: "flying" }  // 混合搜索阶段
      limit: 10
    ) {
      answer
      question
      _additional {
        rerank(
          property: "answer"  // 基于answer属性重排序
          query: "floating"    // 重排序查询词
        ) {
          score  // 重排序分数
        }
      }
    }
  }
}

如上查询，先通过nearText执行混合搜索，返回10条结果；再通过rerank基于answer属性和查询"floating"重排序，返回每条结果的score。

关键参数：

• property：指定用于重排序的对象属性（如文本字段）。
• query：重排序时使用的查询词，可与检索阶段不同。