深度剖析向量检索：为什么 FAISS 无法解决生产环境下的“增删改查”？

许多开发者的向量检索是这样开始的：写下两百行 Python 代码，调起 FAISS 跑个 demo，检索准确且快如闪电。这容易让人产生一种错觉——向量检索不过如此。但当这些代码用到进生产环境，就会出现很多问题：删不掉的过期向量、对不上的业务 ID。此时你才发现，检索算法库根本不是一个合格的数据系统。前者只解决“几何计算怎么快”的算法问题，后者要解决的则是“增删改查、并发事务、高可用与运维。本文将为你系统性剖析以下核心知识点：向量几何地基与索引代价：理解 L2 距离、内积（IP）与余弦相似度归一化后的数学等价性，对比 Flat/IVF/HNSW/PQ 索引在速度、内存和召回上的权衡；FAISS 算法库的 5 次翻车边界：通过未归一化失效、ID 绑定崩溃、物理删除困境、持久化与并发重启痛点等 5 个生产典型事故，摸透算法库的能力边界；Milvus 分布式架构与 pgvector 实践：拆解 Milvus 分布式组件的运维代价，对比 pgvector 在开源项目 MaxKB 源码中低成本实现关系+向量“一站式”删改与事务的工程实践；升级选型真假信号决策表：厘清数据量、QPS 等真假选型信号，利用一张决策表精准定位适合你业务的架构选型。1. 向量检索的地基：embedding、距离，和暴力检索的成本曲线1.1 把语义变成坐标之后，剩下的都是几何你去图书馆找书，靠的是