078、特征向量检索慢、召回低？Faiss/Milvus 索引选型与向量降维的相似搜索方案

078、特征向量检索慢、召回低？Faiss/Milvus 索引选型与向量降维的相似搜索方案一、深夜的告警邮件凌晨两点，手机震了。告警邮件标题写着“相似搜索服务P99延迟突破800ms”，附带的监控截图里，召回率曲线像心电图一样剧烈抖动——从95%直接跌到62%。我盯着屏幕，脑子里闪过上周刚上线的500万条128维人脸特征向量。当时测试环境只有10万条，一切正常。生产环境一压，索引构建时间从3秒变成37分钟，查询延迟从5ms飙升到200ms，最要命的是，某些长尾查询直接返回空结果。这不是个例。做图像搜索、推荐系统、甚至NLP语义匹配的朋友，迟早都会撞上这道墙：向量检索的“不可能三角”——索引速度、查询延迟、召回精度，三者只能选两个。更残酷的是，当你数据量突破百万级，连选两个都变得奢侈。二、Faiss索引选型：别被“默认参数”骗了很多人第一次用Faiss，直接faiss.IndexFlatL2一把梭。这个索引叫“暴力搜索”，名字很诚实——它就是把所有向量挨个比一遍。100万条128维向量，单次查询耗时约30ms，看起来还行？但注意，这是单线程。如果你的QPS是1000，CPU直接打满，延迟飙到秒级。这里踩过坑：我见过有人把IndexFlatL2用在千万级数据上，理由是“精度最高”。没错，精度是100%，但代价是索引构建时间几乎为零（因为根本不需要构建），查询时间线性增长。当数据量超过500万，这个方案基本不可用。