学习路径
最小可用路径只保留「理解问题 + 两大主流索引 + 系统版图 + 会做决策」的骨架，读完即可支撑一次合格的选型讨论；其余按阶段按需展开。
最小可用路径（MVP · 约 190 分钟）
- 1向量数据库全景：从嵌入到检索引擎
向量数据库是以高维向量为一等公民的数据系统：负责嵌入向量的存储、近似最近邻（ANN）索引、元数据过滤、增删改与水平扩展，把"语义相似度检索"变成一条可运维的数据管道。
- 2嵌入模型与语义空间
嵌入（embedding）是用神经网络把任意对象（文本、图片、音频）映射为定长高维向量的过程，训练目标是让"语义相近"的对象在向量空间中彼此靠近——向量数据库检索的一切前提。
- 3距离度量：欧氏、内积与余弦
距离度量决定"两个向量有多相似"的算法——欧氏距离（L2）量直线远近，内积（IP）量方向共振，余弦相似度（cosine）量纯方向夹角；度量选择与归一化状态共同决定排序结果。
- 4ANN 问题定义：用近似换速度
近似最近邻（ANN，Approximate Nearest Neighbor）问题：不保证返回真正最近的 k 个点，而是以可控的召回损失，换取比精确检索低几个数量级的延迟与内存——一切向量索引的立身之本。
- 5暴力检索基线（Flat）与性能天花板
暴力检索（Flat / brute-force）对查询向量与全库每一条向量逐一计算距离后取 top-k：没有近似、没有索引结构、召回率恒为 100%，是所有 ANN 索引的正确性基线与 ground truth 来源。
- 6IVF：聚类倒排索引与 nprobe
IVF（Inverted File，倒排文件）用 k-means 把向量空间切成 nlist 个分区（Voronoi 单元），查询时只在与查询向量最近的 nprobe 个分区内做距离计算——"先粗定位、再细扫描"的分区剪枝思想，也是 PQ 组合（IVFADC）的经典载体。
- 7HNSW：分层可导航小世界图
HNSW（Hierarchical Navigable Small World）把全库组织成多层近邻图：上层稀疏、边长（跨大区域），底层稠密、覆盖全部向量；查询自顶向下贪心导航，到底层后用候选队列 efSearch 做精细扩散——当前低延迟高召回检索的事实标准。
- 8系统全景与谱系图谱
向量检索的承载系统分四大谱系：专用向量库（Milvus/Qdrant/Weaviate/Chroma）、关系库扩展（pgvector 系）、搜索引擎扩展（Elasticsearch/OpenSearch/Redis/MongoDB）、嵌入式算法库（FAISS/hnswlib/Usearch）——选型的第一问不是"哪个最好"，而是"我的场景属于哪个谱系"。
- 9选型决策树：从五个问题到一套方案
向量库选型可以收敛为五问一树：数据量级 → 已有基础设施 → 过滤复杂度 → 混合检索刚需 → 团队运维能力，沿决策树走到底得到的是"方案 + 索引配置 + 重新评估触发条件"的完整 prescription（处方）。