向量搜索索引
如 向量搜索 文档所述，向量搜索通过计算给定向量与数据库中所有向量之间的距离，找出 Top K-最近邻（KNN）。这种方式能够提供准确的结果，但当表中包含大量向量时，查询速度较慢，因为需要进行全表扫描。1
为了提升搜索效率，你可以在 TiDB 中为近似 KNN（ANN）搜索创建向量搜索索引。使用向量索引进行向量搜索时，TiDB 可以大幅提升查询性能，准确性仅有轻微下降，通常搜索召回率可保持在 90% 以上。
目前，TiDB 支持 HNSW（Hierarchical Navigable Small World） 向量搜索索引算法。
限制
- 你的集群中必须提前部署 TiFlash 节点。
- 向量搜索索引不能作为主键或唯一索引使用。
- 向量搜索索引只能创建在单个向量列上，不能与其他列（如整数型或字符串）组合为组合索引。
- 创建和使用向量搜索索引时，必须指定距离函数。目前仅支持余弦距离
VEC_COSINE_DISTANCE()和 L2 距离VEC_L2_DISTANCE()函数。 - 对于同一列，不支持使用相同距离函数创建多个向量搜索索引。
- 不支持直接删除带有向量搜索索引的列。你可以先删除该列上的向量搜索索引，再删除该列。
- 不支持修改带有向量索引的列的类型。
- 不支持将向量搜索索引设置为 不可见。
- 不支持在启用 静态加密 的 TiFlash 节点上构建向量搜索索引。
创建 HNSW 向量索引
HNSW 是最流行的向量索引算法之一。HNSW 索引在保持较高准确性的同时，能够提供良好的性能，在特定场景下准确率可达 98%。
在 TiDB 中，你可以通过以下任一方式为具有 向量数据类型 的列创建 HNSW 索引：
创建表时，使用如下语法为向量列指定 HNSW 索引：
CREATE TABLE foo ( id INT PRIMARY KEY, embedding VECTOR(5), VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding))) );对于已存在且包含向量列的表，使用如下语法为该向量列创建 HNSW 索引：
CREATE VECTOR INDEX idx_embedding ON foo ((VEC_COSINE_DISTANCE(embedding))); ALTER TABLE foo ADD VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding))); -- 你也可以显式指定 "USING HNSW" 来构建向量搜索索引。 CREATE VECTOR INDEX idx_embedding ON foo ((VEC_COSINE_DISTANCE(embedding))) USING HNSW; ALTER TABLE foo ADD VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding))) USING HNSW;
创建 HNSW 向量索引时，你需要为向量指定距离函数：
- 余弦距离：
((VEC_COSINE_DISTANCE(embedding))) - L2 距离：
((VEC_L2_DISTANCE(embedding)))
向量索引只能创建在定长向量列上，例如定义为 VECTOR(3) 的列。不能为非定长向量列（如定义为 VECTOR 的列）创建索引，因为只有维度相同的向量之间才能计算距离。
关于向量搜索索引的限制，详见 限制。
使用向量索引
在 K-最近邻搜索查询中，可以通过如下 ORDER BY ... LIMIT 语句使用向量搜索索引：
SELECT *
FROM foo
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3, 4, 5]')
LIMIT 10
要在向量搜索中使用索引，确保 ORDER BY ... LIMIT 子句使用的距离函数与创建向量索引时指定的距离函数一致。
向量索引与过滤条件联合使用
包含预过滤（使用 WHERE 子句）的查询无法利用向量索引，因为根据 SQL 语义，这类查询并非在全表范围内查找 K-最近邻。例如：
-- 对于以下查询，`WHERE` 过滤在 KNN 之前执行，因此无法使用向量索引：
SELECT * FROM vec_table
WHERE category = "document"
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 5;
要在带有过滤条件的场景下使用向量索引，应先通过向量搜索查询 K-最近邻，再对结果进行过滤：
-- 对于以下查询，`WHERE` 过滤在 KNN 之后执行，因此可以使用向量索引：
SELECT * FROM
(
SELECT * FROM vec_table
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 5
) t
WHERE category = "document";
-- 注意，如果部分结果被过滤，最终返回的结果可能少于 5 条。
查看索引构建进度
在你插入大量数据后，部分数据可能不会立即持久化到 TiFlash。对于已持久化的向量数据，向量搜索索引会同步构建；对于尚未持久化的数据，索引会在数据持久化后再构建。此过程不会影响数据的准确性和一致性，你可以随时进行向量搜索并获得完整结果。但在向量索引完全构建前，性能会低于最佳状态。
你可以通过查询 INFORMATION_SCHEMA.TIFLASH_INDEXES 表来查看索引构建进度：
SELECT * FROM INFORMATION_SCHEMA.TIFLASH_INDEXES;
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+
| TIDB_DATABASE | TIDB_TABLE | TABLE_ID | COLUMN_NAME | INDEX_NAME | COLUMN_ID | INDEX_ID | INDEX_KIND | ROWS_STABLE_INDEXED | ROWS_STABLE_NOT_INDEXED | ROWS_DELTA_INDEXED | ROWS_DELTA_NOT_INDEXED | ERROR_MESSAGE | TIFLASH_INSTANCE |
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+
| test | tcff1d827 | 219 | col1fff | 0a452311 | 7 | 1 | HNSW | 29646 | 0 | 0 | 0 | | 127.0.0.1:3930 |
| test | foo | 717 | embedding | idx_embedding | 2 | 1 | HNSW | 0 | 0 | 0 | 3 | | 127.0.0.1:3930 |
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+
你可以通过
ROWS_STABLE_INDEXED和ROWS_STABLE_NOT_INDEXED列查看索引构建进度。当ROWS_STABLE_NOT_INDEXED为 0 时，索引构建完成。作为参考，对 500 MiB、768 维的向量数据集进行索引，可能需要长达 20 分钟。索引器可并行为多个表构建索引。目前不支持调整索引器优先级或速度。
你可以通过
ROWS_DELTA_NOT_INDEXED列查看 Delta 层中的行数。TiFlash 存储层的数据分为 Delta 层和 Stable 层。Delta 层存储最近插入或更新的行，并会根据写入负载定期合并到 Stable 层。该合并过程称为 Compaction。Delta 层始终不会被索引。为获得最佳性能，你可以强制将 Delta 层合并到 Stable 层，使所有数据都能被索引：
ALTER TABLE <TABLE_NAME> COMPACT;详细信息参见
ALTER TABLE ... COMPACT。
此外，你还可以通过执行 ADMIN SHOW DDL JOBS; 并查看 row count，监控 DDL 任务的执行进度。但该方法并不完全准确，因为 row count 的值来自 TIFLASH_INDEXES 中的 rows_stable_indexed 字段。你可以将此方法作为索引进度的参考。
检查是否使用了向量索引
使用 EXPLAIN 或 EXPLAIN ANALYZE 语句，可以检查查询是否使用了向量索引。当 TableFullScan 执行器的 operator info 列中出现 annIndex: 时，表示该表扫描正在利用向量索引。
示例：已使用向量索引
[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 10;
+-----+-------------------------------------------------------------------------------------+
| ... | operator info |
+-----+-------------------------------------------------------------------------------------+
| ... | ... |
| ... | Column#5, offset:0, count:10 |
| ... | ..., vec_cosine_distance(test.vector_table_with_index.embedding, [1,2,3])->Column#5 |
| ... | MppVersion: 1, data:ExchangeSender_16 |
| ... | ExchangeType: PassThrough |
| ... | ... |
| ... | Column#4, offset:0, count:10 |
| ... | ..., vec_cosine_distance(test.vector_table_with_index.embedding, [1,2,3])->Column#4 |
| ... | annIndex:COSINE(test.vector_table_with_index.embedding..[1,2,3], limit:10), ... |
+-----+-------------------------------------------------------------------------------------+
9 rows in set (0.01 sec)
示例：未指定 Top K，未使用向量索引
[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
-> ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]');
+--------------------------------+-----+--------------------------------------------------+
| id | ... | operator info |
+--------------------------------+-----+--------------------------------------------------+
| Projection_15 | ... | ... |
| └─Sort_4 | ... | Column#4 |
| └─Projection_16 | ... | ..., vec_cosine_distance(..., [1,2,3])->Column#4 |
| └─TableReader_14 | ... | MppVersion: 1, data:ExchangeSender_13 |
| └─ExchangeSender_13 | ... | ExchangeType: PassThrough |
| └─TableFullScan_12 | ... | keep order:false, stats:pseudo |
+--------------------------------+-----+--------------------------------------------------+
6 rows in set, 1 warning (0.01 sec)
当无法使用向量索引时，部分场景下会出现 warning，帮助你了解原因：
-- 使用了错误的距离函数：
[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
ORDER BY VEC_L2_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 10;
[tidb]> SHOW WARNINGS;
ANN index not used: not ordering by COSINE distance
-- 使用了错误的排序方式：
[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]') DESC
LIMIT 10;
[tidb]> SHOW WARNINGS;
ANN index not used: index can be used only when ordering by vec_cosine_distance() in ASC order
分析向量搜索性能
要了解向量索引的详细使用信息，可以执行 EXPLAIN ANALYZE 语句，并查看输出中的 execution info 列：
[tidb]> EXPLAIN ANALYZE SELECT * FROM vector_table_with_index
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 10;
+-----+--------------------------------------------------------+-----+
| | execution info | |
+-----+--------------------------------------------------------+-----+
| ... | time:339.1ms, loops:2, RU:0.000000, Concurrency:OFF | ... |
| ... | time:339ms, loops:2 | ... |
| ... | time:339ms, loops:3, Concurrency:OFF | ... |
| ... | time:339ms, loops:3, cop_task: {...} | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4} | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4} | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4} | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4} | ... |
| ... | tiflash_task:{...}, vector_idx:{ | ... |
| | load:{total:68ms,from_s3:1,from_disk:0,from_cache:0},| |
| | search:{total:0ms,visited_nodes:2,discarded_nodes:0},| |
| | read:{vec_total:0ms,others_total:0ms}},...} | |
+-----+--------------------------------------------------------+-----+
部分重要字段说明：
vector_index.load.total：索引加载总耗时。该值可能大于实际查询时间，因为可能有多个向量索引并行加载。vector_index.load.from_s3：从 S3 加载的索引数量。vector_index.load.from_disk：从磁盘加载的索引数量。该索引此前已从 S3 下载到本地磁盘。vector_index.load.from_cache：从缓存加载的索引数量。该索引此前已从 S3 下载到缓存。vector_index.search.total：在索引中搜索的总耗时。较大的延时通常意味着索引为冷数据（从未访问或长时间未访问），导致搜索时有大量 I/O 操作。该值可能大于实际查询时间，因为可能有多个向量索引并行搜索。vector_index.search.discarded_nodes：搜索过程中访问但被丢弃的向量行数。这些被丢弃的向量不会计入搜索结果。该值较大通常说明存在大量因UPDATE或DELETE语句产生的陈旧行。
关于输出的解读，参见 EXPLAIN、EXPLAIN ANALYZE 及 EXPLAIN 使用指南。
另请参阅
- KNN 搜索的解释改编自 ClickHouse 文档中 Approximate Nearest Neighbor Search Indexes 一文，作者为 rschu1ze，遵循 Apache License 2.0 许可协议。↩