提升向量检索性能

TiDB 向量检索支持执行近似最近邻（ANN）查询，用于查找与图片、文档或其他输入相似的结果。为了提升查询性能，请参考以下最佳实践。

为向量列添加向量检索索引

向量检索索引 能显著提升向量检索查询的性能，通常可提升 10 倍以上，代价仅为召回率的轻微下降。

确保向量索引已完全构建

在你插入大量向量数据后，部分数据可能仍处于 Delta 层，等待持久化。这部分数据的向量索引会在数据持久化后构建。在所有向量数据都被索引之前，向量检索的性能并不理想。要查看索引的构建进度，请参见 查看索引构建进度。

降低向量维度或缩短嵌入向量

随着向量维度的增加，向量检索索引和查询的计算复杂度会显著提升，需要进行更多的浮点数比较。

为了优化性能，建议在可行的情况下降低向量维度。这通常需要切换到其他嵌入模型。在切换模型时，你需要评估模型变更对向量查询准确率的影响。

某些嵌入模型（如 OpenAI 的 text-embedding-3-large）支持缩短嵌入向量，即在不影响嵌入向量语义表达能力的前提下，从向量序列末尾移除部分数值。你也可以通过此类嵌入模型来降低向量维度。

查询结果中排除向量列

向量嵌入数据通常体积较大，仅在检索过程中使用。通过在查询结果中排除向量列，可以大幅减少 TiDB 服务器与 SQL 客户端之间传输的数据量，从而提升查询性能。

要排除向量列，请在 SELECT 子句中显式列出你需要查询的字段，而不是使用 SELECT * 查询所有列。

预热索引

当访问从未被使用过或长时间未被访问（冷访问）的索引时，TiDB 需要从云存储或磁盘（而非内存）加载整个索引。此过程会耗费一定时间，通常导致查询延迟升高。此外，如果长时间（如数小时）没有 SQL 查询，计算资源会被回收，后续访问也会变为冷访问。

为避免此类查询延迟，在实际负载前，可以通过执行命中向量索引的类似向量检索查询来预热索引。