ann 标签归档 | 土法炼钢 · 系统与基础设施

ScaNN 与 DiskANN：量化损失、Vamana 与 SSD 图检索

从 ScaNN 的 score-aware 各向异性量化到 DiskANN 的 Vamana 图与 SSD beam search，核对论文公式、开源参数和可复现实验，说明内存量化与磁盘图检索各自解决什么问题。

不重复 HNSW、PQ 和 DiskANN 细节，而是把向量检索放回引擎层：段式存储、墓碑删除、过滤搜索、mmap、并发快照与可复现召回评测。

定位专用向量检索引擎相对 ANN 算法、RAG 应用与湖仓格式的分工；以 Milvus 2.6.x 四层架构与 insert/search 最小故事建立坐标系，并交代从 SIGMOD 2021 到 Streaming 演进的谱系与常见误解。

存储工程视角的向量检索入门：L2/余弦/内积的几何意义与归一化等价、暴力基线、LSH/HNSW/量化直觉与 FAISS 选型；算法深度与生产引擎内核外链到 db-frontier 与 vector-engine。

把 HNSW、IVF、DiskANN、Flat 收成引擎侧 Train/Build/Load/Search 契约与构建期/查询期参数面；用生命周期图与召回–QPS–内存三角说明索引如何贴着 Segment，并与 db-frontier/08、第 8 篇 Knowhere 分工。

补齐 ANN 算法与 RAG 应用之间的生产级向量引擎层：以 Milvus 2.6.x 为主线拆解 Segment、WAL、Segcore、Knowhere、混合过滤与一致性，并用 Qdrant、LanceDB、pgvector 对照选型。

系统拆解 HNSW、DiskANN/Vamana、SPANN 三类主流 ANN 索引的原理、构建算法、查询流程与工程参数，并覆盖 IVF-PQ、ScaNN 的位置，最后给出 FAISS/Milvus/pgvector/Qdrant 的选型与一份 200 行 numpy HNSW 复现。