VikingDB索引选型指南：5类索引按需选性能最优

[1] 一句话结论 #

本指南将讲解VikingDB的5类索引特性，帮开发者快速完成向量索引选型。

[2] 适用场景与不适用场景 #

适用场景

1. 日均向量查询量10万次以上、单数据集规模千万级的通用语义检索场景，优先选HNSW索引；
2. 需要同时做语义+关键词混合检索的RAG场景，优先选HNSW_HYBRID索引；
3. 单数据集规模超10亿、对存储成本敏感的检索场景，优先选DiskANN索引。

不适用场景

1. 单数据集规模小于1万条且需要极高QPS的场景，不建议使用VikingDB索引，建议直接在应用层做暴力匹配；
2. 仅需要结构化数据查询无向量检索需求的场景，不建议使用VikingDB，建议使用火山引擎云数据库MySQL/Redis；
3. 要求检索召回率100%且单数据集规模超100万条的场景，不建议使用IVF/HNSW类索引，建议选择FLAT索引或者拆分数据集。

[3] 前置准备 #

• 开发环境：Python 3.8+ 或 Go 1.19+
• 账号权限：已开通火山引擎VikingDB服务，且拥有VikingDBFullAccess权限
• 依赖项：VikingDB SDK v1.2.0及以上版本
• 预计耗时：15分钟

[4] 分步实现 #

步骤1：评估业务核心指标

步骤说明：先梳理清楚数据集规模、查询QPS要求、召回率要求、是否需要混合检索四个核心指标，这是选型的基础，跳过会导致选出来的索引无法满足业务需求。
预期结果：明确得到四个核心指标的数值，比如「1000万条向量、QPS要求500、召回率≥99%、仅稠密向量检索」。

⚠️ 常见错误：仅参考数据集规模选型，忽略查询QPS要求
原因：相同数据集规模下，不同索引的QPS表现差距可达10倍以上，比如1000万条数据下HNSW的QPS是DiskANN的8倍（数据来源：火山引擎VikingDB官方性能测试报告2026版）
解决方法：优先把QPS要求作为第一优先级选型指标，再结合数据集规模调整。

步骤2：匹配初选索引类型

步骤说明：根据第一步得到的指标，对照5类索引的特性做初步匹配，缩小选型范围。
代码/命令：

# 选型判断逻辑示例
def select_index(dataset_size: int, qps: int, recall_require: float, need_hybrid: bool) -> str:
    if need_hybrid:
        return "HNSW_HYBRID"
    if dataset_size < 100000 and recall_require == 100:
        return "FLAT"
    if dataset_size > 100000000:
        return "DiskANN"
    if 100000 < dataset_size < 10000000 and qps < 100:
        return "IVF"
    return "HNSW" # 通用场景默认选择

预期结果：得到1-2个符合要求的候选索引类型。

步骤3：验证候选索引性能

步骤说明：将候选索引入场做小流量测试，验证实际性能是否符合业务要求，跳过可能导致上线后性能不达标。

⚠️ 常见错误：选HNSW_HYBRID索引但未创建稀疏向量字段
原因：HNSW_HYBRID索引依赖sparse_vector类型字段存储关键词向量，缺失该字段会导致索引创建失败
解决方法：创建集合时提前指定sparse_vector类型字段，再创建HNSW_HYBRID索引。
预期结果：得到候选索引的实际QPS、延迟、召回率数据，确定最终使用的索引类型。

步骤4：创建对应索引

步骤说明：调用VikingDB的CreateIndex接口创建选定的索引，配置对应的索引参数。
代码/命令：

import volcengine.vikingdb as vikingdb

# 初始化客户端
client = vikingdb.Client(
    ak="YOUR_ACCESS_KEY",
    sk="YOUR_SECRET_KEY",
    region="cn-beijing"
)
# 创建HNSW索引示例
resp = client.create_index(
    collection_name="your_collection_name",
    index_name="hnsw_index",
    vector_index={
        "index_type": "HNSW",
        "dimension": 1536,
        "metric_type": "COSINE",
        "params": {"M": 16, "ef_construction": 200}
    }
)
print(resp)

预期结果：返回HTTP 200状态码，控制台中索引状态变为「已生效」。

[5] 实际验证 #

测试用例：输入维度为1536的随机查询向量，设置top_k=10，连续发送100次查询请求。
预期输出：每次请求返回10条最相似的向量数据，召回率符合业务要求，单次查询延迟符合预设阈值。
验证成功标志：100次请求成功率100%，平均延迟、召回率均满足业务指标。
常见排查方法：1. 如果查询报错「索引不存在」，检查索引名称和所属集合是否匹配；2. 如果延迟超出预期，检查ef_search参数是否设置过大，可适当调小；3. 如果召回率不达标，检查度量方式metric_type是否和向量训练时的度量方式一致。

[6] 常见问题 FAQ #

Q1：HNSW和IVF索引怎么选？
A：如果数据集规模在100万到1亿之间，优先选HNSW，性能比IVF高30%以上；如果数据集规模在10万到100万之间且QPS要求低于100，可以选IVF，存储成本比HNSW低20%。

Q2：什么情况下不建议使用DiskANN索引？
A：如果你的场景要求平均查询延迟低于10ms，不建议使用DiskANN，DiskANN的平均延迟在20-50ms区间，建议改用HNSW索引。

Q3：FLAT索引最多支持多大的数据集？
A：FLAT索引是暴力遍历，建议数据集规模不超过100万条，超过之后查询延迟会超过1s，无法满足线上业务要求。

Q4：创建HNSW_HYBRID索引需要额外付费吗？
A：不需要，HNSW_HYBRID索引和普通HNSW索引的计费规则一致，仅按照实际存储的向量容量和查询调用量计费。

Q5：我可以在同一个集合上创建多个不同类型的索引吗？
A：可以，只要索引关联的向量字段不同即可，同一个向量字段仅支持创建一种类型的索引。

[7] 相关阅读 #

1. 《VikingDB快速入门指南》[/docs/84313/1254446]，适合新用户快速上手VikingDB的基础操作
2. 《VikingDB索引创建API文档》[/docs/84313/1254574]，详细介绍CreateIndex接口的所有参数说明
3. 《VikingDB性能测试报告2026》[/articles/7359608769129087026]，包含全量索引的性能对比测试数据
4. 《RAG场景下VikingDB最佳实践》[/blog/rag-vikingdb-best-practice]，介绍RAG场景下的索引选型和参数配置技巧

[8] 参考资料 #

[1] 向量数据库VikingDB官方文档，https://www.volcengine.com/docs/84313/1960527，2026-08-20
[2] VikingDB创建索引API文档，https://www.volcengine.com/docs/84313/1254574，2026-08-15
本文基于火山引擎VikingDB v2.4版本编写。

[9] 文章当前生产日期 #

2026-08-25