Milvus 是一个开源的向量数据库，用于存储、检索和分析向量数据。它支持多种索引类型，每种都有其特定的用途和优化方式。
以下是 Milvus 支持的一些主要向量索引类型：
FLAT（暴力搜索）
在这种索引类型中，不进行任何预处理，每次查询都会与数据库中的所有向量进行比较。这种方法可以保证最高的准确性，但在大数据集上效率较低。
FLAT最适合于在小规模，百万级数据集上寻求完全准确和精确的搜索结果的场景。
IVF_FLAT（Inverted File）
IVF_FLAT 是一种基于聚类的索引。它首先将数据集分割成多个聚类（通常使用 K-means 算法），然后只在与查询向量最近的几个聚类中搜索最近邻。搜索速度比 FLAT 快，尤其是在大规模数据集上。
IVF_FLAT是一种量化索引，最适合于在精度和查询速度之间寻求理想平衡的场景。
IVF_SQ8（Inverted File with Scalar Quantizer）
在 IVF 的基础上，使用标量量化器进一步压缩每个子空间内的向量，以减少存储空间和提高搜索速度。
IVF_SQ8是一种量化索引，最适合于在磁盘、CPU和GPU内存消耗非常有限的场景中显著减少资源消耗。
IVF_PQ（Inverted File with Product Quantizer）
类似于 IVF_SQ，但使用乘积量化器进行更复杂的量化，以进一步提高压缩率和搜索效率。
IVF_PQ是一种量化索引，最适合于在高查询速度的情况下以牺牲精度为代价的场景。
HNSW（Hierarchical Navigable Small World，分层的导航小世界）
HNSW 是一种基于图的索引，它通过构建多层图结构来加快搜索过程。每一层都是下一层的稀疏子图，搜索从上层开始，逐层下降，直到达到底层图。
这是一种基于图的索引方法，通过构建层次化的小世界网络，可以在保持较高准确性的同时提高搜索效率。
ANNOY（Approximate Nearest Neighbors Oh Yeah）
ANNOY 是一种基于树的索引，它构建了多棵树，每棵树都是通过随机切割数据空间来构建的。
在大规模数据集上能够提供快速的查询时间，并且构建索引的时间相对较短，最适合于寻求高召回率的场景。
