向量数据库中的索引是组织高维向量数据的过程，旨在实现高效的相似性搜索。 索引不是将查询向量与每个存储的向量进行比较（随着数据集的增长，这种方法在计算上会变得非常昂贵），而是创建结构化的快捷方式。 这些快捷方式按相似性对向量进行分组，或者降低比较的复杂性，从而使数据库能够快速缩小可能匹配查询的候选范围。 常见的技术包括基于树的结构、基于图的方法或聚类算法，每种方法都经过定制，以平衡速度、准确性和内存使用。
一种广泛使用的索引方法是分层可导航小世界（HNSW）图。 HNSW 构建互连节点的层，其中较高层代表粗粒度的关系，而较低层捕获更精细的细节。 在搜索期间，该算法从顶层开始，导航到查询向量的大概位置，然后在较低层中细化搜索。 另一种方法是倒排文件索引（IVF），它使用诸如 k-means 之类的算法将向量划分为聚类。 每个群集由一个质心表示，查询首先与质心进行比较，以识别最相关的群集。 例如，在图像检索系统中，IVF 可能会将相似的图像嵌入分组到群集中，从而将搜索范围从数百万个向量减少到数千个向量。 诸如乘积量化（PQ）之类的技术进一步将向量压缩为较小的代码，从而通过近似相似性来实现更快的距离计算。
索引方法的选择取决于用例的需求。 HNSW 因其高精度和可扩展性而备受青睐，使其适用于推荐系统等应用程序。 但是，它需要更多的内存。 另一方面，带有 PQ 的 IVF 针对内存效率和速度进行了优化，这在资源受限的环境中非常有用。 开发人员通常会调整 IVF 中聚类的数量或 HNSW 中图的连通性等参数，以平衡性能。 例如，增加 IVF 中聚类的数量会减少搜索空间，但如果质心不具有代表性，则可能会遗漏相关向量。 索引通常是一个预处理步骤，FAISS 之类的库或 Milvus 之类的数据库抽象了大部分复杂性，从而使开发人员可以专注于根据其数据大小、维度和延迟需求来配置这些参数。