当向量数据库支持多种距离度量时，底层的索引结构和优化策略必须根据每种度量的数学特性进行调整。例如，针对内积（点积）优化的索引处理向量幅值和角度关系的方式，会与为欧氏距离（L2）设计的索引不同。这些差异影响数据的组织、存储和查询方式，以最大化性能和准确性。
对于 L2 距离，索引通常依赖于空间分区技术，如 Voronoi 图或分层可导航小世界 (HNSW) 图，这些技术优先考虑几何邻近性。例如，在乘积量化 (PQ) 索引中，向量被分割成子向量，并训练码本以最小化 L2 重构误差。这使得近似最近邻 (ANN) 搜索可以通过比较量化子向量来有效地计算距离。相比之下，内积优化需要同时处理向量方向和幅值。在这种情况下，索引可能会在预处理期间对向量进行归一化，将内积计算转换为余弦相似度，从而简化比较。或者，对于倒排索引 (IVF)，可以使用聚类算法（如归一化质心的球面 k-means）根据角度相似性对向量进行分组，确保簇与内积对向量方向的强调相符。
距离计算的加速方式也各不相同。L2 受益于预计算平方项以避免冗余计算（例如，使用公式 ||a-b||² = ||a||² + ||b||² - 2a·b）。针对 L2 优化的索引可能会存储预计算的向量平方幅值，以加速成对比较。对于内积，索引可能侧重于优化矩阵乘法（例如，使用优化的 BLAS 库）或采用剪枝策略，当查询向量归一化时，丢弃幅值低于阈值的向量。此外，基于图的索引（如 HNSW）会调整其边选择标准：对于 L2，边优先选择几何邻居，而对于内积，即使空间上不接近，边也可能优先选择点积值高的向量。
最后，硬件优化可能有所不同。例如，L2 计算很适合 SIMD 指令集用于并行算术运算，而内积可能利用融合乘加运算。数据库也可能使用特定于度量的压缩：用于 L2 的 PQ 码本最小化欧氏误差，而内积码本可以最大化点积保留。这些定制方法确保了每种度量的独特要求——无论是几何的 (L2) 还是对角度/幅值敏感的（内积）——都能在存储和查询执行中得到有效处理。