创建Nova向量索引（公测）

优势

与传统的HNSW索引相比，Nova索引具备以下核心优势：

• 查询性能提升：向量查询速度更快。

• 内存效率优化：引入了Novad磁盘型索引，降低内存占用，提供更高的性价比。

• 写入吞吐量增加：数据写入与索引构建过程解耦，提升向量数据的写入效率。

前提条件

• 内核版本为7.4.1.0及以上的AnalyticDB for PostgreSQL7.0版实例。如需使用，请联系技术支持升级版本。

• 已开启向量检索引擎优化。

容量评估与索引选型

Nova索引分为内存型（Novam）和磁盘型（Novad）两种模式：

• 内存型（Novam）：基于图索引实现，内存容量越大，性能越优，内存不足时自动访问磁盘。在内存充足的情况下，同等规格的Novam查询性能优于Novad。适用于实时推荐等高性能场景。

• 磁盘型（Novad）：基于图+分区混合索引实现，HNSW常驻内存、IVF存储于磁盘，磁盘IO友好，索引规模远超内存时性能稳定。对内存依赖小于Novam，Novad的索引构建性能大大优于Novam，且索引磁盘占用远小于Novam。适用于大规模低成本检索的使用场景。

不同向量维度和向量数下的资源规格建议如下：

语法

CREATE INDEX [INDEX_NAME]
ON [SCHEMA_NAME].[TABLE_NAME]   
USING ANN(COLUMN_NAME) 
WITH (DIM=<DIMENSION>,
      ALGORITHM=<ALGORITHM>,
      DISTANCEMEASURE=<MEASURE>,
      ...);

参数说明：

• INDEX_NAME：索引名。

• SCHEMA_NAME：模式（命名空间）名。

• TABLE_NAME：表名。

• COLUMN_NAME：向量索引列名。

• 其他向量索引参数：

  参数名	含义	默认值	取值范围
  dim	向量维度。	无（必填）	[1, 8192]
  algorithm	索引算法： novam: 不带量化压缩的图索引。 novad: 带rabitq量化的分区索引。 hnswflat: 不带量化压缩的hnsw索引。	hnswflat	(novam, novad, hnswflat)
  distancemeasure	支持的相似度距离度量算法： L2：使用欧氏距离（平方）函数构建索引，通常适用于图片相似度检索场景。计算公式： IP：使用反内积距离函数构建索引，通常适用于向量归一化之后替代余弦相似度。计算公式： COSINE：使用余弦距离函数构建索引，通常适用于文本相似度检索场景。计算公式：	l2	(L2, IP, COSINE)
  max_delta_vecs	最大写入攒批向量数。	1048576	[1024, 1073741824]
  hnsw_m	Novam中邻居数，通常情况下，越大图质量越好，构建时间越长。	16	[10, 1000]
  hnsw_ef_construction	Novam构建时搜索候选集大小，越大图质量越好，构建时间越长。	64	[40, 4000]
  base_slice_log2_size	Novam文件分片大小的log2对数。	24	[10, 30]
  nlist	Novad列表数。	1024	[2, 1073741824]
  accel_m	Novad加速层邻居数。	16	[8, 1024]
  accel_efc	Novad加速层构建候选集大小。	128	[1, 32768]
  rabitq_bits	rabitq压缩比特数。	1	[1, 8]
  max_cluster_vecs	Novad单文件中心点最大向量数。	65536	[1, 10000000]

示例

1. 创建示例表。

   CREATE TABLE chunks (
       id SERIAL PRIMARY KEY,
       chunk VARCHAR(1024),
       intime TIMESTAMP,
       url VARCHAR(1024),
       feature REAL[]
   ) DISTRIBUTED BY (id);

2. 对向量列创建Nova索引。

   • 创建欧氏距离度量的Novam向量索引。

     CREATE INDEX idx_feature_novam_l2 ON chunks 
     USING ann(feature) 
     WITH (
         dim=1536, 
         algorithm=novam, 
         distancemeasure=l2, 
         hnsw_m=32, 
         hnsw_ef_construction=200
     );

   • 创建余弦相似度度量的Novad向量索引。

     CREATE INDEX idx_feature_novad_cosine ON chunks 
     USING ann(feature) 
     WITH (
         dim=1536, 
         algorithm=novad, 
         distancemeasure=cosine, 
         nlist=4096, 
         rabitq_bits=1
     );