向量数据库检索配置：让相似度搜索返回正确结果的关键参数
检索结果不准，多数情况不是向量数据库本身坏了，而是嵌入模型、距离度量、索引参数和返回数量这四项没有对齐。
向量数据库检索配置的本质，是让查询向量与库内向量在同一套规则下比较，并把最相似的几条稳定取回来。
下面按实际配置流程展开，以 Milvus 的 collection 参数为例，其他向量库的字段名不同，判断逻辑相通。
先确认嵌入模型和向量维度
向量数据库只负责存和算，不负责把文字变成向量。
配置检索之前，必须先固定嵌入模型，并确认它输出的维度。
比如某个模型输出 768 维，collection 的向量字段就必须是 768 维，查询时也必须用同一个模型生成查询向量。
常见错误是建库时用了 A 模型，查询时换了 B 模型，维度即使碰巧相同，语义空间也不一致，检索结果会明显跑偏。
另一个坑是文本预处理不一致：入库时做了小写和去标点，查询时没做，相似度分数会下降。
建议在建库前把下面三件事记下来：
- 嵌入模型名称和版本，入库与查询必须一致
- 向量维度，与 collection 定义严格匹配
- 文本清洗规则，入库和查询共用同一段预处理代码
距离度量要和模型训练方式匹配
距离度量决定“相似”怎么算。
常见选项有内积（IP）、余弦相似度（COSINE）和欧氏距离（L2）。
多数文本嵌入模型在训练时使用余弦相似度或归一化后的内积，因此文本检索优先选 COSINE 或 IP。
如果模型输出向量已经归一化，IP 和 COSINE 的结果排序通常一致；
如果没归一化，用 IP 可能被向量长度带偏。
L2 更适合图像特征或坐标类数据，不要因为“看起来通用”就选它。
配置时注意：距离度量在创建 collection 时就固定，后期修改通常要重建索引甚至重建 collection。
建库前确认清楚，比事后补救省事。
索引参数按数据规模选
以 Milvus 为例，创建索引时可以指定类型和关键参数。
数据量在百万级以内，HNSW 是常用选择，配置片段大致如下：
index_params = {
"index_type": "HNSW",
"metric_type": "COSINE",
"params": {
"M": 16,
"efConstruction": 200
}
}M 控制每个节点的连接数，值越大召回越高、内存占用也越大；efConstruction 影响建索引时的搜索深度，值越大索引质量越好但构建越慢。
数据量更大或内存受限时，可以考虑 IVF 系列，用 nlist 控制聚类数量，查询时用 nprobe 控制扫描的聚类数。
参数没有“最佳值”，只有和你的数据规模、内存、延迟要求匹配的值。
新手先从小规模样本调起，不要一上来就照搬网上的大参数。
检索时控制 top_k 和过滤条件
检索请求里有两个容易忽略的配置：返回数量 top_k 和标量过滤条件。top_k 太小会漏掉相关结果，太大会把不相关结果带进后续流程。
一般从 5 到 10 开始，根据下游是直接展示还是交给大模型再排序来调整。
如果检索时带了过滤条件，比如只查某个分类下的文档，要确认过滤字段已经建好索引，否则查询会退化成全量扫描，延迟明显上升。
过滤条件过多时，可以适当提高 top_k 再在应用层截断。
一个可执行的检索调用示例：
results = collection.search(
data=[query_vector],
anns_field="embedding",
param={"metric_type": "COSINE", "params": {"ef": 64}},
limit=10,
expr="category == 'manual'"
)这里的 ef 是查询时的搜索深度，通常不小于 top_k，调大能提升召回，但会增加延迟。
用固定样本验证召回效果
配置完成后不要凭感觉判断。
准备 10 到 20 条已知答案的查询样本，记录每条查询期望返回的文档 ID，然后实际检索，看期望结果是否出现在前 top_k 中。
验证时重点看三类现象：
- 期望结果完全不在返回列表：先查嵌入模型是否一致、向量维度是否匹配
- 期望结果排名靠后：适当调大
ef或nprobe，或检查距离度量是否选错 - 返回结果重复或明显不相关：检查入库时是否重复写入、文本清洗是否一致
每次只改一个参数，改完重新跑同一批样本，记录召回变化。
这样调出来的配置才是可复现的。
常见疑问
向量维度和索引参数哪个更优先确认？
维度优先。
维度不匹配时检索直接报错或结果无意义，索引参数只影响召回和延迟，所以先保证维度、模型、距离度量三者一致，再调索引参数。
top_k 调大就能解决召回差吗？
不一定。
如果相关文档根本没进候选集，调大 top_k 只是把更多不相关结果带出来。
先确认嵌入模型和距离度量，再考虑调大搜索深度参数。
改索引参数需要重建数据吗？
多数向量数据库修改索引类型或距离度量需要重建索引，部分参数可以动态调整。
操作前先备份 collection 或确认可以从原始数据重新导入，避免改坏后无法回滚。
向量数据库检索配置没有一劳永逸的模板。
把嵌入模型、距离度量、索引参数和 top_k 当作一组联动的配置来管理，每次变更后用固定样本复查召回，才能让相似度搜索稳定返回正确结果。
