产品 FAQ

如果您想要可靠的海量向量相似性检索，以及亿级数据搜索的毫秒级响应，那 Milvus 将是您不二的选择。Milvus 一键安装、配置简易、运行可靠，保证数据准确性的同时，提供超高速的搜索响应。

Milvus 单行读取速度约 0.6 毫秒，单行写入速度在 0.03 毫秒左右。高效兼容各类机器学习模型和算法，优化了查询性能。而且提供结构化和非结构化数据的混合查询方案。

目前 Milvus 提供 Python 和 C++ 的 SDK 接口，同时还支持所有基于 Thrift 的通信方式。

Milvus 安装简单，仅需下载相关 docker 镜像文件。易用性强，通过 Python 等 SDK 接口即可完成向量插入、检索等操作。若要了解更多，请看安装 Milvus.

想要开启您的第一次向量搜索？请阅读 .

Milvus 集群具备高可用性，其存储和计算等集群均容许部分组件失效，而不影响整个集群的使用。

向量存入 Milvus 后，Milvus 会给对应向量一个ID，用户需要自己将该向量ID和其对应的其他属性存入另外一个数据库系统。查询的时候，用户提供需要查询的向量，Milvus 会返回和用户提供向量最匹配的数个向量的ID以及匹配度。

IVFFlat

如果不追求100%精确匹配，可以选择 IVFFlat 类型索引，支持大数据量的高精度匹配。
IVF_SQ8

运用 scalar quantization 的向量索引，能大幅缩小向量体积（大概缩减3/4），从而能有效提高向量吞吐量。
NSG (Navigating Spreading-out Graph) 是一种基于图的索引算法，它可以 a) 降低图的平均出度；b) 缩短搜索路径；c) 缩减索引大小；d) 降低索引复杂度。

大量测试显示 NSG 响应快、搜索精度高，而且需要占用的内存更小。相比非基于图的索引算法，在相同精度的条件下，搜索速度更快。

支持。如果您想在Milvus里边插入向量边查询，建议在 home/$USER/milvus/conf/server_config.yaml 下的 cache_config 区域，将参数 insert_cache_immediately 设置为 True。

向量数据可以存储在您的本地磁盘，或是MinIO云上。若要了解更多，请阅览数据存储。

尽管这些都支持海量向量的相似度检索，Milvus 是其中唯一成熟易用的向量检索数据库系统，具备高可用、弹性扩展等特性。

想要了解更多性能对比，请看。