均摊每条再挂 2KB 标题加摘要、tag 基数上万。向量分之外还要给近七天更新加点、热门 FAQ 小幅抬、官方手册加权。哪些列该做标量索引,哪些只作为命中后回表的 payload?内存和 P95 谁会先崩?
题目
均摊每条再挂 2KB 标题加摘要、tag 基数上万。向量分之外还要给近七天更新加点、热门 FAQ 小幅抬、官方手册加权。哪些列该做标量索引,哪些只作为命中后回表的 payload?内存和 P95 谁会先崩?
参考答案
点击展开参考答案
- 权威、新鲜度、热度是排序特征,不是「能不能召回」的几何性质:先用向量取一个较宽的候选窗,再把向量分校准后与有界的加性提升合并。
- 建标量索引的只应是查询会按范围或离散档去读的低基数列(权威档、时间桶、热度桶);标题、摘要、原始 tag 列表只当回表 payload,给生成或展示用。
- 平均 2KB 正文摘要若常驻在 ANN 进程里,百万级就是大约 2GB 的散乱读取,P95 会先坏在攒 payload 而不是算距离;上万取值的 tag 若按倒排全建,更新放大和内存会先于那几个加分项爆掉。
- 合成可以写成 (s = z(\mathrm{sim}) + w_a a + w_r r + w_p p)。
- (z(\mathrm{sim})) 必须按查询做,例如对本查询候选窗 min-max 或 z-score,否则余弦 0.3–0.9 的动态范围会被「官方 +0.5」直接淹没。