从存储中消除可选矢量实例

2025-08-25

Azure AI 搜索会存储特定工作负载中使用的矢量字段的多个副本。如果不需要支持特定行为，例如在查询响应中返回原始矢量，则可以在索引中设置属性以忽略该工作负载的存储空间。

移除存储是不可逆的，如果你之后想要恢复存储内容，则需要重新建立索引。

先决条件

搜索索引中的矢量字段，通过vectorSearch配置可选分层导航小型世界（HNSW）或详尽 K-最近邻（KNN）算法，以及新的矢量描述。

如何存储矢量字段

对于每个矢量字段，最多可以有三个矢量副本，每个副本提供不同的用途：

实例	用法	受控使用
在文档索引过程中接收到的源矢量（JSON 数据）	用于通过 `merge` 或 `mergeOrUpload` 索引操作进行增量数据刷新。也用于在查询响应中返回“可检索”矢量。	矢量字段上的 `stored` 属性
原始全精度矢量（二进制数据）	用于内部索引操作，以及在较旧的 API 版本中进行详尽的 KNN 搜索。对于压缩矢量，它还用于对从 ANN 搜索得到的过采样候选结果集进行 `preserveOriginals` 重新评分。这适用于经历标量或二进制量化的矢量字段。	`rescoringOptions.rescoreStorageMethod` 中的 `vectorSearch.compressions` 属性。
HNSW 图中用于近似最近邻（ANN）搜索的向量，或用于详尽 K-最近邻（eKNN 索引）搜索的向量	用于查询执行。包括全精度矢量（未应用压缩时）或量化矢量。	Essential。没有用于移除该实例的参数。

可以设置相关属性，以永久丢弃矢量存储中的前两个实例（JSON 数据和二进制数据），但不能丢弃最后一个实例。

为了弥补 HNSW 的有损压缩带来的影响，可以保留第二个实例（二进制数据）用于重新评分，以提高 ANN 搜索质量。对于 eKNN，仅支持标量量化，并且不提供重新评分选项。在较新的 API 版本（如最新预览版）中，对于 eKNN 不保留第二个实例，因为第三个实例在 eKNN 索引中提供了全精度矢量。

使用 2024-11-01-preview 或更高版本 API 创建的索引

对于使用 2024-11-01-preview 或更高版本 API 且带有未压缩矢量字段创建的索引，作为我们降低成本措施的一部分，第二个和第三个实例（二进制数据和 HNSW 图）会合并在一起，从而减少总体存储量。具有合并矢量的新一代索引在功能上与旧索引等效，但占用的存储空间更少。物理数据结构是在创建索引请求时建立的，因此必须删除并重新创建索引才能实现存储量减少。

如果选择矢量压缩，人工智能搜索会压缩（量化）矢量索引的内存部分。由于内存通常是矢量索引的主要限制因素，这种做法使你能够在相同的搜索服务中存储更多矢量。然而，有损压缩意味着索引中的信息减少，这可能会影响搜索质量。

为了减轻信息损失，可以启用“重新评分”和“过度采样”选项来帮助保持搜索质量。其效果是从压缩索引中检索出更大的候选文档集，并使用原始矢量或点积重新计算相似度分数。为了使重新评分起作用，在某些情况下必须在存储中保留原始矢量。因此，尽管量化会减少内存使用量（矢量索引大小的使用），但由于同时存储了压缩矢量和原始矢量，它会略微增加存储需求。额外的存储量大约等于压缩索引的大小。

移除源矢量（JSON 数据）

stored 属性是矢量字段定义中的一个布尔属性，它决定是否为在索引过程中获取的可检索矢量字段内容（源实例）分配存储。默认情况下，stored 属性为 true。如果查询响应中不需要原始矢量内容，则可以通过将 stored 更改为 false 来为每个字段节省最多 50% 的存储空间。

将 stored 设置为 false 的注意事项：

由于矢量不是人类可读的，因此可在 RAG 方案中在发送到 LLM 的结果中省略这些标量，并在搜索页面上呈现的结果中省略它们。然而，如果在使用矢量内容的下游进程中使用矢量，请保留它们。
但是，如果索引策略包括部分文档更新，例如现有文档上的“merge”或“mergeOrUpload”，则设置 stored=false 可阻止在合并期间对这些字段进行内容更新。在对搜索文档的每个“merge”或“mergeOrUpload”操作中，必须完整提供矢量字段，以及要更新的非矢量字段，否则将删除矢量。

重要

设置 stored=false 属性是不可逆的。只能在创建索引时设置此属性，并且仅在矢量字段上允许此属性。使用新矢量字段更新现有索引不能将此属性设置为 false。如果以后需要可检索的矢量内容，则必须删除并重新生成索引，或创建并加载具有新属性的新字段。

对于搜索索引中的新矢量字段，请将 stored 设置为 false 以永久删除矢量字段的可检索存储。以下示例显示了具有 stored 属性的矢量字段定义。

PUT https://[service-name].search.azure.cn/indexes/demo-index?api-version=2024-07-01 
  Content-Type: application/json  
  api-key: [admin key]  

    { 
      "name": "demo-index", 
      "fields": [ 
        { 
          "name": "vectorContent", 
          "type": "Collection(Edm.Single)", 
          "retrievable": false, 
          "stored": false, 
          "dimensions": 1536, 
          "vectorSearchProfile": "vectorProfile" 
        } 
      ] 
    }

要点总结

适用于具有矢量数据类型的字段。
影响磁盘上的存储，而不是内存，并且对查询没有影响。查询执行使用不受 stored 属性影响的单独矢量索引，因为始终会存储矢量的副本。
stored 属性是在矢量字段上创建索引期间设置的，并且是不可逆的。如果以后想要检索内容，则必须删除并重建索引，或者创建并加载具有新属性的新字段。
默认情况下，stored 设置为 true，retrievable 设置为 false。在默认配置中，会存储可检索的副本，但不会在结果中自动返回。当 stored 为 true 时，可以随时在 true 和 false 之间切换可检索 retrievable，而无需重建索引。当 stored 为 false 时，retrievable 也必须为 false 并且不能更改。

移除全精度矢量（二进制数据）

注释

此功能目前处于公开预览状态。此预览版未随附服务级别协议，建议不要用于生产工作负载。某些功能可能不受支持或者受限。有关详细信息，请参阅适用于 Azure 预览版的补充使用条款。

使用标量量化或二进制量化来压缩矢量时，查询将基于量化后的矢量执行。在这种情况下，只有当你想要重新评分时，才需要原始的全精度矢量（二进制数据）。

如果你使用较新的预览版 API 并且采用二进制量化，则可以放心地丢弃全精度矢量，因为现在的重新评分策略使用二进制嵌入的点积，无需参考索引中的全精度矢量就能生成高质量的搜索结果。

rescoreStorageMethod 属性用于控制是否存储全精度矢量。关于是否保留全精度矢量的指导原则如下：

对于标量量化，应在索引中保留原始全精度矢量，因为重新评分时需要用到它们。
对于二进制量化，要实现最高质量的重新评分，则保留原始全精度矢量；如果希望基于二进制嵌入的点积进行重新评分，可以丢弃全精度矢量（需要 2025-03-01-preview）。

在过去的几个版本中，矢量存储策略一直在不断发展。索引创建日期和 API 版本决定了存储选项。

API 版本	适用于	移除原始全精度矢量
2024-07-01 及更早版本	不適用。	没有移除全精度矢量的机制。
2024-11-01-preview	二进制嵌入	使用 `rescoreStorageMethod.discardOriginals` 可移除全精度矢量，但这样做会导致无法重新评分。如果原始矢量已被移除，则 `enableRescoring` 必须为 false。
2025-03-01-预览版	二进制嵌入	使用 `rescoreStorageMethod.discardOriginals` 可在索引中移除全精度矢量，同时仍保留重新评分的选项。在此预览版中，重新评分是可行的，因为技术已发生变化。重新评分时使用二进制嵌入的点积，生成的高质量搜索结果等同于或优于早期基于全精度矢量的技术。

请注意，表格中未列出标量量化。如果使用标量量化，并且想要重新评分，则必须保留原始全精度矢量。

在 vectorSearch.compressions 中，rescoreStorageMethod 属性默认设置为 preserveOriginals，该属性保留用于过度采样和重新记录功能的全精度矢量，以减少对 HNSW 图的丢失压缩的影响。如果不需要全精度矢量，可以通过将 rescoreStorageMethod 设置为 discardOriginals 来减少矢量存储。

重要

设置 rescoreStorageMethod 属性是不可逆的，并且可能会对搜索质量产生不利影响，尽管影响程度取决于压缩方法以及应用的任何缓解措施。

要设置此属性，请执行以下操作：

使用创建索引(预览版)或创建或更新索引(预览版) REST API，或提供该功能的 Azure SDK beta 包。
使用配置文件、算法和压缩将 vectorSearch 部分添加到索引。

在 vectorSearch.compressions 下，添加 rescoringOptions，并将 enableRescoring 设置为 true，defaultOversampling 设置为正整数，对于二进制量化，将 rescoreStorageMethod 设置为 discardOriginals；对于标量量化，将其设置为 preserveOriginals。

PUT https://[service-name].search.azure.cn/indexes/demo-index?api-version=2025-03-01-preview

{
    "name": "demo-index",
    "fields": [. . . ],
    . . .
    "vectorSearch": {
        "profiles": [
            {
            "name": "myVectorProfile-1",
            "algorithm": "myHnsw",
            "compression": "myScalarQuantization"
            },
            {
            "name": "myVectorProfile-2",
            "algorithm": "myHnsw",
            "compression": "myBinaryQuantization"
            }
        ],
        "algorithms": [
          {
            "name": "myHnsw",
            "kind": "hnsw",
            "hnswParameters": {
              "metric": "cosine",
              "m": 4,
              "efConstruction": 400,
              "efSearch": 500
            },
            "exhaustiveKnnParameters": null
          }
        ],
        "compressions": [
            {
                "name": "myScalarQuantization",
                "kind": "scalarQuantization",
                "rescoringOptions": {
                    "enableRescoring": true,
                    "defaultOversampling": 10,
                    "rescoreStorageMethod": "preserveOriginals"
                },
                "scalarQuantizationParameters": {
                    "quantizedDataType": "int8"
                },
                "truncationDimension": null
            },
            {
                "name": "myBinaryQuantization",
                "kind": "binaryQuantization",
                "rescoringOptions": {
                    "enableRescoring": true,
                    "defaultOversampling": 10,
                    "rescoreStorageMethod": "discardOriginals"
                },
                "truncationDimension": null
            }
        ]
    }
}

共用方式為