火山引擎正式发布 DiskANN+RaBitQ 向量算法引擎

5月8日，火山引擎正式发布 DiskANN+RaBitQ 向量算法引擎，旨在解决大模型时代向量数据库“高性能、大规模、低成本”的核心需求，目前已开启邀测。

该向量算法引擎通过深度融合 DiskANN 算法与 Extended RaBitQ 向量量化技术，在高性能向量检索场景，查询性能较 HNSW 算法查询性能提升115%，内存资源消耗降低90%，用户向量数据库整体成本降低75%，为企业业务发展的不同时期提供高性价比、可平滑演进的向量检索方案，加速 AI 技术在各行业落地应用。

2024年，火山引擎云搜索团队就发现了 DiskANN 算法在市场需求中的潜力，推出高性价比的百亿级海量向量数据检索方案。DiskANN 和 HNSW 都是向量检索的优秀算法，HNSW 就像一座复杂的多层迷宫，凭借多层结构设计，能让计算机快速找到目标数据，但数据需要在多层迷宫里频繁检索，这就要求数据需要存放在高性能存储介质上，一旦数据量增大，硬件开销就会直线上升。而 DiskANN 则是单层图设计，天生适合把数据存在硬盘里，这就大大降低了存储成本，不过，在一些对检索性能要求高的场景下，它的速度还不够快。

火山引擎正式发布 DiskANN+RaBitQ 向量算法引擎 — 层级结构的 HNSW 和扁平结构的 DiskANN 对比图

随着企业业务的发展，新问题出现了，单纯的高性价比存储方案无法满足所有需求，而让企业切换到 HNSW 等高性能算法，又会带来数据格式不兼容、数据使用频率差异大、技术方案不能灵活升级等问题。

为解决这些难题，火山引擎云搜索团队决定深挖 DiskANN 算法的潜力，将其升级为集“大容量+高性能”于一体的统一算法引擎：

超大规模低成本方案：通过优化硬盘索引技术，用硬盘代替内存存储索引数据，资源成本比全内存方案降低95%以上，轻松解决海量数据“存不起”的难题，适合长期存储监控视频、图片等大量非结构化数据。

高性能场景算法方案：把常用索引数据存到内存里，搭建高速检索通道，让查询速度比传统 HNSW 算法提升54%，既能保持较低成本，又能满足实时推荐、即时问答等场景的快速检索需求。

智能混合模式方案：利用两种模式共享索引数据的特性，自动区分高频和低频数据——常用数据放内存快速查，不常用数据放硬盘省成本，在不增加硬件投入的情况下，查询延迟降低60%，灵活平衡不同业务时段的速度与成本需求。

高性能场景算法升级：采用学术界最新向量量化技术 Extended RaBitQ，在保证检索准确率超94%的同时，将内存使用量减少90%，向量数据库整体成本降低75%，相比 HNSW 算法查询性能提升115%。

DiskANN+RaBitQ 向量算法引擎的发布，标志着向量数据库从“用户业务系统适配多引擎”向“引擎平滑适配业务系统演进”的跨越，企业无需为不同业务场景选择不同的引擎，也不需要为业务在不同发展阶段切换引擎，同一套技术架构可以在近乎无感的情况下同时支持：

高性能场景：如电商实时推荐系统，通过内存加速实现毫秒级商品向量检索，提升用户体验；

大规模场景：如自动驾驶海量路测数据存储，利用磁盘存储降低长期归档成本；

混合场景：如智能客服 RAG 系统，热点问题通过内存快速响应，历史知识库依托磁盘高效存储，实现成本与性能的最优配比。

火山引擎通过技术创新而非简单方案堆叠，为企业提供了“一次技术选型，业务发展全周期需求覆盖”的能力，随着业务发展，企业可以根据业务实际需求，从容在成本和性能模式之间快速切换。目前已在信息服务、科研、法律、餐饮、智能制造等行业实现规模化应用，从落地客户案例来看，采用该引擎的企业平均研发周期缩短40%，运维成本降低50%。