分片结果合并前先问每个分片返回的是什么。若它返回同一距离定义下的精确Top-K合并不是近似问题若分片内部已经漏召回协调器排得再认真也只能处理手里那批候选。原理示意非真实系统截图或性能测量。精确Top-K为什么够用固定距离升序、文档ID升序作为全序。假设一个全局前K的点在所属分片排到K名之后那么该分片至少有K个点排在它前面。这K个点在全局也都排在它前面与“全局前K”矛盾。所以每片取精确Top-K再合并足够得到全局Top-K。成立条件不能省分片覆盖完整、度量一致、ID与并列顺序一致。余弦相似度直接与平方L2混排或者每片使用不同量化标尺都不符合前提。内图中的四个距离是教学输入不是一次检索测量。from heapq import nsmallest def exact_top(shards, k): if k 0: raise ValueError(negative k) local [nsmallest(k, rows) for rows in shards] return nsmallest(k, (x for rows in local for x in rows)) shards [[(1,A),(4,D)],[(2,B),(3,C)]] assert exact_top(shards, 2) [(1,A),(2,B)] assert exact_top(shards, 0) [] skewed [[(i,str(i)) for i in range(20)],[(100,Z)]] assert exact_top(skewed, 5) nsmallest(5, sum(skewed, [])) print(PASS exact merge, skewed shards and k0)ANN损失要记在哪一层HNSW、CAGRA等近似搜索可能在局部搜索阶段就没走到某个真正近邻。超额召回与增大探索深度可以改变这个概率但不是数学上的无损保证。cuVS CAGRA文档也把它定义为近似图检索精确结果需要精确基线。重打分能纠正“已召回候选”的近似距离无法补出从未进入候选集的点。不能把“对候选精确排序”写成“全库精确召回”。缺片是另一类问题。一个分片不可用从健康分片多拿几倍候选不会把故障片上的文档变出来。此时应返回覆盖范围或missing_shards由业务决定是否接受不完整结果。该怎样验证一个分布式实现先用Faiss所述的统一度量建立全库精确金标再分别统计局部ANN漏召回、量化重排变化、超时缺片。网络字节、延迟与Recall应在相同数据和查询分布下比较。本文Python示例本地通过仅验证精确合并命题的几个有限例子。没有运行HNSW集群没有“召回损失5%—15%”或“1ms合并百万候选”的成绩。要给“无损”盖章先看前提不看协调器名字里有没有Merge。本地示例使用Python 3.9.6保存完整Python块为demo.py后可用python3 demo.py复现。示例只验证文中限定的逻辑不代表已接入数据库或模型。
