火山引擎向量数据库：抖音大规模实践

作者 | 火山引擎 VikingDB

AI 时代，如何用好大模型是当前各行各业瞩目的焦点。向量数据库作为大模型“记忆体”，不仅能够为其提供数据存储，而且能通过数据检索、分析让大模型进行知识增强，成为生成式 AI 应用开发新范式的重要组成部分。

用图片搜索图片或者文本搜索文本时，在数据库中存储和对比的并不是图片和视频片段，而是通过深度学习等算法将其提取出来的“特征”，“特征”提取的过程称为 Embedding，提取出的“特征”用数学中的向量来表示。向量化的目的是为了通过向量相似来进行非结构化数据的检索，向量化后的数据才能够被 AI 模型更好的理解使用。向量数据库就是用于生产、存储、索引和分析来自机器学习模型产生的海量向量数据的数据库系统。其典型应用场景比如：基于大语言模型的智能客服、基于企业知识库的问答以及 Chatdoc 等工具应用。

火山引擎向量数据库技术演进之路

存算分离的分布式架构搭建

在抖音集团内部，早期的向量化检索引擎是围绕搜索、推荐、广告业务来构建的，由于这些业务天然具有极大的数据规模，因此从一开始，就需要思考如何在向量索引中支持百亿数据的检索需求，比如图虫拥有几亿图片素材，数量规模早已超出单机内存的极限，举个例子，对于 1 亿条 128 维的 Float 向量，不考虑任何辅助结构，就需要 100000000*128*4 bytes 也就是约 48GB 的服务器内存。

研发团队设计了一套存算分离的分布式系统架构，来进行向量数据的分片和分布式编排，通过向量存储、批式构建和实时在线检索，解决一份向量多个索引、支持多个场景的问题，同时，还能够节省索引构建资源，加快索引构建，使在线检索服务稳定性得到明显提升。对于用户来讲，在抖音上搜索内容则会又快又准。

计算内核性能优化

构建一个企业级的向量检索应用，数据量可能超过亿级，延迟在 10ms 内，要求用起来更快、更稳，所以在计算框架搭建好之后，也必须关注其内核，如何提供高性能的向量化检索服务以满足业务的苛刻需求。由于向量化检索是典型的计算密集、数据密集场景，其优化方向主要围绕提升吞吐、降低服务成本、提升稳定性开展。通过一系列性能优化工作，如降低内存占用、优化索引性能、CPU 指令集计算优化、优化过滤和重排序等业务相关的计算过程，这套架构可以很好解决各类业务场景的离线和在线检索计算需求，相同检索精度下的吞吐和时延相比开源基线有了 3 倍以上的改善，且满足大规模线上业务的稳定性要求，因此被抖音集团大量业务采用。

但因为每个索引搭建一套集群的成本较高，且存在配置复杂等问题，研发团队又对框架进一步迭代，进行云原生改造，实现组件多租户化，提供自动化调度能力，以降低错误率，加快交付。

向量标量混合检索能力

向量数据库用于业务场景时，向量数据通常与结构化数据配合使用，例如，在将文档表示为向量的同时，还需要存储文档所属的部门，以方便在检索时进行权限过滤。这类需求可以抽象为使用与向量相关的结构化数据进行过滤，业界通常有两种解决方案：一是后过滤，将排名 top 的 K 个结果扩大一定倍数，检索出更多的向量，然后用结构化数据做过滤，留下 topK 个，这种方法适用于结构化过滤掉的比例较低，向量召回结果比例较高的场景；二是先过滤，先使用 DSL 过滤数据集，然后在结果集中进行向量排序，适用于 DSL 过滤结果较少的场景。

随着数据量的增加，这两种检索链路的性能各有适用的场景，但如何在执行时自动找到最适合的执行路径呢？为此，技术团队又研发了 DSL 定向引擎，支持在检索过程中同时进行向量检索和 DSL 过滤（结构化过滤），具有高性能、逻辑完备、可按需终止和执行计划优化等特点。在混合查询性能对比行业评测中，该向量数据库的无过滤吞吐、1% 过滤吞吐和 99% 过滤吞吐多项性能均排名第一。

帮助大模型知识库更快落地

大模型应用场景的不断拓宽，催生了向量数据的存储、检索需求。将企业自身数据转化为向量数据时遇到不少困难，如何帮助业务选择开箱即用的向量化模型，也影响到大模型应用的落地速度。技术团队在知识库、生成式 AI 素材管理等场景，开始尝试提供预设的向量化方法以供业务选择。大多数业务只需要选择一个适合自身数据的向量化方法，即可用原始数据直接写入向量数据库，并用相同的模型将请求数据转换为请求向量进行查询。

向量数据库技术全景

经过长期的内部探索和优化，抖音采用的向量数据库产品结构如下图所示：基于云基础设施，提供经过深度打磨和优化的各个引擎，提供从多模态数据写入，到向量生成，再到在线检索，以及上线后的弹性调度和监控的一整套全链路解决方案。

火山引擎向量数据库的

场景化落地实践

经过抖音集团内部的技术实践，向量数据库目前已经覆盖 50+ 的业务线，基本支撑了内部所有的向量检索场景，比如抖音、头条、懂车帝、图虫、火山引擎 Oncall 智能问答和剪映等，主要的业务场景包括智能搜索、AIGC 跨模态检索、推荐和去重、智能问答、相关排序、聚类分析和数据挖掘等，并且多个场景库规模达百亿级别。

下面以图虫和火山引擎 Oncall 智能问答为例，展示向量数据库的应用实践。

智能搜索场景——图虫的以图搜图

图虫提供了以图搜图的能力，致力于为用户提供正版素材内容及数字资产管理解决方案。目前，图虫创意在库图片量 4.6 亿、高清视频超 2000 万条，每天有大量用户来搜索、查询图片和视频。亿级海量数据对向量检索服务能力提出更高要求，业务如何灵活的设置分片，当数据量大幅增加时又如何避免重新部署集群，加快索引构建、节约资源。

解决方案是提供端到端的图片搜索能力，流程是先将图片源数据上传到向量数据库，把图片数据进行向量化、存储并形成向量索引，然后，用户将要搜索的图片上传，上传后向量化，向量化的图片与向量数据库进行向量检索比对查询，获取相似度最高的结果，返回给用户。

企业知识库场景——火山引擎 Oncall 智能问答

火山引擎 Oncall 智能问答能够辅助一线客服、提供客户问题回复参考。火山引擎官网每天会收到大量的客户售后进线，高峰时段人均要并行受理多个问题，需要能够快速排查并且给出客户反馈。对于工程师来讲，面对众多技术门槛较高的产品，要进行快速理解和判断，难度较大。

解决方案就是，将火山知识库文档和数据通过向量特征提取，然后存储到向量数据库中，应用LLM 大语言模型与向量化的知识库检索和比对知识，构建火山引擎 Oncall 智能问答，可以让聊天机器人的回答更具专业性和时效性，构建专属 Chatbot。未来，火山引擎 Oncall 的 FAQ 知识将持续沉淀，知识库持续完善，同时还能提供大模型训练数据，处理大量客户咨询问题，实现机器人自动生成回复结果。

火山引擎向量数据库技术经过抖音等业务的实践打磨，已经对外开放，赋能千行百业，加速 AI 大模型落地应用。随着用户需求和应用场景的多样化，向量数据库会提供更加丰富完善的功能，包括向量算法的优化和创新、提升多模态数据的处理能力，提供多种多模态向量化能力模型、跨模态检索等能力，进一步优化向量数据库的通用性和易用性等。如今，向量数据库已经成为整个大模型生态的基础设施，支撑着大模型在业界的推广和应用。火山引擎向量数据库将持续创新，提供更加灵活和多样化的功能，满足不同用户的需求。