Vector Retrieval Service for Milvus：通過DiskANN索引實現向量範圍搜尋

保留精排

範圍搜尋的過濾和搜尋終止依賴原始向量距離，建議保留預設精排配置：

• 查詢參數不應設定為 use_refine = false。

根據環帶的近鄰深度設定 search_list

候選視窗應覆蓋目標環帶所在的近鄰深度。配置建議如下：

• 環帶包含最近鄰（L2 的 range_filter = 0，或 IP / COSINE 省略 range_filter）：search_list 至少取 max(100, limit)。limit 較小（幾十到一百）時，取值為 100 的召回水平與普通 TopK 相近。

• 內圈排除了較多近鄰，即 range_filter 排除了大量最近的向量、目標環帶位於更遠處：應將 search_list 增大至與目標近鄰深度相同的量級。當視窗僅為 100，而環帶位於數千個近鄰的位置時，圖搜尋往往無法覆蓋環帶，返回結果會偏少。

limit 大於 search_list 時，結果不會被截斷，但候選視窗相對較小，檢索到環帶內第 K 個近鄰的機率會降低。為提高 K 條結果的召回穩定性，應將 search_list 設定為不小於 K。

limit 控制返回條數

limit 表示結果條數上限，不表示搜尋深度。半徑確定搜尋範圍後，增大 limit 只會增加同一環帶內可返回的結果條數，直至環帶內的結果已全部擷取。環帶內只有 10 條時，limit = 1000 仍然只有大約 10 條有效結果，PyMilvus 返回實際命中的結果清單，不會按 limit 補齊結果。

limit 達到 16384 及以上時，範圍搜尋仍執行圖搜尋，不使用 large TopK 掃描路徑。K 較大且環帶較寬時，延遲會明顯增加。業務僅需要幾十條結果時，不建議將 limit 設定為此量級。

返回條數可以少於 limit

以下兩種情況下，返回條數可以少於請求條數：

• 環帶內的向量數少於 limit。

• 精確距離已超出外圈，後續候選向量的距離更大。

使用 PyMilvus 時，直接遍曆實際返回的命中列表即可，通過 len(res[0]) 統計實際命中數，無需按 limit 預留固定數量的結果。

圖搜尋未覆蓋目標環帶時，返回條數也會偏少。此時應增大 search_list，無需放寬半徑。search_list 與環帶深度處於同一量級時，召回水平與相同視窗的普通 TopK 相近。在此視窗下，估計距離與精確距離之間的少量排序差異，不會使滿足區間條件的結果變為不滿足條件的結果，也不會持續導致整頁結果缺失。

COSINE：檢索得分在 0.4 到 0.6 之間的前 3 條

預設度量是 COSINE 時，radius 必須小於 range_filter。下面的請求返回得分滿足 0.4 < 得分 <= 0.6 的最多 3 條，按得分從高到低。

from pymilvus import MilvusClient

client = MilvusClient(uri="http://<your-endpoint>:19530", token="<your-username>:<your-password>")

query_vector = [
    0.3580376395471989,
    -0.6023495712049978,
    0.18414012509913835,
    -0.26286205330961354,
    0.9029438446296592,
    0.0,
    0.0,
    0.0,
]

res = client.search(
    collection_name="my_collection_cosine",
    anns_field="vector",
    data=[query_vector],
    limit=3,
    search_params={
        "metric_type": "COSINE",
        "params": {
            "radius": 0.4,
            "range_filter": 0.6,
            "search_list": 100,
        },
    },
)

for hits in res:
    for hit in hits:
        print(hit["id"], hit["distance"])

limit = 3 時，可設定 search_list = 100。若調整為 limit = 200，應將 search_list 設定為不小於 200。

L2：檢索半徑 100 以內的前 10 條，不設定內圈

res = client.search(
    collection_name="my_collection_l2",
    anns_field="vector",
    data=[query_vector],
    limit=10,
    search_params={
        "metric_type": "L2",
        "params": {
            "radius": 100.0,
            "range_filter": 0.0,
            "search_list": 100,
        },
    },
)

返回滿足 0 <= 距離 < 100 的最近的最多 10 條結果。

L2：排除近鄰，檢索距離在 20 到 100 之間的結果

res = client.search(
    collection_name="my_collection_l2",
    anns_field="vector",
    data=[query_vector],
    limit=10,
    search_params={
        "metric_type": "L2",
        "params": {
            "radius": 100.0,
            "range_filter": 20.0,
            "search_list": 100,
        },
    },
)

返回結果滿足 20 <= 距離 < 100。如果距離小於 20 的近鄰較多，應增大 search_list，使候選視窗能夠覆蓋被內圈排除的近鄰深度。

IP：得分在 0.2 到 0.8 之間

res = client.search(
    collection_name="my_collection_ip",
    anns_field="vector",
    data=[query_vector],
    limit=10,
    search_params={
        "metric_type": "IP",
        "params": {
            "radius": 0.2,
            "range_filter": 0.8,
            "search_list": 100,
        },
    },
)

返回滿足 0.2 < 得分 <= 0.8 的得分最高的最多 10 條結果。