Back to Details

documentdb-vector-search

Compare original and translation side by side

🇺🇸

Original

English
🇨🇳

Translation

Chinese

Vector Search — Azure DocumentDB (
cosmosSearch
)

向量搜索 — Azure DocumentDB（
cosmosSearch
）

Azure DocumentDB's native vector index type is 
cosmosSearch
. Pick the sub-type by scale:
Index sub-typeScale sweet spotTier
vector-diskann
(recommended)		Up to 500k+ vectorsM30+
vector-hnsw
Up to ~50k vectorsM30+
vector-ivf
Under ~10k vectorsM10+
Similarity options: 
COS
(cosine), 
L2
(Euclidean), 
IP
(inner product).
Azure DocumentDB的原生向量索引类型为
cosmosSearch
。可根据规模选择子类型：
索引子类型适用规模区间层级
vector-diskann
（推荐）		最多50万+向量M30+
vector-hnsw
最多约5万向量M30+
vector-ivf
少于约1万向量M10+
相似度选项：
COS
（余弦）、
L2
（欧几里得）、
IP
（内积）。

Rules

规则

  • vector-choose-index-type — Prefer DiskANN for production; use HNSW up to 50k, IVF under 10k.
  • vector-create-diskann-index — Create a 
    vector-diskann
    index with correct 
    dimensions
    , 
    similarity
    , 
    maxDegree
    , and 
    lBuild
    .
  • vector-knn-query — Query with 
    $search
    + 
    cosmosSearch
    ; tune 
    lSearch
    and 
    k
    ; combine with pre-filters.
  • vector-product-quantization — Shrink high-dimensional vectors (up to 16,000 dims) while preserving recall.
  • vector-half-precision — Halve vector memory with fp16 indexing and minimal recall loss.
  • vector-normalize-embeddings — Normalize embeddings when using cosine similarity; store model + dimensions alongside vectors.
  • vector-choose-index-type — 生产环境优先选择DiskANN；向量规模达5万时使用HNSW，少于1万时使用IVF。
  • vector-create-diskann-index — 创建
    vector-diskann
    索引时需设置正确的
    dimensions
    、
    similarity
    、
    maxDegree
    和
    lBuild
    参数。
  • vector-knn-query — 使用
    $search
    + 
    cosmosSearch
    进行查询；调优
    lSearch
    和
    k
    参数；结合预筛选器使用。
  • vector-product-quantization — 在保留召回率的前提下压缩高维向量（最高支持16000维）。
  • vector-half-precision — 通过fp16索引将向量内存占用减半，且召回率损失极小。
  • vector-normalize-embeddings — 使用余弦相似度时需归一化嵌入向量；将模型及维度信息与向量一同存储。