Segmenting

原文链接：https://www.yuque.com/yangguangfanxing/nmhuv1/wi8sesq43m5npm2q

基本概念

• 将向量集合拆分为多个段（segment）

• 插入：追加到当前活跃段（growing segment）

分段生命周期

1. 插入向量时追加到活跃段
2. 活跃段写满后，对其构建索引
3. 同时打开一个新活跃段接收后续插入
4. 查询时：搜索所有段，合并结果

删除：墓碑机制（Tombstones）

• 不真正删除向量，而是标记为已删除（墓碑）
• 避免昂贵的原地删除操作

合并：处理空洞

• 当段中大量向量被标记删除（含很多墓碑），段变"空"
• 合并这些几乎为空的段，回收空间

分布式：跨机器分配段

• 可以将不同段分配到不同机器
• 实现索引构建和查询的并行化

分段的好处

• 不再需要重建（No more rebuilds）

• 每个索引体积小，构建和搜索更快

• 活跃段 = 新鲜层（freshness layer），新数据可立即查询

• 易于分布式：可将段分配给不同分片（shard）并行处理

缺点

• 每次查询必须搜索所有段
• 若更新密集，会产生写放大（write amplification）

广泛应用于多种向量数据库，如 Milvus、Qdrant

分段 vs. 分片

维度	分片（Sharding）	分段（Segmenting）
目的	跨机器分布数据	避免重建索引、适应数据增长
作用于	单机也适用	单机也适用
增长方式	分片数固定，每个分片变大	分段数增长，每个段大小固定
侧重点	插入/写入性能	查询性能

两者可以协同工作：

• 按 key 分片（shard），每个分片内部再分段（segment）
• Qdrant、Milvus 均采用这种架构