大规模向量检索优化：Binary Quantization 让 RAG 系统内存占用降低 32 倍-育师

当文档库规模扩张时向量数据库肯定会跟着膨胀。百万级甚至千万级的 embedding 存储，float32 格式下的内存开销相当可观。

好在有个经过生产环境验证的方案，在保证检索性能的前提下大幅削减内存占用，它就是Binary Quantization（二值化量化）

本文会逐步展示如何搭建一个能在 30ms 内查询 3600 万+向量的 RAG 系统，用的就是二值化 embedding。

二值化量化解决什么问题

常规 embedding 用 float32 存储：单个 embedding（1024 维）占 4 KB 左右，3600 万个 embedding 就是 144 GB

二值化量化把每个维度压缩成 1 bit：同样的 embedding 只需 128 bytes，3600 万个 embedding 降到 4.5 GB

内存直接减少约 32 倍，而且位运算做相似度搜索更快。

精度损失与应对策略

二值化量化确实会带来精度损失，这点不能回避。

从 float32 直接压缩到 1 bit信息丢失不可避免，根据测试数据显示纯二值检索的准确度会下降到 92.5% 左右。不过这个问题有成熟的解决方案。

Oversampling（过采样）

检索时多拿一些候选结果。比如本来只需要 top-5，可以先检索 top-20 或 top-50，用数量换精度抵消量化造成的分辨率损失。

Rescoring（重排序）

先用二值向量快速筛选候选集，然后用原始的 float32 向量重新计算相似度并排序。

具体做法是：把全精度向量存在磁盘、二值向量和索引放内存，检索时先用内存里的二值索引快速找到候选，再从磁盘加载原始向量做精确评分。

这两个技术组合使用，能把准确度拉回到 95%-96%，对大多数 RAG 应用来说够用了。

使用限制

维度小于 1024 的 embedding 不建议用二值化。维度太小时，1 bit 能保留的信息不足，准确度会掉得比较厉害。所以这个技术更适合高维向量（≥1024 维）和大规模数据集。

相比之下，float8 这类低位浮点格式在 4 倍压缩下性能损失不到 0.3%，但内存节省远不如二值化激进。32 倍的压缩率带来的精度代价，需要根据具体场景权衡。

数据加载

先用 LlamaIndex 的 directory reader 读取文档。

支持的格式挺全：PDF、Word、Markdown、PowerPoint、图片、音频、视频都行。

LLM 配置

from llama_index.llms.groq import Groq from llama_index.core.base.llms.types import ( ChatMessage, MessageRole ) llm = Groq( model="MiniMaxAI/MiniMax-M2.1", api_key=groq_api_key, temperature=0.5, max_tokens=1000 ) Moonshot Al prompt_template = ( "Context information is below.\n" "-----\n" "CONTEXT: {context}\n" "Given the context information above think step by step "to answer the user's query in a crisp and concise manner. "In case you don't know the answer say 'I don't know!'.\n" "QUERY: {query}\n" "ANSWER: ) = query "Provide concise breakdown of the document" prompt = prompt_template.format(context=full_context, query=query) user_msg = ChatMessage(role=MessageRole.USER, content=prompt) # Stream response from LLM streaming_response = llm.stream_complete(user_msg.content)

LLM 配置完成，下一步开始对文件进行索引

二值 Embedding 生成

我们先生成标准 float32 embedding，然后用简单阈值转成二值向量。

每个维度的转换规则：

值 > 0 →1
否则 →0

Query Embedding 和二值化

# Generate float32 query embedding query_embedding = embed_model.get_query_embedding(query) # Apply binary quantization to query binary_query = binary_quantize(query_embedding) # Perform similarity search using Milvus search_results = client.search( ) collection_name="fastest-rag", data=[binary_query], Similarity search anns_field="binary_vector", search_params={"metric_type": "HAMMING"}, output_fields=["context"], limit=5 # Retrieve top 5 similar chunks # Store retrieved context full_context = [] for res in search_results: context = res ["payload"]["context"] full_context.append(context)

为什么用 Hamming distance？它是二值向量的天然相似度度量，计算速度极快。

Milvus Schema 和索引设置

from pymilvus import MilvusClient, DataType # Initialize client and schema client = MilvusClient("milvus_binary_quantized.db") schema = client.create_schema (auto_id=True, enable_dynamic_fields=True) # Add fields to schema schema.add_field(field_name="context", datatype=DataType. VARCHAR) schema.add_field(field_name="binary_vector", datatype=DataType.BINARY_VECTOR) # Create index parameters for binary vectors index_params = client.prepare_index_params() index_params.add_index( Specify index params field_name="binary_vector", index_name="binary_vector_index", index_type="BIN_FLAT", # Exact search for binary vectors metric_type="HAMMING" # Hamming distance for binary vectors ) # Create collection with schema and index client.create_collection( collection_name="fastest-rag", schema=schema, ) index_params=index_params Create collection # Insert data to index client.insert( collection_name="fastest-rag", Insert data data=[ {"context": context, "binary_vector": binary_embedding} for context, binary_embedding in zip(batch_context, binary_embeddings) ] )

这套配置能让 Milvus 高效处理数千万级别的向量。

检索流程

检索时的数据流：

用户 query 转 embedding
embedding 转二值向量
用 Hamming distance 做二值检索
返回 top-k 相关文本块

文档 Embedding 的二值化处理

import numpy as np from llama_index.embeddings.huggingface import HuggingFaceEmbedding embed_model = HuggingFaceEmbedding( model_name="BAAI/bge-large-en-v1.5", trust_remote_code=True, cache_folder='./hf_cache' ) for context in batch_iterate(documents, batch_size=512): # Generate float32 vector embeddings batch_embeds = embed_model.get_text_embedding_batch(context) # Convert float32 vectors to binary vectors embeds_array = np.array(batch_embeds) binary_embeds = np.where(embeds_array > 0, 1, 0).astype(np.uint8) # Convert to bytes array packed_embeds = np.packbits(binary_embeds, axis=1) byte_embeds = [vec.tobytes() for vec in packed_embeds] binary_embeddings.extend(byte_embeds)

这个转换过程快、简单、效果好。

LLM 生成环节

检索到 top-k 文本块后，用结构化 prompt 喂给 LLM。

# Combine retrieved contexts full_context = "\n\n".join(full_context) # Format prompt with context and query prompt = prompt_template.format(context=full_context, query=query) # Create chat message user_msg = ChatMessage(role=MessageRole.USER, content=prompt) # Stream response from LLM streaming_response = llm.stream_complete(user_msg.content) # Display streaming response for chunk in streaming_response: print(chunk.delta, end="", flush=True)

这里把检索到的多个文本块拼接起来，填充到 prompt template 里。LLM 会基于这些上下文生成回答。如果检索内容里没有答案，LLM 会直接回复 “I don’t know!”。

总结

二值化量化在大规模 RAG 系统中的价值已经得到验证。32 倍的内存压缩率配合 Hamming distance 的计算效率，使得在资源受限环境下部署千万级向量检索成为可能。

精度损失是这个方案的代价，但 oversampling + rescoring 的组合能将准确度维持在 95% 以上，这对多数应用场景足够。

Perplexity、Azure、HubSpot 的生产实践说明这套方案已经过大规模验证。不过具体部署时还是要根据数据特征做测试，尤其是 rescoring 的候选集大小（oversampling factor）需要根据实际召回率调整。
https://avoid.overfit.cn/post/3a922ea4c69b4e2883a63da1d314dadb

作者：Algo Insights