M
MilvusTuneLOCAL CPU INDEX LAB
正在读取公开快照

VECTOR INDEX BENCHMARK

Milvus CPU 索引实验台

查看 VectorDBBench， 对比不同索引参数下的构建耗时、 P99、Recall 与 Vector Index 内存。

当前数据源VectorDBBench 公开实验快照只读数据，不连接实验集群

LANGGRAPH · DEEP AGENTS

Recall 目标调优 Agent 演示

展示 Agent 基于公开实验快照生成的建议；公开页面不会连接本地 SQLite、调用模型或执行压测。

交互流程 · 静态 MockRecall 目标 95% · qwen-plus
目标 95.00%模型 qwen-plus工具 run_benchmark历史配置 33查询压测 3/3
目标与历史基线 - Recall 目标为 95%，当前保留索引为 IVF_SQ8，构建参数 nlist=256。 - 历史配置 nprobe=32 的 Recall 为 92.08%，尚未达到目标。 压测计划与执行结果 - 第 1 次：nprobe=32，Recall 92.08%，P99 10.30 ms，QPS 96.8，未达标。 - 第 2 次：nprobe=64，Recall 96.37%，P99 12.84 ms，QPS 78.5，达到目标。 - 第 3 次：nprobe=128，Recall 98.14%，P99 18.62 ms，QPS 54.1，达到目标。 最终推荐配置 - 索引类型：IVF_SQ8 - 构建参数：nlist=256 - 搜索参数：nprobe=64 - 实验结果：Recall 96.37%，P99 12.84 ms，QPS 78.5 推荐依据 - nprobe=64 是本轮达到 Recall 目标的最小搜索范围。 - 相比 nprobe=128，Recall 仅降低 1.77 个百分点，但 P99 降低 5.78 ms，QPS 提升约 45%。 - 搜索参数不会改变已构建索引的内存占用，本轮重点比较 Recall 与查询性能。 后续调优建议 - 固定 nlist=256，在 nprobe=48、56、64 之间补充实验，寻找满足 Recall 目标的更低延迟边界。 - 对候选配置重复运行 3 次，使用均值和标准差验证结果稳定性。

DISTRIBUTED TRACE

单次查询链路演示

展示从本地 Milvus Cluster 真实采集的 Search Trace，按统一时间轴观察 Proxy、StreamingNode 与内部操作的调用关系。

真实采集 · 静态快照TraceDemo · TopK 10
查看查询示例
from pymilvus import MilvusClient

client = MilvusClient(uri="http://localhost:19530")
row = client.query(
    collection_name="TraceDemo",
    filter="",
    output_fields=["vector"],
    limit=1,
)
result = client.search(
    collection_name="TraceDemo",
    data=[row[0]["vector"]],
    anns_field="vector",
    limit=10,
)
端到端 Trace2.489 ms
客户端 Search3.662 ms
Span / 命中14 / 10
本地 Jaeger 真实采集快照

BENCHMARK RUNS

向量索引实验结果

0 类索引汇总0 组参数配置
正在读取公开实验快照…
数据口径

Insert 为 VectorDBBench 数据写入耗时，Optimize 为索引构建耗时； Vector Index 为实验完成、写入 SQLite 时的即时内存快照。 缺失监控指标显示为“—”，不会用 0 代替。

PARAMETER SENSITIVITY

参数影响分析

只比较相同数据集、TopK、并发和 Milvus 环境下的聚合结果； 同一索引的参数档位按所选横轴连接。多个参数同步变化时， 折线表示整体配置轨迹。

暂无聚合结果，完成 benchmark 后即可生成参数趋势图。