Milvus 的 Filtered Search 以及背後的設計思考

18th鐵人賽

RiceBugJ

2026-09-27 23:27:37

95 瀏覽

分享至

前幾天的文章介紹如何做 vector search，今天介紹如何在 vector search 的基礎上加入 Scalar (metadata) filtering，並聊一些背後的設計思考。

Filtered Search

Milvus 中的 Filtered Search 分為Standard filtering 標準篩選和Iterative filtering 迭代篩選

Standard filtering：先執行 Scalar Filtering，建立符合條件的候選集合，再將 ANN 搜尋限制在這些候選資料中，最後返回 top K。
Iterative filtering：直接做 ANN 搜尋，接著對 ANN 結果做篩選，反覆搜尋與篩選直到找到 top K。

Standard filtering 的好處是可以把搜尋範圍縮小到一個很小的範圍，但對於複雜的篩選條件來說 (ex: Json 條件、字串比較)，Scalar Filtering 的本身可能才是效能瓶頸。
Iterative filtering 則改為逐步從 ANN 搜尋結果中取得候選，再對候選執行 Scalar Filtering。通常表示更少的 Scalar filtering，但當篩選條件過於嚴格時，反而會導致更長的處理時間或潛在的效能問題。

程式範例參考：

# Standard filtering
milvus_client.search(
    collection_name="my_collection",
    data=[query_vector],
    limit=5,
    filter='color like "red%" and likes > 50',
    output_fields=["color", "likes"]
)

# Iterative filtering
milvus_client.search(
    collection_name="my_collection",
    data=[query_vector],
    limit=5,
    filter='color like "red%" and likes > 50',
    output_fields=["color", "likes"],
    search_params={
        "hints": "iterative_filter"
    }
)

Filtering Efficiently

如果對前幾天提到的 ANN 還有印象的話，這時候應該會有一個疑問，篩選過資料如何在既有的 Index 上去做搜尋呢？尤其是 graph-based index，我們不可能用篩選後的資料去建新的 HNSW 呀。
在 Standard filtering 中，篩選會建立一個 bitset（位元集合），用來標記哪些向量符合過濾條件，如果在搜尋時把不符合條件的都直接排除掉，會破壞 graph 的連通性，可能導致 recall 大幅下降；反過來說，如果無論 metadata 是否符合都訪問所有節點，那麼搜尋空間就會急遽膨脹，效能也會大幅降低。

在 Milvus 的 blog 整理了一些他們在 filtered graph search 的研究方向，雖然沒有明確說明具體實作方式，但也幫助我們一窺其背後的一些設計思考：

Graph Index Optimization

假設原本的 graph 長這樣：
A → B → C → D
假設 B 或 C 在篩選後被排除，那連結就斷了，A 永遠走不到 D，形成 island 孤島。
所以不能粗暴地直接把不符合條件的節點都拿掉，而是要想辦法決定「哪些被 filter 掉的節點，仍值得暫時走過」。

Alpha Strategy：對於被 filter 掉的節點，有固定的機率 α 允許被經過當作搜尋路徑，其中 α 依實際的 filtering ratio 決定。
ACORN：降低建圖時的 edge pruning，保留更多連線；搜尋時把「鄰居的鄰居」也當作邊，也就是允許兩跳搜尋。
Dynamically Selected Neighbors：Alpha Strategy 的改良版，不是用固定機率決定要不要穿過被 filter 掉的節點，而是在搜尋當下，根據目前圖上的候選鄰居，動態挑哪些值得繼續走。
Brute-Force：當 filter 極端 selective，例如約 99% 資料都不符合條件，直接放棄 graph-based index，改為全部搜尋。

Metadata-Aware Indexing

不只按照「向量相似度」建圖，也替常用的 metadata 條件另外建立更適合過濾搜尋的圖。
簡單來說，除了一個 Base Graph 外，也替 metadata filter 建立 Column Graphs (Sub Graphs)。
但問題來了，難道每個 metadata value 都建一張完整 graph？如果每個值都建完整 graph 成本會爆掉，所以會限制每個 point 的 out-degree，讓 graph 變小。

External Filtering

最後一個可能是最值得研究的，也是最多應用程式的現況，是 scalar (metadata) 本來就有一個自己的關聯式資料庫，同時又有一個向量資料庫，一般流程可能是：

在 RDB 中搜尋出符合條件的資料
找到 ID 後放入 Milvus 的 Filtered Serach，做向量查詢

但資料量大(條件多)時可能會遇到效能瓶頸，所以 Milvus 做了一層 overhead (Milvus Server 需支援 Search Iterator V2 API)，可以用 search_iterator() 搭配 external_filter_func 來實現類似 Iterative filtering 的效果：

from pymilvus.client.search_result import Hits
from pymilvus import MilvusClient
import numpy as np

valid_ids = {1, 12, 123, 1234}  # external search result

def external_filter_func(hits: Hits):
    return [
        hit for hit in hits
        if hit.id in valid_ids
    ]

milvus_client = MilvusClient(uri="http://localhost:19530")
milvus_client.load_collection("documents")
dim = 384   # adjust according to vector dimension 
query_vector = np.random.rand(dim).astype(np.float32).tolist()

iterator = milvus_client.search_iterator(
    collection_name="documents",
    data=[query_vector],
    batch_size=10,
    anns_field="vector",
    output_fields=["text"],
    external_filter_func=external_filter_func,
)

results = []

try:
    while True:
        hits = iterator.next()

        if not hits:
            break

        results.extend(hits)

        if len(results) >= 10:
            results = results[:10]
            break

finally:
    iterator.close()