标题：优化RAG模型性能，通过向量检索与最大内积提升30%效率，结合PSP算法实现百亿级数据规模的高可扩展性应用

第一段：
只需调整两行代码，RAG（检索增强生成模型）的向量检索效率即可提升30%！这种方法不仅适用于“文搜文”、“图搜图”、“文搜图”以及“推荐系统召回”等多种任务，还具备出色的扩展性，能够支持十亿甚至百亿级别的大规模数据应用。浙江大学高云君、柯翔宇团队联合向量检索领域专家傅聪，开源了一种新方法PSP（Proximity graph with Spherical Pathway），成功解决了RAG的两大核心难题。

第二段：
传统向量检索方法大多基于欧几里得距离设计，主要关注“谁离你最近”。然而，在许多场景下，AI更需要比较的是“语义相关性”，即通过最大内积来判断“谁最相似”。过去的内积检索方法无法满足数学上的三角关系，导致许多经典算法失效。PSP创新性地发现，只需对现有图结构进行细微调整，就能找到最大内积的最优解。此外，PSP还引入了提前停止策略，能够智能判断检索是否应该终止，从而避免不必要的计算资源浪费，显著提升搜索速度。

第三段：
向量检索是支撑现代AI产品的核心技术之一，它不仅极大地扩展了传统语义检索（如关键词检索）的能力边界，还能与大模型完美结合。要充分发挥这项技术的潜力，关键在于选择合适的“度量空间”。尽管基于图的向量检索算法（如HNSW、NSG等）因其卓越的检索速度而备受青睐，但它们本质上是为欧式空间设计的。这种“度量错配”在某些场景下可能导致检索结果与查询语义无关的问题。

第四段：
在最大内积检索领域，目前尚未出现像HNSW、NSG这样现象级的算法。以往的研究往往仅在特定数据集上表现良好，但在其他数据集上效果会显著下降。研究团队通过理论探索发现，最大内积检索可以分为两种范式：一是将最大内积转换为最小欧式距离，然后利用HNSW或NSG解决；二是直接在内积空间中进行检索。前者虽然可行，但可能会导致信息损失或拓扑空间的非线性转换，从而影响检索效果；后者虽然避免了这些问题，但由于缺乏有效的空间裁剪手段，难以实现高效检索。

第五段：
PSP研究团队深入研究后发现，即使图索引结构是为欧式距离设计的，也可以通过简单的贪心算法找到全局最优的最大内积解。基于此，团队仅需修改检索算法中的两行代码，就能实现从欧式算法到最大内积适配的转变。具体操作包括调整候选点队列的“最大堆”和“最小堆”设定，以及更改距离度量方式。

第六段：
在实际应用中，最大内积检索过程中存在大量冗余计算。研究团队通过合理引导搜索行为，有效规避了这些冗余。例如，他们发现最大内积检索的解空间通常位于数据集的“外围”，而非欧式距离最近邻可能出现在数据空间的任意位置。因此，PSP设计了针对性策略，使搜索起始点尽量接近目标区域。此外，团队还提出了自适应“早停”策略，通过训练决策树来判断搜索何时应终止，从而进一步优化性能。

第七段：
为了验证PSP算法的效果，研究团队在8个大规模、高维度的数据集上进行了充分测试。结果显示，PSP在相同召回率下的检索速度显著优于现有方法，且性能稳定。特别是在MNIST数据集上，PSP的速度比第二名快4倍以上。此外，PSP展现出强大的泛化能力，适用于“文搜文”、“图搜图”、“文搜图”以及“推荐系统召回”等多种数据模态。在可扩展性方面，PSP的时间复杂度接近log(N)，能够在十亿乃至百亿级别的数据规模上实现高效检索。

本文来源：