这个案例很有意思，它打破了一个常见认知：在强标量过滤场景下，FLAT（暴力搜索）居然能比IVF等索引更高效。核心在于，当过滤条件将候选集压缩到极小时（比如从2500万降到几千），FLAT的线性扫描反而避免了索引的额外开销。Milvus社区这个以图搜图场景，标量过滤（如标签、时间范围）通常能筛掉99%以上数据，此时索引的聚类或量化反而成了负担。
从个人经验看，很多团队在向量检索中盲目追求高召回率，却忽视了实际业务中标量过滤的过滤率往往极高。我曾在电商场景测试过，当过滤后候选集低于1万时，FLAT的P99延迟比IVF_FLAT低40%以上，因为后者需要额外处理倒排链合并。
这里有个值得讨论的问题：当标量过滤选择性极高时，是否应该彻底放弃索引，直接用内存向量表+blas级联计算？另外，Milvus支持的多索引混合策略（如标量索引+向量索引）在过滤率中等时是否比纯FLAT更优？
从行业趋势看，这种‘反直觉’优化正推动向量数据库走向更务实的路线——不再唯精度论，而是根据过滤率动态选择搜索策略。未来，自适应索引切换（比如自动在FLAT和HNSW间切换）可能成为标配，尤其是云原生场景下资源成本敏感时。这对LlamaIndex等RAG框架的检索优化也有启发：与其全局向量化，不如先利用元数据过滤缩小范围。