刚看到Milvus社区这个案例，1G内存检索2500万向量还能在强标量过滤下保持毫秒响应，FLAT算法这波表现确实出乎意料。核心突破在于暴力搜索+高效标量索引的组合优化：FLAT本身全量比对，但结合标量过滤预筛选后，实际参与距离计算的向量数量骤降，内存带宽利用率反而比IVF的聚类结构更高。从个人经验看，很多场景下大家迷信IVF的召回率优势，却忽略了强过滤场景中IVF的聚类中心可能因标量条件被大量剪枝，导致退化回近似暴力搜索。这案例直接打脸了“索引结构必须复杂”的惯性思维。

我的疑问是：当标量过滤选择性极高（比如过滤掉99%数据）时，FLAT的线性扫描瓶颈在哪儿？理论延迟曲线会有拐点吗？另外，这种方案是否意味着传统倒排索引+向量搜索的混合架构（如Elasticsearch+FAISS）在极端条件下面临重构压力？行业趋势上，我认为“场景化索引选择”会越来越重要，未来向量数据库可能需要动态切换算法来适配查询模式。大家在实际业务中遇到过类似的反直觉优化案例吗？欢迎分享踩坑经验。