向量库存储估算器

本地处理

向量条数

向量维度

数值精度

每条元数据（字节，0 表示不含）

索引开销倍率（HNSW 约 1.5）

纯向量存储

元数据存储

合计（十进制）

合计（GiB）

精度	纯向量	合计

计算式
纯向量 = 条数 × 维度 × 每维字节数
元数据 = 条数 × 每条字节数
合计 = 纯向量 × 索引倍率 + 元数据
换算：1 GB = 10⁹ 字节；1 GiB = 1073741824 字节

元数据常被忽略却很容易反超向量本身：一条含标题与正文片段的记录可能有 500 到 2000 字节。量化（int8、二值化）能把向量压到 1/4 甚至 1/32，但会损失召回精度，通常需要配合重排序（rerank）使用。

关于本工具

建知识库前最实际的问题是：100 万条 1536 维向量要占多少磁盘、要买多大的实例？这个数字其实非常好算——向量存储本质就是「条数 × 维度 × 每维字节数」。

填写向量条数、维度与数值精度，再看是否需要把元数据与索引开销算进去。HNSW 图索引会额外占用约 50% 的空间，若使用 IVFFlat 则开销小得多。

float16 会不会影响效果？影响通常很小，很多生产系统直接用半精度。int8 量化需要模型层面支持量化检索；二值化压缩最狠，但一般必须配合原始向量重排序。

为什么实际占用比算出来的多？数据库还有行开销、主键索引、WAL 日志、副本与内存缓存。工程上建议在算出的数值上再留 1.5 到 2 倍余量。

主流嵌入模型输出 768、1024、1536 维居多（如 OpenAI text-embedding 系列为 1536 维），少数新模型已到 3072 维。以你所用模型的官方文档为准。

一条记录通常存文档 ID、来源、分段文本等，几百字节到数 KB 不等；分段原文较长时元数据可能反超向量本身，建议按实际 schema 估算。

百万级以下可用暴力检索（无索引开销）；更大规模选 HNSW（检索快、约 1.5 倍空间开销）或 IVFFlat（空间省、需调聚类参数）；内存紧张可考虑 int8 量化或磁盘索引方案。