管理索引

以下部分介绍了如何配置、创建、列出和删除索引。

索引概览

索引是由嵌入向量组成的一个或多个文件。这些向量由您要使用 Vector Search 部署和查询的大量数据组成。借助 Vector Search，您可以创建两种类型的索引，具体取决于您计划使用数据更新索引的方式。您可以创建为批量更新设计的索引，或为流式更新设计的索引。

如果您要使用在设定的时间内存储的数据（例如每周或每月处理的系统）批量更新索引，则可以使用批量索引。如果您希望在有新数据添加到数据存储区时更新索引数据，则可以使用流式索引，例如，您有一家书店，希望尽快在线显示新的库存。您选择的类型很重要，因为设置和要求不同。

配置索引参数

在创建索引之前，请为索引配置参数。

例如，创建一个名为 index_metadata.json 的文件：

{
  "contentsDeltaUri": "gs://BUCKET_NAME/path",
  "config": {
    "dimensions": 100,
    "approximateNeighborsCount": 150,
    "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
    "shardSize": "SHARD_SIZE_MEDIUM",
    "algorithm_config": {
      "treeAhConfig": {
        "leafNodeEmbeddingCount": 5000,
        "fractionLeafNodesToSearch": 0.03
      }
    }
  }
}

您可以在索引配置参数中找到其中每个字段的定义。

创建索引

索引大小

索引数据被拆分成相等的部分（称为分片）以进行处理。创建索引时，您必须指定要使用的分片的大小。支持的尺寸如下：

• SHARD_SIZE_SMALL：每个分片 2 GiB。
• SHARD_SIZE_MEDIUM：每个分片 20 GiB。
• SHARD_SIZE_LARGE：每个分片 50 GiB。

可用于部署索引的机器类型（使用公共端点或使用 VPC 端点）取决于索引的分片大小。下表显示了每种机器类型支持的分片大小：

机器类型	SHARD_SIZE_SMALL	SHARD_SIZE_MEDIUM	SHARD_SIZE_LARGE
n1-standard-16
n1-standard-32
e2-standard-2	（默认）
e2-standard-16		（默认）
e2-highmem-16			（默认）
n2d-standard-32

如需了解分片大小和机器类型如何影响价格，请参阅 Vertex AI 价格页面。

创建索引以进行批量更新

按照以下说明创建和部署索引。如果您尚未准备好嵌入，则可以跳到创建空批量索引。如果使用此选项，在创建索引时不需要嵌入数据。

注意 ：dimensions 字段仅与密集嵌入相关。

如需创建索引，请执行以下操作：

gcloud

在使用下面的命令数据之前，请先进行以下替换：

• LOCAL_PATH_TO_METADATA_FILE：元数据文件的本地路径。
• INDEX_NAME：索引的显示名称。
• LOCATION：您在其中使用 Vertex AI 的区域。
• PROJECT_ID：您的 Google Cloud 项目 ID。

执行以下命令：

Linux、macOS 或 Cloud Shell

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes create \
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE \
    --display-name=INDEX_NAME \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes create `
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE `
    --display-name=INDEX_NAME `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes create ^
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE ^
    --display-name=INDEX_NAME ^
    --region=LOCATION ^
    --project=PROJECT_ID

您应该会收到类似如下所示的响应：

You can poll for the status of the operation for the response
to include "done": true. Use the following example to poll the status.

  $ gcloud ai operations describe 1234567890123456789 --project=my-test-project --region=us-central1

如需详细了解 describe 命令，请参阅 gcloud ai operations。

REST

在使用任何请求数据之前，请先进行以下替换：

• INPUT_DIR：索引内容的 Cloud Storage 目录路径。
• INDEX_NAME：索引的显示名称。
• LOCATION：您在其中使用 Vertex AI 的区域。
• PROJECT_ID：您的 Google Cloud 项目 ID。
• PROJECT_NUMBER：自动生成的项目编号。

HTTP 方法和网址：

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes

请求 JSON 正文：

{
  "display_name": "INDEX_NAME",
  "metadata": {
    "contentsDeltaUri": "INPUT_DIR",
    "config": {
      "dimensions": 100,
      "approximateNeighborsCount": 150,
      "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
      "algorithm_config": {
        "treeAhConfig": {
          "leafNodeEmbeddingCount": 500,
          "leafNodesToSearchPercent": 7
        }
      }
    }
  }
}

如需发送您的请求，请展开以下选项之一：

curl（Linux、macOS 或 Cloud Shell）

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes"

PowerShell (Windows)

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes" | Select-Object -Expand Content

您应该收到类似以下内容的 JSON 响应：

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.CreateIndexOperationMetadata",
    "genericMetadata": {
      "createTime": "2022-01-08T01:21:10.147035Z",
      "updateTime": "2022-01-08T01:21:10.147035Z"
    }
  }
}

Terraform

以下示例使用 google_vertex_ai_index Terraform 资源为批量更新创建索引。

如需了解如何应用或移除 Terraform 配置，请参阅基本 Terraform 命令。

# Cloud Storage bucket name must be unique
resource "random_id" "bucket_name_suffix" {
  byte_length = 8
}

# Create a Cloud Storage bucket
resource "google_storage_bucket" "bucket" {
  name                        = "vertex-ai-index-bucket-${random_id.bucket_name_suffix.hex}"
  location                    = "us-central1"
  uniform_bucket_level_access = true
}

# Create index content
resource "google_storage_bucket_object" "data" {
  name    = "contents/data.json"
  bucket  = google_storage_bucket.bucket.name
  content = <<EOF
{"id": "42", "embedding": [0.5, 1.0], "restricts": [{"namespace": "class", "allow": ["cat", "pet"]},{"namespace": "category", "allow": ["feline"]}]}
{"id": "43", "embedding": [0.6, 1.0], "restricts": [{"namespace": "class", "allow": ["dog", "pet"]},{"namespace": "category", "allow": ["canine"]}]}
EOF
}

resource "google_vertex_ai_index" "default" {
  region       = "us-central1"
  display_name = "sample-index-batch-update"
  description  = "A sample index for batch update"
  labels = {
    foo = "bar"
  }

  metadata {
    contents_delta_uri = "gs://${google_storage_bucket.bucket.name}/contents"
    config {
      dimensions                  = 2
      approximate_neighbors_count = 150
      distance_measure_type       = "DOT_PRODUCT_DISTANCE"
      algorithm_config {
        tree_ah_config {
          leaf_node_embedding_count    = 500
          leaf_nodes_to_search_percent = 7
        }
      }
    }
  }
  index_update_method = "BATCH_UPDATE"

  timeouts {
    create = "2h"
    update = "1h"
  }
}

Python

如需了解如何安装或更新 Vertex AI SDK for Python，请参阅安装 Vertex AI SDK for Python。 如需了解详情，请参阅 Python API 参考文档。

def vector_search_create_index(
    project: str, location: str, display_name: str, gcs_uri: Optional[str] = None
) -> None:
    """Create a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        display_name (str): Required. The index display name
        gcs_uri (str): Optional. The Google Cloud Storage uri for index content
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location, staging_bucket=gcs_uri)

    # Create Index
    index = aiplatform.MatchingEngineIndex.create_tree_ah_index(
        display_name=display_name,
        description="Matching Engine Index",
        dimensions=100,
        approximate_neighbors_count=150,
        leaf_node_embedding_count=500,
        leaf_nodes_to_search_percent=7,
        index_update_method="batch_update",  # Options: stream_update, batch_update
        distance_measure_type=aiplatform.matching_engine.matching_engine_index_config.DistanceMeasureType.DOT_PRODUCT_DISTANCE,
    )

    print(index.name)

控制台

按照以下说明为批量更新创建索引。

1. 在 Google Cloud 控制台的 Vertex AI 部分中，前往部署和使用部分。选择 Vector Search

   前往 Vector Search

2. 点击 创建新索引，打开索引窗格。系统会显示创建新索引窗格。
3. 在显示名称字段中，提供一个可唯一标识索引的名称。
4. 在说明字段中，提供该索引的用途说明。
5. 在区域字段中，从下拉列表选择一个区域。
6. 在 Cloud Storage 字段中，搜索并选择存储向量数据的 Cloud Storage 文件夹。
7. 在算法类型下拉列表中，选择 Vector Search 用于高效搜索的算法类型。如果您选择 treeAh 算法，请输入近似相邻项数量。
8. 在维度字段中，填写输入向量的维度数量。
9. 在更新方法字段中，选择批量。
10. 在分片大小字段中，从下拉列表选择所需的分片大小。
11. 点击创建。新索引准备就绪后，便会显示在索引列表中。注意：构建时间最多可能需要一个小时才能完成。

创建空批量索引

如需立即创建和部署索引，您可以创建空批量索引。如果使用此选项，在创建索引时不需要嵌入数据。

如需创建空索引，该请求与为批量更新创建索引几乎完全相同。不同之处在于，需要移除 contentsDeltaUri 字段，因为您没有关联数据位置。下面是一个空批量索引示例：

空索引请求示例

{
  "display_name": INDEX_NAME,
  "indexUpdateMethod": "BATCH_UPDATE",
  "metadata": {
    "config": {
      "dimensions": 100,
      "approximateNeighborsCount": 150,
      "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
      "algorithm_config": {
        "treeAhConfig": {
          "leafNodeEmbeddingCount": 500,
          "leafNodesToSearchPercent": 7
        }
      }
    }
  }
}
  

为流式更新创建索引

按照以下说明创建和部署流式索引。如果您尚未准备好嵌入，请跳到为流式更新创建空索引。如果使用此选项，在创建索引时不需要嵌入数据。

注意 ：dimensions 字段仅与密集嵌入相关。

REST

在使用任何请求数据之前，请先进行以下替换：

• INDEX_NAME：索引的显示名称。
• DESCRIPTION：索引的说明。
• INPUT_DIR：索引内容的 Cloud Storage 目录路径。
• DIMENSIONS：嵌入向量的维度数。
• PROJECT_ID：您的 Google Cloud 项目 ID。
• PROJECT_NUMBER：自动生成的项目编号。
• LOCATION：您在其中使用 Vertex AI 的区域。

HTTP 方法和网址：

POST https://ENDPOINT-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes

请求 JSON 正文：

{
  displayName: "INDEX_NAME",
  description: "DESCRIPTION",
  metadata: {
     contentsDeltaUri: "INPUT_DIR",
     config: {
        dimensions: "DIMENSIONS",
        approximateNeighborsCount: 150,
        distanceMeasureType: "DOT_PRODUCT_DISTANCE",
        algorithmConfig: {treeAhConfig: {leafNodeEmbeddingCount: 10000, leafNodesToSearchPercent: 2}}
     },
  },
  indexUpdateMethod: "STREAM_UPDATE"
}

如需发送您的请求，请展开以下选项之一：

curl（Linux、macOS 或 Cloud Shell）

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://ENDPOINT-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes"

PowerShell (Windows)

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://ENDPOINT-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes" | Select-Object -Expand Content

您应该收到类似以下内容的 JSON 响应：

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.ui.CreateIndexOperationMetadata",
    "genericMetadata": {
      "createTime": "2023-12-05T23:17:45.416117Z",
      "updateTime": "2023-12-05T23:17:45.416117Z",
      "state": "RUNNING",
      "worksOn": [
        "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID"
      ]
    }
  }
}

控制台

按照以下说明在 Google Cloud 控制台中为流式更新创建索引。

要创建索引以供流式更新使用，需要执行与设置批量更新索引类似的步骤，但需要将 indexUpdateMethod 设置为 STREAM_UPDATE。

1. 在 Google Cloud 控制台的 Vertex AI 部分中，前往部署和使用部分。选择 Vector Search。

   前往 Vector Search

2. 点击 创建新索引，打开索引窗格。系统会显示创建新索引窗格。
3. 在显示名称字段中，提供一个可唯一标识索引的名称。
4. 在说明字段中，提供该索引的用途说明。
5. 在区域字段中，从下拉列表选择一个区域。
6. 在 Cloud Storage 字段中，搜索并选择存储向量数据的 Cloud Storage 文件夹。
7. 在算法类型下拉列表中，选择 Vector Search 将用于执行搜索的算法类型。如果您选择 treeAh 算法，请输入近似相邻项数量。
8. 在维度字段中，填写输入向量的维度数量。
9. 在更新方法字段中，选择流式。
10. 在分片大小字段中，从下拉列表选择所需的分片大小。
11. 点击创建。新索引准备就绪后，便会显示在索引列表中。注意：构建时间最多可能需要一个小时才能完成。

Python

如需了解如何安装或更新 Vertex AI SDK for Python，请参阅安装 Vertex AI SDK for Python。 如需了解详情，请参阅 Python API 参考文档。

def vector_search_create_streaming_index(
    project: str, location: str, display_name: str, gcs_uri: Optional[str] = None
) -> None:
    """Create a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        display_name (str): Required. The index display name
        gcs_uri (str): Optional. The Google Cloud Storage uri for index content
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location, staging_bucket=gcs_uri)

    # Create Index
    index = aiplatform.MatchingEngineIndex.create_tree_ah_index(
        display_name=display_name,
        description="Matching Engine Index",
        dimensions=100,
        approximate_neighbors_count=150,
        leaf_node_embedding_count=500,
        leaf_nodes_to_search_percent=7,
        index_update_method="stream_update",  # Options: stream_update, batch_update
        distance_measure_type=aiplatform.matching_engine.matching_engine_index_config.DistanceMeasureType.DOT_PRODUCT_DISTANCE,
    )

    print(index.name)

为流式更新创建空索引

如需立即创建和部署索引，您可以为流式传输创建空索引。如果使用此选项，在创建索引时不需要嵌入数据。

如需创建空索引，该请求与为流式传输创建索引几乎完全相同。不同之处在于，需要移除 contentsDeltaUri 字段，因为您没有关联数据位置。下面是一个空的流式索引示例：

空索引请求示例

{
  "display_name": INDEX_NAME,
  "indexUpdateMethod": "STREAM_UPDATE",
  "metadata": {
    "config": {
      "dimensions": 100,
      "approximateNeighborsCount": 150,
      "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
      "algorithm_config": {
        "treeAhConfig": {
          "leafNodeEmbeddingCount": 500,
          "leafNodesToSearchPercent": 7
        }
      }
    }
  }
}
  

列出索引

gcloud

在使用下面的命令数据之前，请先进行以下替换：

• INDEX_NAME：索引的显示名称。
• LOCATION：您在其中使用 Vertex AI 的区域。
• PROJECT_ID：您的 Google Cloud 项目 ID。

执行以下命令：

Linux、macOS 或 Cloud Shell

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes list \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes list `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes list ^
    --region=LOCATION ^
    --project=PROJECT_ID

您应该会收到类似如下所示的响应：

You can poll for the status of the operation for the response
to include "done": true. Use the following example to poll the status.

  $ gcloud ai operations describe 1234567890123456789 --project=my-test-project --region=us-central1

如需详细了解 describe 命令，请参阅 gcloud ai operations。

REST

在使用任何请求数据之前，请先进行以下替换：

• INDEX_NAME：索引的显示名称。
• LOCATION：您在其中使用 Vertex AI 的区域。
• PROJECT_ID：您的 Google Cloud 项目 ID。
• PROJECT_NUMBER：自动生成的项目编号。

HTTP 方法和网址：

GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes

如需发送您的请求，请展开以下选项之一：

curl（Linux、macOS 或 Cloud Shell）

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

执行以下命令：

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes"

PowerShell (Windows)

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes" | Select-Object -Expand Content

您应该收到类似以下内容的 JSON 响应：

{
 "indexes": [
   {
     "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID",
     "displayName": "INDEX_NAME",
     "metadataSchemaUri": "gs://google-cloud-aiplatform/schema/matchingengine/metadata/nearest_neighbor_search_1.0.0.yaml",
     "metadata": {
       "config": {
         "dimensions": 100,
         "approximateNeighborsCount": 150,
         "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
         "featureNormType": "NONE",
         "algorithmConfig": {
           "treeAhConfig": {
             "maxLeavesToSearch": 50,
             "leafNodeCount": 10000
           }
         }
       }
     },
     "etag": "AMEw9yNU8YX5IvwuINeBkVv3yNa7VGKk11GBQ8GkfRoVvO7LgRUeOo0qobYWuU9DiEc=",
     "createTime": "2020-11-08T21:56:30.558449Z",
     "updateTime": "2020-11-08T22:39:25.048623Z"
   }
 ]
}

控制台

按照以下说明查看索引列表。

1. 在 Google Cloud 控制台的 Vertex AI 部分中，前往部署和使用部分。选择 Vector Search

   前往 Vector Search

2. 系统会显示活跃索引列表。

调整索引

调整索引需要设置影响已部署索引的性能的配置参数，尤其是召回率和延迟时间。这些参数是在首次创建索引时设置的。您可以使用暴力索引来衡量召回率。

影响性能的配置参数

以下配置参数可以在索引创建时设置，并且在使用 Vector Search 时可能会影响召回率、延迟时间、可用性和费用。本指南适用于大多数情况。 但是，请始终对您的配置进行实验，以确保它们适用于您的应用场景。

如需了解参数定义，请参阅索引配置参数。

参数	简介	性能影响
shardSize	控制每台机器上的数据量。 选择分片大小时，请估算您的数据集未来的大小。如果数据集的大小有上限，请选择合适的分片大小来满足该上限。如果没有上限，或者您的用例对延迟时间变化极为敏感，建议您选择较大的分片大小。	如果您配置的较小分片数量较多，则在搜索期间会处理更多候选结果。更多分片会对性能产生以下影响： 召回率：增加 延迟时间：可能会延长，变化性更大 可用性：分片故障影响的数据所占百分比较小 费用：如果使用同一机器但用较多分片，则费用可能会增加 如果您配置的子表数量较少且子表较大，则在搜索期间处理的候选结果会更少。较少的分片可能会对性能产生以下影响： 召回率：降低 延迟时间：减少，变化性较小 可用性：分片故障会影响更大比例的数据 费用：如果使用同一机器但用较少的分片，则费用可能会降低
distanceMeasureType	确定用于计算数据点与查询向量之间的距离的算法。	以下 distanceMeasureType 设置有助于缩短查询延迟时间： DOT_PRODUCT_DISTANCE 为减少延迟进行了最大优化 建议使用 DOT_PRODUCT_DISTANCE 并将 FeatureNormType 设置为 UNIT_L2_NORM 以实现余弦相似度
leafNodeEmbeddingCount	每个叶节点的嵌入数量。此数默认设置为 1000。 通常，更改 leafNodeEmbeddingCount 的值比更改其他参数的值影响小。	增加每个叶节点的嵌入数量可以缩短延迟时间，但会降低召回质量。它可能会对性能产生以下影响： 回想：由于搜索不太贴合，回想次数有所下降 延迟时间：缩短，只要值不超过 15k（适用于大多数用例） 可用性：无影响 费用：可能会降低，因为相同 QPS 需要的副本更少 减小每个叶节点的嵌入数量会对性能产生以下影响： 召回率：可能会提高，因为收集了更多有针对性的叶子节点 延迟时间：增加 可用性：无影响 费用：可能会增加，因为相同的 QPS 需要更多副本

使用暴力索引来衡量召回率

如需获得确切的最近邻，请将索引与暴力算法配合使用。暴力算法可提供 100% 召回率，但延迟时间较长。使用暴力索引来衡量召回率通常不是生产服务的理想选择，但您可能会发现，在离线评估各种索引选项的召回率时，这种做法会很有用。

如需创建使用暴力算法的索引，请在索引元数据中指定 brute_force_config：

curl -X POST -H "Content-Type: application/json" \
-H "Authorization: Bearer `gcloud auth print-access-token`" \
https://us-central1-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/us-central1/indexes \
-d '{
    displayName: "'${DISPLAY_NAME}'",
    description: "'${DESCRIPTION}'",
    metadata: {
       contentsDeltaUri: "'${INPUT_DIR}'",
       config: {
          dimensions: 100,
          approximateNeighborsCount: 150,
          distanceMeasureType: "DOT_PRODUCT_DISTANCE",
          featureNormType: "UNIT_L2_NORM",
          algorithmConfig: {
             bruteForceConfig: {}
          }
       },
    },
}'

删除索引

注意：在 index 的所有 index.deployed_indexes 均被取消部署之前，您无法将其删除。

gcloud

在使用下面的命令数据之前，请先进行以下替换：

• INDEX_ID：索引的 ID。
• LOCATION：您在其中使用 Vertex AI 的区域。
• PROJECT_ID：您的 Google Cloud 项目 ID。

执行以下命令：

Linux、macOS 或 Cloud Shell

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes delete INDEX_ID \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes delete INDEX_ID `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

注意：通过运行 gcloud init 或 gcloud auth login 和 gcloud config set project，确保您已使用身份验证和项目初始化了 Google Cloud CLI。

gcloud ai indexes delete INDEX_ID ^
    --region=LOCATION ^
    --project=PROJECT_ID

REST

在使用任何请求数据之前，请先进行以下替换：

• INDEX_ID：索引的 ID。
• LOCATION：您在其中使用 Vertex AI 的区域。
• PROJECT_ID：您的 Google Cloud 项目 ID。
• PROJECT_NUMBER：自动生成的项目编号。

HTTP 方法和网址：

DELETE https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID

如需发送您的请求，请展开以下选项之一：

curl（Linux、macOS 或 Cloud Shell）

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

执行以下命令：

curl -X DELETE \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID"

PowerShell (Windows)

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

执行以下命令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method DELETE `
    -Headers $headers `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID" | Select-Object -Expand Content

您应该收到类似以下内容的 JSON 响应：

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.DeleteOperationMetadata",
    "genericMetadata": {
      "createTime": "2022-01-08T02:35:56.364956Z",
      "updateTime": "2022-01-08T02:35:56.364956Z"
    }
  },
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.protobuf.Empty"
  }
}

控制台

按照以下说明删除一个或多个索引。

1. 在 Google Cloud 控制台的 Vertex AI 部分中，前往部署和使用部分。选择 Vector Search

   前往 Vector Search

2. 系统会显示活跃索引列表。
3. 如需删除索引，请前往与该索引位于同一行的  选项菜单，然后选择删除。

后续步骤

• 了解索引配置参数
• 了解如何部署和管理公共索引端点
• 了解如何在 VPC 网络中部署和管理索引端点
• 了解如何更新和重建索引
• 了解如何监控索引