立项原因:资源图谱类系统在选型阶段常被问到关系查询到底该用递归展开还是预计算闭包,多数团队凭经验或小样本跑分就决定,上线后在写入高峰或向量规模上来时才发现结论反了。业务背景:客户侧既要支持多跳关系查询,又要支持向量相似检索,写入侧还有持续新增关系的需求,读快与写快在这里是直接冲突的。因此需要一套可复现的对照压测,把谁更快变成在什么写入速率和向量规模下该用谁,并给出可执行的降级策略。
点击空白处退出提示
立项原因:资源图谱类系统在选型阶段常被问到关系查询到底该用递归展开还是预计算闭包,多数团队凭经验或小样本跑分就决定,上线后在写入高峰或向量规模上来时才发现结论反了。业务背景:客户侧既要支持多跳关系查询,又要支持向量相似检索,写入侧还有持续新增关系的需求,读快与写快在这里是直接冲突的。因此需要一套可复现的对照压测,把谁更快变成在什么写入速率和向量规模下该用谁,并给出可执行的降级策略。
产出是一个可复现的对照压测工程。方案 A 用边表递归 CTE 实时展开,方案 B 用预计算闭包加 pgvector ANN 索引。统一数据工厂固定随机种子生成 2 万节点、10 万关系、8000 条 768 维向量,两方案跑同一台机器同一份数据。四类查询基准分别是单跳关系、混合检索、三跳邻域、纯向量,每类 10 次预热后测 200 次取分位数。另有写侧成本基准,单独测单条新增关系的闭包维护代价与单线程吞吐上限。自检环节两方案结果集按 ID 集合逐条比对,19 项断言全部通过;报告直接由 benchmark.json 生成,附容器化离线复现步骤与一键跑批脚本。
我独立完成方案设计、基准脚本与结论收敛。读侧方案 B 的 P95 为 0.64 毫秒,方案 A 为 3.89 毫秒,快 6.1 倍,且差距随向量规模拉大:8k 行 6.8 倍、24k 行 22 倍、72k 行 65.6 倍。但写侧不免费:方案 B 每条边维护 P50 6.99 毫秒、改写约 570 行闭包、单线程上限约 143 条每秒,据此给出三档降级策略。另外主动证伪了自己一个好看的解释——随机对三跳命中率仅 0.6%,改测可达对后两方案差距只有 1.9 倍,因此结论改为该猜想不成立且不外推四跳。还发现两方案在混合查询上都约 17 毫秒,因为 8k 向量时优化器仍选精确扫描,说明建了索引不等于用上索引。



评论