IVF 索引（Inverted File Index，倒排文件索引）是一种近似最近邻（Approximate Nearest Neighbor, ANN）索引：先把向量粗聚类成若干簇，查询时只到最可能的几个簇里找，而不是全库比对。
生活里可以这样理解：一个大型仓库按品类分成很多区，每个区有指示牌。要找一款耳机，先看指示牌，直接去“数码区”“影音区”这几个最像的区翻，不用走遍全仓。IVF 的“区”就是簇，指示牌是簇中心，区里的货架清单就是倒排列表。
建索引时，通常用 k-means 把向量聚成 nlist 个簇，每个向量归到最近的簇中心，并记录在对应倒排列表里。查询时，先算查询向量到所有簇中心的距离，挑最近的 nprobe 个簇；只在这些簇内做精确距离计算，返回 top-k 邻居。nprobe=1 最快但容易漏掉其他簇里的近邻；nprobe 增大，召回率上升，计算量也上升。nlist 和 nprobe 是关键参数，需要按数据规模和延迟要求调。
和相邻概念的区别：
| 方法 | 怎么找 | 特点 |
|---|---|---|
| 暴力检索 | 与所有向量算距离 | 精确，数据大时慢 |
| IVF | 先找最近簇，再簇内算 | 快，可能漏；适合大规模 |
| HNSW（Hierarchical Navigable Small World） | 在图上逐跳靠近目标 | 通常高召回、低延迟，内存更大 |
| PQ（Product AI 词典：Quantization">Quantization，量化">乘积量化） | 压缩向量，用近似距离 | 省内存，常与 IVF 组合成 IVF-PQ |
核心区别是：IVF 是“分而治之”的粗筛结构；HNSW 是“导航图”；PQ 是“压缩编码”。三者可以组合使用。
实际意义：在语义搜索、推荐、图像检索和 RAG（Retrieval-Augmented Generation，检索增强生成）里，向量数量动辄百万千万，全量比对不现实。IVF 让系统用可控的召回损失换速度。从业者要关注聚类训练、增量更新、删除后倒排列表维护，以及数据分布变化后重建索引。普通人可以把它理解成：搜索快，不是因为算得更多，而是因为先排除了大部分不用算的。具体实现和参数以官方页面为准。