milvus

https://github.com/milvus-io/milvus

vearch

Vearch 是一个可扩展的分布式系统，用于深度学习向量的高效相似性搜索。
https://github.com/vearch/vearch

  1. 一个文档一个向量。
  2. 一个文档多个向量。
  3. 一个文档有多个数据源和向量。
  4. 数值场过滤

  5. 支持添加和搜索的批量操作。

  6. 由 C++ 实现的 Gamma 引擎保证了矢量的快速检测。

  7. 支持内积和L2方法计算向量距离。
  8. 支持内存和磁盘数据存储，支持超大数据规模。
  9. 基于raft协议的数据多副本存储。
  10. 向量数据库 - 图1

    nmslib

    非度量空间库 (NMSLIB)：一个高效的相似性搜索库和一个工具包，用于评估通用非度量空间的 k-NN 方法。
    https://github.com/nmslib/nmslib

Non-Metric Space Library (NMSLIB) 是一个高效的跨平台相似度搜索库，也是一个评估相似度搜索方法的工具包。核心库并没有任何第三方依赖。它最近越来越受欢迎。特别是，它已成为Amazon Elasticsearch Service的一部分。
该项目的目标是创建一个有效且全面的工具包，用于在通用和非度量空间中进行搜索。尽管该库包含各种度量空间访问方法，但我们主要关注通用和近似搜索方法，特别是非度量空间的方法。NMSLIB 可能是第一个原则上支持非度量空间搜索的库。
NMSLIB 是一个可扩展的库，这意味着可以添加新的搜索方法和距离函数。NMSLIB 可以直接在 C++ 和 Python 中使用（通过 Python 绑定）。此外，还可以构建查询服务器，可以从 Java（或 Apache Thrift 支持的其他语言）中使用。Java 有一个本地客户端，也就是说，它可以在许多平台上运行而无需安装 C++ 库。

faiss

Faiss 是一个用于高效相似性搜索和密集向量聚类的库。它包含在任意大小的向量组中搜索的算法，直到可能不适合 RAM 的向量组。它还包含用于评估和参数调整的支持代码。Faiss 是用 C++ 编写的，带有 Python/numpy 的完整包装器。一些最有用的算法是在 GPU 上实现的。它由Facebook AI Research开发。

https://github.com/facebookresearch/faiss

Faiss 包含多种相似性搜索方法。它假设实例表示为向量并由整数标识，并且可以将向量与 L2（欧几里得）距离或点积进行比较。与查询向量相似的向量是那些与查询向量具有最低 L2 距离或最高点积的向量。它还支持余弦相似度，因为这是归一化向量的点积。
大多数方法，如基于二进制向量和紧凑量化代码的方法，只使用向量的压缩表示，不需要保留原始向量。这通常是以降低搜索精度为代价的，但这些方法可以扩展到单个服务器上主内存中的数十亿个向量。
GPU 实现可以接受来自 CPU 或 GPU 内存的输入。在具有 GPU 的服务器上，GPU 索引可用作 CPU 索引的直接替换（例如，替换IndexFlatL2为GpuIndexFlatL2），并且自动处理到/从 GPU 内存的复制。但是，如果输入和输出都驻留在 GPU 上，结果会更快。支持单 GPU 和多 GPU 使用。