Android向量数据库实战：从入门到生产环境部署

1次阅读

共计 1819 个字符，预计需要花费 5 分钟才能阅读完成。

在开发 AI 驱动的 Android 应用时，我们经常需要处理 Embedding 向量——比如实现图片搜索、推荐系统或自然语言处理功能。但移动端环境带来三个核心挑战：

内存限制：中低端设备可能只有 4GB 内存，要同时运行应用和向量计算
实时性要求：用户期待搜索响应在 200ms 内完成
离线场景：航班、地铁等无网络环境仍需提供服务

我们测试了三种主流方案在 Pixel 3（Android 12）上的表现：

方案	APK 体积增量	查询延迟(128 维)	精度
SQLite-VSS	2.1MB	28ms	98.7%
FAISS-Lite	6.8MB	15ms	99.2%
HNSWLib	3.4MB	9ms	99.5%

最终选择 SQLite-VSS：
– 体积增加最少
– 与 Room 天然集成
– 满足大多数场景的精度要求

// build.gradle
android {
    defaultConfig {
        ndk {abiFilters 'armeabi-v7a', 'arm64-v8a'}
    }
}

dependencies {
    implementation "androidx.room:room-ktx:2.5.0"
    implementation "com.github.requery:sqlite-android:3.42.0" // 带向量扩展
}

@Entity(tableName = "image_vectors")
data class ImageVector(
    @PrimaryKey val id: String,
    @ColumnInfo(name = "vector") val vector: FloatArray
)

@TypeConverters
class VectorConverter {
    @TypeConverter
    fun fromString(value: String): FloatArray {return value.split(",").map {it.toFloat() }.toFloatArray()}

    @TypeConverter
    fun toString(vector: FloatArray): String {return vector.joinToString(",")
    }
}

@Dao
interface VectorDao {
    @Query("""
        SELECT * FROM image_vectors 
        ORDER BY L2_DISTANCE(vector, :queryVector) 
        LIMIT 10
    """)
    suspend fun findSimilarVectors(queryVector: FloatArray): List<ImageVector>
}

发现直接插入 1000 条 128 维向量需要 12 秒，改进方案：

使用事务包裹
预编译语句
分批提交（每 200 条）

优化后代码：

suspend fun batchInsert(vectors: List<ImageVector>) {
    database.runInTransaction {
        val stmt = database.compileStatement("INSERT INTO image_vectors VALUES (?, ?)"
        )
        vectors.chunked(200).forEach { batch ->
            batch.forEach { vector ->
                stmt.bindString(1, vector.id)
                stmt.bindString(2, vector.vector.joinToString(","))
                stmt.executeInsert()
                stmt.clearBindings()}
        }
    }
}

在不同设备上测试 128 维向量的查询延迟：