🎯 情报来源：量子位
浙江大学高云君、柯翔宇团队与向量检索领域专家傅聪合作推出了一种名为PSP（Proximity graph with Spherical Pathway）的新方法。该方法通过仅修改两行代码，可将RAG向量检索效率提升30%，并具备十亿乃至百亿级别数据规模的扩展能力。
PSP解决了向量检索中“最大内积”与“欧几里得距离”之间的度量错配问题，突破了传统检索算法在语义相关性上的局限性。其设计的核心在于优化图索引结构，并通过提前停止策略减少冗余计算，显著提升了性能和可扩展性。
核心要点：
- 只需修改两行代码，即可实现RAG向量检索效率提升30%。
- 适用于“文搜文”、“图搜图”、“文搜图”、“推荐系统召回”等多任务场景。
- 在MNIST数据集上，性能超现有state-of-the-art方法4倍。
- 支持十亿至百亿级别数据规模，Top-1近邻检索时间复杂度接近log(N)。
- 开源链接已发布于GitHub，便于开发者快速集成。
📌 情报分析
技术价值：极高
PSP通过理论创新解决了内积空间的“三角不等式”缺失问题，使贪心算法能够在欧式图索引上找到全局最优解。这不仅提升了检索效率，还为大规模语义检索提供了新的技术路径。
商业价值：高
该算法在多种模态数据上展现出强大的泛化能力，适合推荐系统、搜索引擎等商业化场景。同时，其开源特性降低了行业应用门槛，有助于扩大市场影响力。
趋势预测：
PSP有望在未来3-6个月内成为向量检索领域的主流算法之一，特别是在大规模语义检索需求增长的背景下。随着大模型与RAG技术的结合日益紧密，类似PSP的技术创新将进一步推动AI产品性能的边界。