OpenArt迁移至Zilliz Cloud，素材检索提速80倍
对于如今的AI内容创作者来说，生成单张图片或15秒的视频并非难事，但要让同一个角色、道具、风格在不同场景中保持一致，让故事连贯发展，却始终是核心挑战。这正是全球知名的AI图像与视频生成平台所聚焦解决的问题。
该平台目前已吸引超过800万创作者，覆盖个人爱好者、营销从业者及专业影视制作团队，聚集了上百款热门AI模型，提供角色构建器、一键故事生成、分镜制作等工具，支持批量产出预告片、广告及社交媒体内容，助力创作者打造专属AI原生IP。
随着创作者的历史素材库持续扩张，语义检索能力成为支撑创作连续性的核心基础。此前，该平台采用通用搜索系统的向量检索能力支撑历史素材查找，但随着素材规模增长到数亿级别，一系列问题集中爆发：
- 检索速度急剧恶化，P99搜索延迟高达25秒，因原有系统的索引生命周期管理针对日志数据设计，会定期冻结旧索引，而向量检索需要全量数据打分，每次查询都要从冻结层跨网络拉取数据；
- 索引数量呈指数级增长，原有系统默认每90天创建新索引且不自动合并，导致单次查询需遍历的索引数量随时间激增，预测约两年内性能将出现暴跌；
- 成本与资源配置不合理，仅使用向量检索功能却需为整套通用搜索平台付费，且集群规格未充分实测负载，导致计算资源长期过量配置；
- 自研双路k近邻检索带来运维负担，原有系统无法原生联合图像与文本向量，需自行实现结果融合算法，占用大量工程资源。
为解决这些问题，该平台将底层向量存储与检索体系全面迁移至一款全托管向量数据库服务，实现了检索性能的大幅提升：P99搜索延迟从25秒降至约300毫秒，速度提升约80倍；相同工作负载下计算成本降低约85%；约4.56亿个历史向量平滑迁移，无需重新计算向量嵌入；原生支持图像与提示词双向量联合检索，彻底移除自研双路融合代码。
这款向量数据库服务的适配性是选型成功的关键：它作为官方托管服务，100%兼容主流开源向量数据库的应用程序接口，可直接复用原有技术积累，大幅降低运维负担；按需付费模式匹配创意档案库的业务特征，仅为实际产生的检索算力付费，无需为全部存量素材持续支出；段级自动压缩能力可后台合并数据片段，解决了索引无限制增长的问题，确保素材扩张时检索速度不衰减。
在技术架构上，该平台构建了面向创作者个人历史作品的语义搜索服务，采用写入与读取分离的设计：写入流程随内容生成事件后台运行，搜索请求独立执行，避免阻塞在线检索。用户生成内容后，系统会将作品快照保存至主数据库，触发向量生成模型，分别将生成内容与提示词转化为向量，写入向量数据库；同时运行定时回填任务，确保所有历史作品纳入搜索范围。
读取端则利用多向量检索能力，一次请求即可完成内容与提示词的联合搜索：用户输入的查询会转化为向量，同时检索两个向量字段并融合结果，应用用户与项目ID等过滤条件后返回候选结果，再经最终匹配过滤呈现给用户。这套架构将搜索响应时间控制在约300毫秒，大幅简化了原有复杂的检索流程。
迁移过程中，团队不仅平滑完成数据迁移，还顺势清理了冗余记录，修复了旧写入链路的数据问题。基于两次架构迁移经验，团队总结出向量数据库选型与落地的四条核心原则：
- 定价模型需匹配业务增长曲线，明确计费依据，确保业务增长与计费维度一致；
- 存储架构要适配访问模式，需深究底层设计，避免将日志场景的降温策略用于向量检索；
- 先实测负载再配置资源，在未摸底真实负载前，不要贸然敲定集群规格，避免过量配置；
- 将迁移作为数据清理的契机，清理冗余数据，降低存储与检索成本。
未来，该平台计划将向量检索能力扩展至更多场景：首先是共享素材与模板库的语义检索，支持素材标注与模板推荐；其次完善标量过滤能力，满足更丰富的搜索需求；最受关注的是智能体记忆方向，即让AI智能体在跨会话时记住创作者的项目与品牌上下文，支持制作更长的完整影片，这一方向仍以向量检索为核心基础。
