Dimensionierung von Lakebase Search: Lehren aus einer realen App und 4 Millionen Passage
Von KI aus dem englischen Original übersetzt. Auf Englisch ansehen
Das Anpassen des Local File Cache an den Vektorindex hält bis zu 98% der Seiten im Speicher und senkt die Latenz warmer Vektorsuchen direkt in Lakebase Postgres auf einstellige Millisekunden. Die Reduzierung des Suchkandidatenpools auf 200 senkt die Seitenlesevorgänge um zwei Drittel bei Beibehaltung von 90,5% der Top-10-Ergebnisse, während ein dauerhaft aktives 0.5-CU-Minimum eine optimale Produktionsgrundlage für nur 31 bis 40 US-Dollar pro Monat bietet.
* Lakebase Search führt Vektor- und BM25-Keyword-Suche als Postgres-Erweiterungen innerhalb der Anwendungsdatenbank aus, sodass Entwickler eine Hybridsuche erhalten, ohne ein separates Suchsystem oder einen zweiten Transaktionspfad pflegen zu müssen. * Benchmarks zeigen, dass die Dimensionierung des Local File Cache passend zum Vektorindex 95 bis 98% der Seiten im Speicher hält, die Latenz warmer Vektorsuchen auf einstellige Millisekunden senkt und die Reduzierung des Kandidatenpools von 1.000 auf 200 bei einem Drittel der Seitenlesevorgänge 90,5% der Top-10-Ergebnisse beibehält. * Lakebase Postgres berechnet Rechenleistung nur während der Ausführung. Ein 14-minütiger Lasttest mit 109.000 Anfragen kostete gerade einmal 0,02 US-Dollar an Lakebase Postgres-Rechenleistung, weshalb eine dauerhaft aktive 0.5-CU-Basislinie von 31 bis 40 US-Dollar pro Monat als Produktionsempfehlung zur Vermeidung von Kaltstarts gilt.