★ FEATURED ARTICLE 人工智能搜索引擎本地部署后端MCP 服务【免费下载链接】xerjXERJ is the new way for AI to search data. Its autoindex capability activates agents to know your data without the token waste of grep and sed. One command indexes code, docs, logs and PDFs for search, RAG, security audits and agent memory, using 40x fewer tokens than grep. Elasticsearch compatible, so existing clients just work.项目地址https://gitcode.com/GitHub_Trending/xe/xerj点击查看免费下载本篇指南以user-feedback/15-clustering-durability-expectations-2025-2026/14-sla-durability-benchmarks/performance-benchmarks.md为骨架系统整理了 2025-2026 年间公开的搜索引擎与向量数据库性能基准Elasticsearch 与 OpenSearch、ClickHouse 的对比Qdrant / Milvus / Weaviate / Pinecone 等向量库的延迟、吞吐与内存实测以及缓存、过滤、冷启动等容易被忽略的性能陷阱。仓库内的 XERJ vs Elasticsearch 记分卡 与 基准方法论 提供了“如何诚实地做基准测试”的第一手对照。读完你将掌握各主流引擎在不同工作负载下的真实量级、评估基准时必须核查的十个隐藏变量以及如何在选型与自测中复现这些结论。文档定位与阅读方法该文档是一份公开基准汇编Collected from published benchmarks, independent studies, and vendor reports发布于 2026 年 4 月素材全部来自对实时线上来源的新一轮检索。全文以DP-1至DP-103的编号数据点组织覆盖四类问题通用搜索引擎对比Elasticsearch vs OpenSearch、Elasticsearch vs ClickHouse、Typesense vs Meilisearch向量数据库对比Qdrant / Milvus / Weaviate / Pinecone / FAISS / Redis / pgvectorscale横切主题索引吞吐、内存占用、冷启动与分层存储、过滤条件下的 ANN 性能退化可操作性结论末尾附有一张Key Numbers at a Glance汇总表。需要特别提醒文中每个数据点都来自独立来源测试条件硬件、数据集、缓存状态、并发模型并不统一直接跨表比较数字可能误导。下文在每个小节会同时标注其适用边界并结合 XERJ 仓库内的自测证据SCORECARD.md、CRITICAL_FINDING_read_perf_cache_mirage.md给出“这类基准该信什么、该怀疑什么”的判断方法。1. Elasticsearch vs OpenSearch两个分叉引擎的性能分水岭1.1 Trail of Bits 独立基准2025 年 3 月该基准使用 OpenSearch BenchmarkOSBBig5 工作负载对OpenSearch v2.17.1 与 Elasticsearch v8.15.4进行了 4 个月的测试是谁更快争议中最常被引用的一组独立数据指标OpenSearch v2.17.1Elasticsearch v8.15.4WinnerBig5 几何均值p9012.1 ms18.8 msOS1.6x 更快文本查询p9018.11 ms7.47 msES2.42x 更快排序p905.82 ms6.14 msOS1.05x 更快Term 聚合p90104.90 ms354.52 msOS3.38x 更快范围查询p901.47 ms1.49 msOS1.02x 更快日期直方图p90124.79 ms2,064.61 msOS16.55x 更快向量搜索NMSLIB vs Lucene快 11.3%baselineOS 胜向量搜索FAISS vs Lucene快 13.8%baselineOS 胜向量搜索Lucene vs Lucene慢 258.2%baselineES 胜关键数据点DP-1整体 Big5 负载下 OpenSearch 比 Elasticsearch 快1.6xp9012.1 ms vs 18.8 ms。DP-2但就文本查询单项Elasticsearch 反而快2.42x7.47 ms vs 18.11 ms。DP-3OpenSearch 在日期直方图聚合上快16.55x124.79 ms vs 2,064.61 ms。DP-4OpenSearch 最大离群比达1,412x出现在复合日期直方图操作。DP-5Elasticsearch 最大离群比为43x出现在 query-string 操作。DP-698 个任务中 Elasticsearch 有 19 个任务出现离群值OpenSearch 有 11 个。DP-7缓存会把日期直方图性能虚增1,400x缓存命中 1–5 ms而缓存未命中是 4,163–7,136 ms。这条来源最有价值的启发不是谁赢了而是结论高度依赖工作负载聚合与向量场景 OS 占优文本查询场景 ES 占优。任何XX 全面碾压 YY的说法都值得用同样细粒度的工作负载切片去复验。1.2 Elastic 赞助的 ESG 基准2025DP-8经典负载文本搜索、排序、聚合下 Elasticsearch 比 OpenSearch 快40%–140%。DP-9默认设置下 Elasticsearch 比 OpenSearch 少用37%磁盘空间。DP-10即使双方都开启best_compressionElasticsearch 仍多省13%空间。1.3 Elastic 官方博客——性能差距2025DP-11文本查询上 Elasticsearch 比 OpenSearch快 76%。DP-12Term 查询 p90 约为 20 msESvs 40 msOS。DP-13日期直方图 p90 约为 40 msESvs 100 msOS。注意1.1 与 1.3 在日期直方图上的结论方向相反Trail of Bits 认为 OS 快 16.55xElastic 官方认为 ES 快约 2.5x。这正是供应商赞助基准 vs 独立基准冲突的典型案例——评估时应把来源的资金关系纳入可信度加权。1.4 Blunders.io 独立延迟基准覆盖 40 操作的 p90 延迟DP-14默认查询4.76 msESvs 5.18 msOS。DP-15Term 查询2.46 msESvs2.32 msOS。DP-16小时级日期直方图2.68 msESvs 2.95 msOS。DP-17范围查询1,964.79 msESvs3,537.2 msOS——相差 80%ES 胜。DP-18排序操作729–841 ms 区间ES 快 10–25%。2. Elasticsearch vs ClickHouse日志分析场景的存储与查询账本2.1 十亿行对决The Billion-Row Matchup——存储压缩配置存储大小Elasticsearch LZ4 _source51.3 GBElasticsearch LZ4 - _source38.3 GBClickHouse LZ4~5.5 GBDP-1910 亿行规模下 ClickHouse 存储比 Elasticsearch小 12x5.5 GB vs 51.3 GB。规模继续放大DP-20100 亿行Elasticsearch LZ4 约 500 GBClickHouse 约 40 GB——小 12–19x。DP-211,000 亿行ClickHouse LZ4 412 GBClickHouse ZSTD 142 GBElasticsearch无法加载该数据集。这一节与 XERJ 仓库内 DISK_SIZE_2026-07-09.md 记录的磁盘足迹调查形成了有趣的对照在该文档的同语料100k 文档force-merged 单段测试中XERJ 稳态磁盘占用为 ES 8.13.4 的0.331x约 2.6–3x 更小其背后的结构性差异列式_source、数值字段倒排索引、zstd 压缩级别在 flush/merge 路径的分级使用与 ClickHouse 的压缩优势属于同一类格式与编码决定存储成本的机制。2.2 冷缓存查询性能10 亿行原始数据查询Elasticsearch DSLElasticsearch ESQLClickHouseCH 优势Top 3 projects 聚合3.5 s6.8 s700 ms快 5x过滤数据256 ms9.2 s42 ms快 6xDP-2210 亿行聚合ClickHouse700 msvs ES DSL 3.5 s快 5x。DP-2310 亿行过滤查询ClickHouse42 msvs ES 256 ms快 6x。DP-24ES ESQL 在 100 亿行上的过滤查询耗时96 秒ClickHouse500 ms慢 192x。2.3 冷缓存查询性能100 亿行原始数据DP-25Top 3 projectsES DSL 33 s、ESQL 32 s、ClickHouse6.5 s快 5x。DP-26过滤数据ES DSL 3.5 s、ClickHouse500 ms快 7x。2.4 预聚合查询100 亿行DP-27Top 3 projectsES 970 ms vs ClickHouse81 ms快 12x。DP-28过滤ES 660 ms vs ClickHouse132 ms快 5x。2.5 ClickHouse Cloud 吞吐并行执行DP-2910 亿行 / 9 节点每秒 52 亿行约 100 GB/秒 数据吞吐。DP-30100 亿行 / 9 节点每秒 102 亿行192 GB/秒 数据吞吐。2.6 内存占用DP-3110 亿行 Top 3 查询峰值 RAM 约50 MB。DP-32100 亿行 Top 3 查询峰值 RAM 约600 MB。DP-3310 亿行过滤查询峰值 RAM20 MB。2.7 成本效率DP-34要达到 32 核 Elasticsearch 的等效延迟ClickHouse 只需便宜 4x 的硬件8 核 vs 32 核。DP-35AdTech 案例ClickHouse 把查询处理从8 秒降到亚秒级。DP-36AdTech 案例ClickHouse 云存储成本比 Elasticsearch 降低60%。DP-37典型日志压缩率ClickHouse10:1–20:1vs Elasticsearch1.5:1。阅读提示日志分析写多读少、高压缩率敏感是 ClickHouse 的优势主场ES 的优势场景是复杂查询 DSL、实时全文检索与生态。仓库内的 benchmarks/autoindex-resilience 与 benchmarks/mbox-ingest 则展示了另一类日志/文档批量摄入的实测路径可作为中小数据量自测的参考。3. 向量数据库基准Qdrant vs Milvus vs Weaviate vs 其他3.1 Tensorblue.com100 万条 768 维向量P95 延迟数据库P95 延迟FAISS内存驻留10–20 msQdrant30–40 msPinecone40–50 msWeaviate50–70 msMilvus50–80 msDP-38Qdrant P951M 768 维30–40 ms。DP-39Milvus P9550–80 ms。DP-40Weaviate P9550–70 ms。DP-41FAISS 内存驻留 P9510–20 ms最快但要求全量内存驻留。DP-42Pinecone P9540–50 ms托管服务。吞吐QPS1M 向量数据库QPS 范围FAISS20,000–50,000Milvus10,000–20,000Qdrant8,000–15,000Pinecone5,000–10,000Weaviate3,000–8,000DP-43FAISS 吞吐20,000–50,000 QPS纯内存、无持久化。DP-44Milvus 吞吐10,000–20,000 QPS。DP-45Qdrant 吞吐8,000–15,000 QPS。DP-46Pinecone 吞吐5,000–10,000 QPS托管。DP-47Weaviate 吞吐3,000–8,000 QPS。内存占用1M 条 768 维向量数据库内存Qdrant量化后~3 GBFAISS~3 GBWeaviate~3.5 GBPinecone~4 GBMilvus~4 GBDP-48Qdrant 量化后约3 GB1M 条 768 维向量。DP-49Milvus 约4 GB。DP-50Qdrant 向量量化可在保持精度的同时将内存降低最多75%。3.2 Qdrant 官方基准DP-51对于 1,000 万条 96 维向量Elasticsearch 索引比 Qdrant慢 10x5.5 小时 vs 32 分钟。DP-52Milvus 索引速度最快但在更高维度或更大向量数量下 RPS 会明显下降。DP-53Redis 在低精度阈值下能取得不错 RPS但延迟随并发请求快速上升。向量基准尤其容易失真recallk、量化方案、HNSW 图参数M/ef_construction/ef_search、过滤条件都直接影响结果。XERJ 仓库的 kNN 相关实现 与 向量文档 采用的HNSW 服务 精确重打分路线即是对 recall 与延迟权衡的一种工程化取舍。4. 向量数据库生产环境延迟2025-2026来源多份生产环境报告 / Simor Consulting / Actian / Dev.toDP-54Qdrant 生产环境 p504 msp9925 ms。DP-55Redis 内存驻留 p505 ms。DP-56Milvus p506 ms可选 GPU 加速。DP-57Pinecone p508 ms全托管无基础设施开销。DP-58Reddit 生产部署3.4 亿 向量元数据过滤被识别为主要瓶颈并发负载下 p99 延迟跳升 10x。DP-59pgvectorscale 在 5,000 万向量、99% recall 下测得471 QPSvs Qdrant 的41 QPS。DP-60在 90–95% recall 下选择性元数据过滤可使二元量化查询贵 4x。DP-61p99 延迟对用户体验的影响远大于中位数——一个 p50 10 ms / p99 500 ms 的系统体感比 p50 20 ms / p99 50 ms 更慢。DP-61 是整份文档里最值得记住的工程结论之一优化应当以尾延迟p99/p95为目标而不是中位数。XERJ 的 SCORECARD.md 同样遵循这一原则——每个读单元都同时公布 p50判读依据与 p99尾延迟并在|Δ| ≤ max(0.30ms, 20%)的噪声带内判为 TIE避免把亚毫秒差异包装成胜利。5. 搜索引擎索引吞吐来源Elasticsearch 官方夜间基准 / 多来源DP-62在 Wikipedia 630 万文档数据集上Meilisearch 索引比 Elasticsearch、PostgreSQL 和 Typesense快约 7x。DP-63同数据集上 RediSearch 索引比 Elasticsearch慢约 2x。DP-64Elasticsearch 开箱即用的索引性能需要大量调优才可用默认配置并非生产就绪。DP-65ClickHouse 摄入吞吐可达每秒数亿行。DP-66GreptimeDB 日志摄入121,000 行/秒比 Loki 高 1.5x。DP-67GreptimeDB 写入吞吐是 TimescaleDB 的2.17x。DP-68GreptimeDB 边缘场景每秒 600,000 数据点CPU 占用低于 8%。对照XERJ 在 SCORECARD.md 的摄入单元100k 文档 × 1 客户端测得191,286 docs/s vs ES 111,073 docs/s1.72x 更高BENCHMARK.md 记录的单节点 100k 文档批量摄入为 6.1 s、16,514 docs/s该数字为早期端到端 HTTP 往返口径与记分卡的 keep-alive 口径不可直接比较——这正是数字必须绑定口径的又一例证。6. Elasticsearch 大规模查询延迟来源Elastic Labs / QueryQuotient / Elastic Blog2025DP-69Elasticsearch BBQBetter Binary Quantization在数亿向量规模下仅用100 MB 内存占用即可实现亚 20 ms 搜索延迟与索引大小无关。DP-70ES BBQ vs OpenSearch FAISS同等 recall 下查询快至 5x、吞吐高 3.9x。DP-71ES 9.0 BBQ 借助 SIMD 向量指令吞吐提升8x–30x。DP-72ES 9.0 BBQ recall 相比旧版提升最高 20%。DP-73ES 推荐分片大小为10–50 GB/分片以获得最优查询性能。DP-74配合优化手段ES 可处理的 QPS 提升10x延迟从秒级降到毫秒级。DP-75ES 堆内存建议约为系统总 RAM 的 50%JVM 堆上限有效值 31.5 GB。7. Typesense vs Meilisearch vs Elasticsearch来源Meilisearch Blog / Typesense Docs / GigaSearch Medium2025DP-76Typesense 搜索结果延迟多数查询低于 50 msC 实现。DP-77Meilisearch 单节点部署延迟同样低于 50 ms。DP-78标准文本搜索负载下 Meilisearch 索引比 Elasticsearch快约 7x。DP-79Typesense 使用复制集群每节点全量数据Meilisearch 保持单节点——这是规模化 vs 简单性的架构取舍。DP-80Elasticsearch 可扩展到企业级多 PBTypesense/Meilisearch 面向单服务器到小集群GB–TB 量级。DP-81Typesense 以亚 50 ms 延迟自动处理拼写错误而 Elasticsearch 需要显式配置 fuzzy 查询。DP-82RediSearch 对部分查询类型可达到亚毫秒延迟但整体是较慢的离群者。8. 内存占用对比来源2025 年多个基准系统工作负载内存占用Redis全量数据集 开销数据集大小 20–30%Qdrant量化1M 条 768 维向量~3 GBQdrant未量化1M 条 768 维向量约 12 GB估算Milvus1M 条 768 维向量~4 GBWeaviate1M 条 768 维向量~3.5 GBElasticsearch生产集群多个高内存节点ClickHouse10 亿行聚合每查询峰值 ~50 MBClickHouse100 亿行聚合每查询峰值 ~600 MBSQL Server 2025稳定内存授予~467 MB2022 约为 934 MBDP-83SQL Server 2025 内存授予反馈稳定在~467 MB约为 2022 版本的一半。DP-84通用建议给数据库操作分配系统总 RAM 的 60–80%。DP-85ClickHouse 10 亿行过滤查询内存20 MB峰值。DP-86ES 生产集群在 PB 级部署下通常需要数十个高内存节点。DP-87Qdrant 量化标量到二元量化可将内存降低4x–16x代价是可配置的 recall 折损。内存维度同样要绑定场景解读。XERJ 的 idle-budget 基准 给出了常驻搜索守护进程视角下的内存账本按索引计的 idle RSS 产品线为 0.2 MB/indexCI 门禁 256 kB/index并通过对 jemalloc 的thp:never,dirty_decay_ms:0,muzzy_decay_ms:0固定消除 THP 页粒度伪影——可见测内存与测延迟一样必须先排除测量环境本身的干扰项。9. Elasticsearch 冷启动与分层行为来源Elastic Blog 冷层测试 / Medium / Elastic Docs2025DP-88ES 冷数据层相比热层可减少集群存储最多 50%可靠性等价。DP-89配合 searchable snapshotsES 7.11节点重启后集群立即回到 green 状态无需后台下载。DP-90ES 冷层滚动重启的 green 状态几乎瞬时无额外后台下载。DP-91ES 没有传统意义的冷启动JVM 进程保持温热但罕见访问索引的首个查询会经历缓存未命中延迟尖峰。DP-92未命中缓存的日期直方图查询4,163–7,136 ms p90vs 命中缓存1–5 ms——相差1,400x。DP-93ES 默认索引刷新间隔为1 秒数据约 1 秒后可见。DP-94Apache Lucene 2025 年的改进在 ES 8.x/9.x 夜间基准中带来可测的查询加速。缓存未命中/命中的 1,400x 差距DP-92/DP-7与 XERJ 仓库记录的一次缓存海市蜃楼教训高度同构CRITICAL_FINDING_read_perf_cache_mirage.md 记录了 2026-07-01 的发现——此前 XERJ 读性能胜过 ES 的结论实际上是query_cache命中造成的假象对静态索引反复执行同一查询第一次未命中要 2–8 秒之后全部由缓存 0.00 秒返回一旦写负载推进dataset_version使缓存失效真实未缓存延迟立刻暴露。修复有界命中物化 选择性查询预过滤 关闭缓存重新测之后未缓存读路径全部进入个位数毫秒并固化为 bench-matrix.mjs 的强制约束request_cachefalse与XERJ_DISABLE_QUERY_CACHE1双端关缓存执行。任何基准若不能证明自己在测未缓存执行其读延迟数字都不应被采信。10. 向量搜索过滤性能隐藏的性能杀手来源Qdrant / VDBBench 1.0 / Reddit Engineering / Actian2025-2026DP-95高选择性过滤过滤掉99%数据会导致查询速度波动多个数量级——被称为隐藏性能杀手。DP-96Reddit3.4 亿 向量并发用户增长后元数据过滤解析耗时超过相似度计算——过滤选择性成为主要成本。DP-97低选择性90–95% recall 加过滤下二元量化比无过滤等价查询贵约 4x。DP-98后过滤post-filtering扩展性差——要么损失精度要么第一阶段需要大量候选。DP-99预过滤pre-filtering需要对全数据集做二元掩码——掩码大小随数据集线性增长1 亿 向量时不可行。DP-100Qdrant 过滤搜索采用高级查询规划策略在高过滤选择性下避免速度骤降、精度崩溃与 HNSW 图断裂。DP-101VDBBench 1.02025覆盖从低到高的过滤选择性场景显示高选择性下各数据库结果相差数量级。DP-102在向量图与关系型元数据存储间搬运数据会导致p99 延迟跳升 10xCPU 等待磁盘 I/O。DP-103MongoDB Atlas Vector Search 的过滤 ANN 基准显示过滤选择性超过 95% 后出现明显退化曲线。选型含义如果业务查询普遍带元数据过滤租户、时间范围、状态那么裸 ANN 延迟漂亮的数据库在真实负载下可能完全不是同一回事。评估时必须用带过滤的、接近生产选择性的负载复测。汇总表关键数字速览对比指标结果ES vs OS文本搜索p90延迟ES: 7.47 ms vs OS: 18.11 msES vs OS日期直方图p90延迟OS: 124.79 ms vs ES: 2,064.61 msES vs OSBig5 整体延迟OS: 12.1 ms vs ES: 18.8 msClickHouse vs ES10 亿行聚合查询时间CH: 700 ms vs ES: 3.5 sClickHouse vs ES100 亿行过滤查询时间CH: 500 ms vs ES ESQL: 96 sClickHouse vs ES存储10 亿行磁盘CH: 5.5 GB vs ES: 51.3 GBClickHouse vs ES硬件成本成本CH 仅需便宜 4x 的硬件Qdrant生产环境p50 / p994 ms / 25 msMilvusp506 msPineconep508 msQdrant / Weaviate / Milvus1M 向量P9530–40 ms / 50–70 ms / 50–80 msMilvus 吞吐1M 向量QPS10,000–20,000Qdrant 吞吐1M 向量QPS8,000–15,000Elasticsearch BBQ vs OS FAISS速度查询快 5x、吞吐高 3.9xES 9.0 BBQ SIMD 改进速度吞吐提升 8x–30xES 冷层 vs 热层存储减少 50%ES 缓存命中 vs 未命中聚合延迟相差 1,400xMeilisearch vs ES 索引速度Meilisearch 约快 7xClickHouse 日志压缩率比率10:1–20:1 vs ES 1.5:1过滤搜索 p99生产环境延迟尖峰并发下最高 10x数据来源清单以下为文档原始引用来源按名称列出便于检索原文Benchmarking OpenSearch and Elasticsearch —— Trail of Bits2025 年 3 月Elasticsearch vs. OpenSearch: Performance and resource utilization —— Elastic BlogElasticsearch Benchmarks —— Elasticsearch vs. OpenSearch —— Blunders.ioClickHouse vs. Elasticsearch: The Billion-Row Matchup —— ClickHouse BlogClickHouse vs. Elasticsearch —— DoubleCloud ComparisonClickHouse vs Elasticsearch for Log Analytics —— OneUptime2026Vector Search Benchmarks —— QdrantBest Vector Database 2025: Pinecone vs Weaviate vs Qdrant vs Milvus —— TensorblueVDBBench 1.0: Real-World Benchmarking for Vector Databases —— Milvus BlogVector Search Performance Benchmark: SingleStore, Pinecone, Zilliz —— benchANTMongoDB Vector Search Benchmark Results —— Atlas DocsElasticsearch 9.0 8.18: BBQ GA —— Elastic BlogElasticsearch vs Qdrant vs Meilisearch —— Meilisearch BlogTypesense vs Algolia vs Elasticsearch vs Meilisearch —— TypesenseMeilisearch vs Typesense —— Meilisearch BlogBenchmarking Performance: Elasticsearch vs Competitors —— GigaSearch / MediumTesting Elasticsearch Cold Tier at Scale —— Elastic BlogDatabase Performance Benchmarks —— GreptimeDB2025Vector Database Benchmarks are Misleading: What Matters —— Actian2026Choosing a vector database for ANN search at Reddit —— Milvus BlogVectorDBBench —— ZillizOpenSearch vs Elasticsearch (2025) —— Medium / Jagadeesh ChandraClickHouse vs Elasticsearch 2026 —— Tasrie IT Services如何把这些数字用在自己的评估里仓库内的对照证据汇编文档提供的是行业快照而要得出属于自己的结论必须有一套可复现的、诚实的方法论。XERJ 仓库恰好把这样一套方法论连同原始结果一起开源了可作为自测模板同机、同负载、双引擎对打SCORECARD.md 记录 XERJ v1.0.0-rc.6 vs Elasticsearch 8.13.4 的 88 个测量单元摄入、全查询族、聚合、管道、混合读写、kNN、磁盘占用结果 55 WIN / 26 TIE / 4 LOSE / 3 N/A——且 4 个 LOSE写压下的读 p99被逐一根因定位到 memtable 锁竞争见 MIXED_READ_UNDER_WRITE_FINDING_2026-07-08.md没有隐藏。客户端口径决定结论bench-matrix.mjs 明示了为什么不能用 Node 全局fetchundici 约 1.5 ms 客户端开销会淹没双引擎亚毫秒服务端时间并改用共享 keep-alivehttp.AgentXERJ 0.126 ms vs ES 0.283 ms 的真实服务端往返。噪声带与 TIE 规则|Δ| ≤ max(0.30ms, 20%)判 TIE——本汇编文档中 ES/OS 间大量亚毫秒差异DP-12、DP-15按此规则都算不上胜利。开环 vs 闭环bench-methodology.test.mjs 用固定延迟 mock 服务器证明开环 200 req/s 在 40 ms 真延迟的服务上会把 p50 虚增 4x背压排队伪影这解释了为何本汇编中高延迟查询与低延迟查询必须分开发布。缓存必须关闭详见上一节缓存海市蜃楼教训。磁盘与内存要分场景DISK_SIZE_2026-07-09.md 与 index-size/run.sh 展示了 force-merged 稳态下按文件扩展名拆解的磁盘账本idle-budget/run.sh 展示了常驻进程按索引计的 idle RSS 预算与门禁。最后把性能与耐久性/集群期望放在一起看本汇编所属的目录15-clustering-durability-expectations-2025-2026关心的正是多节点集群到底承诺了什么。XERJ 官方集群文档landing/docs/clustering.html给出的诚实边界是单二进制内置 Raft 环选主、心跳、HMAC-SHA256 认证传输、持久化本地 Raft 日志但索引、映射与文档目前仍是节点本地跨节点复制尚未落地若需要第二份活数据副本官方建议使用 WAL tap 或逐节点备份。这与本汇编中多高内存节点的 ES 集群ClickHouse 多节点吞吐等规模化数字形成了互补视角规模化能力与数据冗余承诺应当和延迟、吞吐一样被列入选型评估的必测清单。赞分享人工智能搜索引擎本地部署后端MCP 服务【免费下载链接】xerjXERJ is the new way for AI to search data. Its autoindex capability activates agents to know your data without the token waste of grep and sed. One command indexes code, docs, logs and PDFs for search, RAG, security audits and agent memory, using 40x fewer tokens than grep. Elasticsearch compatible, so existing clients just work.项目地址https://gitcode.com/GitHub_Trending/xe/xerj点击查看免费下载相关推荐GetQzonehistory 批量导出 QQ 空间历史说说扫码登录后自动跑完十年动态、评论和配图落进本地硬盘GetQzonehistory 批量导出 QQ 空间历史说说扫码登录后自动跑完十年动态、评论和配图落进本地硬盘 QQ 空间没有导出入口你攒了十几年的说说网页爬虫数据分析PDF补丁丁完整指南免费快速解决PDF书签、页面与限制难题的终极方案PDF补丁丁完整指南免费快速解决PDF书签、页面与限制难题的终极方案 办公桌上堆着十几份页面大小不一、没有书签、还带着打印限制的PDF文件想统一整理却找不到桌面应用GPT-NeoX推理性能测试终极指南如何优化大语言模型的吞吐量与延迟GPT NeoX推理性能测试终极指南如何优化大语言模型的吞吐量与延迟 GPT NeoX是由EleutherAI开发的开源大语言模型训练框架基于DeepSpe深度学习NLP大模型分布式训练预训练上一篇Wraith终极指南如何用截图对比工具实现完美的响应式测试下一篇小米AX3000路由SSH访问开启完全控制教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
