向量检索服务DashVector在设计上支持Schema Free。向量检索服务DashVector在设计上支持Schema Free，在插入Doc、更新Doc、插入或更新Doc时，可设置任意KeyValue结构的字段(Field)，如下所示：
Python示例：
collection.insert(Doc(id='1',vector=np.random.rand(4),fields={'name': 'zhangsan', 'weight':70.0, 'age':30, 'anykey1': 'anyvalue', 'anykey2': 1,'anykey3': True, 'anykey4': 3.1415926... ...})
)
说明
更多的Fields将消耗更多的资源（如内存、磁盘）
Field支持的数据类型
当前DashVector支持Python的4种基础数据类型：
-
str
-
float
-
int
-
bool
重要
Python的int类型可表达无限大小的整数，当前DashVector仅支持32位整数，范围为-2,147,483,648~2,147,483,647，需要用户自行保证数据未溢出。
检索时通过Field进行条件过滤
插入Doc、更新Doc、插入或更新Doc时所设置的任意KeyValue结构的字段(Field)，可在检索Doc进行条件过滤，如下所示：
Python示例：
ret = collection.query(vector=[0.1, 0.2, 0.3, 0.4],filter='(age > 18 and anykey2 = 1) or (name like "zhang%" and anykey3 = false)'
)
说明
更多的Fields在检索时将消耗更多的资源（如CPU），同时复杂的filter表达式也将消耗更多的时间开销才能获取到结果
提前定义Field Schema的优势
在新建Collection的时候，可以预先定义Field Schema，如下所示：
Python示例：
ret = client.create(name='complex', dimension=4, fields_schema={'name': str, 'weight': float, 'age': int}
)
这样做的主要收益有如下3点：
-
更快的检索速度 ：条件过滤时，用预先定义的Field将会有更短的时间开销和更少的CPU算力开销
-
更少的内存、磁盘占用 ：未预先定义的Field，需要存储Field名称和Field值，而预先定义的Field仅存储Field值即可
-
filter预校验 ：条件过滤时，预先定义的Field会校验filter的语法，当遇到类型不匹配时，会快速失败、立即返回；而未预先定义的Field，无法知道"正确"数据类型，无法进行预校验
通常而言，对于确定性的、大多数Doc都具有的Field，建议在新建Collection时候预先进行定义；对于无法提前预知、仅少量Doc独有的Field，可以在插入Doc时设置。
