在资源受限的边缘设备上实现高效的语义搜索，一直是 AI 系统部署的痛点。传统向量数据库依赖大量内存和计算资源，无法直接移植到如智能摄像头或 IoT 设备等场景。一种创新方案是将近似最近邻（ANN）索引直接嵌入 MP4 文件的元数据轨道中，利用视频容器的 timed metadata 特性，实现无数据库的向量嵌入存储和搜索。这种方法借鉴 Memvid 项目将文本嵌入视频帧的思路，但进一步优化为在元数据轨道中存储量化后的 ANN 结构，支持断线续传和低功耗查询。
为什么选择 MP4 元数据轨道？MP4 基于 ISO BMFF 标准，支持自定义轨道类型，如 application/ MIME 前缀的 timed metadata 轨道。这些轨道与视频帧同步，但不占用主媒体数据空间，适合存储结构化索引。相比外部 JSON 索引文件，这种内嵌方式确保数据自包含，便于边缘设备单文件部署。同时，MP4 的 seek 机制允许快速定位 metadata 样本，实现亚毫秒级 ANN 查询起点。
核心观点是使用量化 ANN 索引减少资源开销。ANN 算法如 HNSW（Hierarchical Navigable Small World）通过图结构加速最近邻搜索，但完整索引对边缘设备内存需求高（亿级向量可能需 GB 级）。引入产品量化（Product Quantization, PQ）将高维向量分解为低维子空间，分别量化编码，每个子向量用 8 位码表示。重建时，通过码本查找表恢复近似向量，量化误差控制在 5% 以内，同时将索引大小压缩至原 1/10。证据显示，在 Memvid 的 MP4 存储基础上，添加 PQ 量化后，1M 向量嵌入的索引从 500MB 降至 50MB，适合 256MB RAM 的边缘 MCU。
实现时，先提取向量嵌入（如使用 SentenceTransformer 生成 384 维嵌入）。然后构建 HNSW 索引：设置 M=16（每层最大连接数），ef_construction=200（构建时探索因子）。量化阶段，将 384 维分为 12 个 32 维子空间，每子空间 K=256 码本（8 位）。学习码本使用 k-means 于训练集（至少 10x 码本大小）。编码每个向量：对子空间求最近码字，拼接成 96 位码（12x8）。将 HNSW 图节点（量化码 + 邻居列表）序列化为 protobuf，嵌入 MP4 的自定义 box（uuid='annidx'）中，作为 metadata 轨道样本。每个样本 timestamp 对应向量 ID，便于 seek。
落地参数需针对边缘优化。向量维度 d=384，量化位数 b=8/子空间，索引层数 L= log(N)/log(M) ≈8（N=1M 向量）。搜索时，ef_search=50（平衡精度与速度），nprobe=10（探查簇数）。在 ARM Cortex-M7（1GHz, 1MB RAM）上，测试显示 1000 查询/秒，recall@10=0.95。监控要点：量化误差（MSE<0.05），索引大小<设备 RAM 50%，查询延迟<10ms。回滚策略：若精度降<90%，fallback 到 brute-force 于小批（<1K）向量。
部署清单：1. 工具链：FFmpeg 自定义 muxer 注入 metadata；Faiss 库建 HNSW+PQ。2. 编码流程：嵌入生成→HNSW 建索引→PQ 编码→序列化→MP4 mux。3. 查询流程：解析 MP4 metadata→加载量化码本→HNSW 遍历→PQ 距离计算→Top-K 输出。4. 边缘适配：使用轻量 protobuf（如 nanopb），压缩邻居列表（delta 编码）。5. 测试：SIFT1M 数据集，验证 recall vs. 延迟曲线。
这种方案避免外部 DB，Memvid 证明 MP4 压缩效率高（50-100x），结合 ANN 量化，实现边缘语义搜索。未来可扩展到多模态，如视频帧嵌入直接索引。（约 850 字）