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：
```python
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：
```python
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：
```python
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。
有疑问加站长微信联系（非本文作者））
