HNSW

general · 首次出现 2026-05-22 · 最近出现 2026-11-16 · 累计提及 28

综述

HNSW(分层可导航小世界图,Hierarchical Navigable Small World)是目前向量数据库中最主流的近似最近邻检索(ANN)算法,通过构建多层图结构实现高维向量的快速相似度搜索,被 Milvus、Weaviate、Qdrant、PolarDB-X 等主流系统广泛支持。随着 RAG 和 AI 应用对检索质量、成本的要求不断提高,围绕 HNSW 的量化压缩、过滤检索和性能调优正成为工程实践中的热门话题。

HNSW 索引的近期进展

  • Milvus HNSW 索引量化解析:SQ、PQ 与 PRQ 如何压缩向量:Milvus 详细拆解了标量量化(SQ)、乘积量化(PQ)与 PRQ 三种量化方式在 HNSW 索引上的压缩原理与内存收益,帮助用户在大规模向量场景下权衡精度与资源占用。
  • Weaviate 1.40 引入 PathSeer 过滤 ANN 算法,免重建索引即可切换:Weaviate 1.40 版本上线 PathSeer 过滤 ANN 算法,支持在不重建索引的情况下切换,缓解了带元数据过滤的向量检索中图遍历效率下降的老问题。
  • ACORN与Qdrant filterable HNSW解决向量搜索过滤问题:Qdrant 借鉴 ACORN 论文思路介绍其 filterable HNSW 实现,针对「过滤条件过严导致召回率骤降」这一业界共性问题给出工程解法。
  • PolarDB-X 开源 v2.5.0 发布:新增 AI Function 与 HNSW 向量索引:阿里云 PolarDB-X 开源 v2.5.0 引入 HNSW 向量索引与 AI Function,反映出向量检索能力正在向关系型数据库内核加速融合。
  • Weaviate 推出查询性能剖析功能,按分片拆解检索延迟来源:Weaviate 的 per-query profiling 可按分片定位查询瓶颈,为 HNSW 图检索的延迟调优提供了可观测性工具。
  • 当前焦点与观察点

    HNSW 的争议和演进主要集中在三个方向。其一是内存成本:HNSW 图结构需要将全量向量常驻内存,因此 SQ、PQ、PRQ 等量化方案成为降本关键,但压缩必然带来精度损失,如何折中仍需按业务场景实测。其二是过滤检索:当查询附带标量过滤时,传统 HNSW 图遍历可能因可访问节点过少而失效,Weaviate 的 PathSeer 与 Qdrant 的 filterable HNSW 代表了两种不同的解决路径,实际效果有待更多生产环境验证。

    其三是工程可观测性与混合检索的普及。Milvus 的五步题库混合检索教程展示了 HNSW 语义检索与 BM25 全文检索、标量过滤结合的典型模式;同时「AI Agent 答错时问题可能出在检索层」的讨论也提醒团队,HNSW 参数(如 ef、M)配置不当会直接影响下游应用质量。总体来看,HNSW 仍是向量检索的事实标准,但量化、过滤和可观测性等配套能力的成熟度,正在成为选型时比算法本身更重要的考量。

    相关报道

    10 条在档