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
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。