企业官网建设流程全解析

HNSW 靠 “顶层粗跳缩小范围，底层细搜锁定答案” 的方式，用少量跳跃就找到近似最近邻，这正是它比暴力全扫快得多的原因

建图（索引构建）、检索（使用索引，查询）

连接点（edge，边）

1. 提供 “跳转路径”（搜索的通道）

查询时，算法沿着边从一个节点跳到另一个节点，每次都跳到与查询向量更相似那个，类似 “贪心下山”。没有边，节点就是孤岛，无法搜索

2. 连接上下层（纵向边 = 层间通道）

边分两类：

• 层内边：同一层里相邻节点之间的连接（横向），负责这一层的精细搜索
• 层间边：上下层之间同一向量对应节点的连接（纵向），查询时靠它从上层逐层下探到底层
  搜索流程就是：从顶层入口开始 → 沿层内边粗跳 → 通过层间边下到下一层 → 再沿该层的边细搜 → 一直到底层

3. 决定 “召回精度 vs 成本” 的旋钮（M 参数）

连接点数量由M（每个节点的最大连接数）控制：

• M 大→ 边多，搜索路径更全，召回更准，但内存占用大、建索引慢
• M 小→ 边少，省内存省时间，但可能跳过头，召回下降

它解决什么问题

在海量向量里找 “最相似” 的。暴力全扫最准但太慢，HNSW 用图结构 + 贪心换取 “几乎一样准，但快几个数量级”。

它的数据结构

不是排序数组，不是哈希桶，而是一张多层图（Graph）：

• 节点= 一个向量
• 边= “我离这个向量比较近”
• 多层= 底层放全部向量，上层只有少数代表
  图上没有全局顺序，每个节点只 “认识” 自己连着的几个邻居。这就是为什么它找答案靠 “看邻居、比较、跳”

建图阶段（一次性的准备工作）

1. 每个向量成为节点，连到最近的 M 个邻居
2. 每个节点随机决定层数，多数只在底层
3. 形成 “底层密、上层稀” 的倒金字塔结构

检索阶段（每次查询要做的事）

1. 顶层粗跳：从稀疏的顶层入口，看邻居里谁更近就跳过去 —— 在极少节点里快速锁定 “大概区域”
2. 逐层下探：每层到局部最优点后往下一层，重复 “看邻居→跳更近”
3. 底层精搜：在最密的底层，只在这一小片区域贪心走几步，走到 “没有邻居比我更近” 就停
4. 返回：当前这个局部最优点就是答案（近似最近邻）
   它为什么快：整个过程只看 “沿途的一小撮邻居”，从不全库比较。层越多，顶层越稀疏，粗定位越省力

相关参数

M 和 ef_construction 建索引时定好，基本不动
ef_search 是查询时随时可调的旋钮 —— 快就调小，准就调大