HNSW 探索器：可階層導航的小世界，視覺化呈現
觀察搜尋如何穿梭於分層圖中——從稀疏的頂層（高速公路）一路向下至密集的底層（地方道路）。拖曳第 0 層上的查詢點，並調整M / ef 來觀察圖形如何變化。
搜尋統計
層次分佈
HNSW 的運作方式
- 分層圖：每個節點皆透過指數分佈隨機分配一個最大層級。大多數節點僅存在於第 0 層；極少數能達到頂層。
- 在每個層級中：每個節點皆與其
M個最近鄰相連。較高層級呈稀疏狀態（節點少、邊長長＝「高速公路」）。第 0 層則呈密集狀態（所有節點、邊長短＝「地方道路」）。 - 搜尋從頂端開始：從固定起點出發，貪婪地向最接近查詢的鄰居移動，重複此過程直至不再有改善。
- 向下瀏覽一層並重複：前一層的位置將成為下一層遍歷的起點。每次向下瀏覽都會透過更細緻的邊來精煉結果。
- 第 0 層搭配「
ef」：在最底層，HNSW 不會在第一個局部極小值處停止，而是維持一個ef最佳候選向量，並擴展其鄰域。較大的ef→ 更精準但速度較慢。
為何如此快速：頂層運作方式如同「索引之上的索引」——您只需經過幾個跳躍即可跨越龐大距離，隨後再進行精確定位。對於 N 個點，搜尋過程僅需遍歷約O(log N) 個節點，而非N 個節點。
什麼是「HNSW 」？
HNSW (Hierarchical Navigable Small World)是一種基於圖的近似最近鄰演算法。它將向量組織成一疊可導航的小世界圖：上層為稀疏結構，具有長程邊以進行粗略路由；底層為密集結構，具有短邊以進行最終的細粒度遍歷。 搜尋過程會以貪婪演算法在每一層朝查詢點跳躍，然後向下移動——如此一來，僅需遍歷約O(log N) 個節點，而非掃描所有 N 個節點。
HNSW 是使用最廣泛的內存向量索引，也是Milvus 中的預設圖索引。Milvus 亦提供 HNSW_SQ 以及 HNSW_PQ 變體，這些變體會對儲存的向量進行量化，以犧牲少量召回率為代價來節省記憶體。
HNSW 參數在Milvus
M(建構時間)：每個節點的最大邊數，與上方的滑桿控制項相同。典型值為 8–64。較高的 M 值可提升召回率與圖的連通性，但會使記憶體使用量呈線性增長，並減慢建構速度。efConstruction(建構時間)：插入節點時使用的候選向量池大小。較高的數值可建構出品質更佳的圖（可達成的召回率更高），但代價是索引建構速度較慢。典型數值為 100–500。ef/ef_search（查詢時間）：在 Layer-0 遍歷過程中保留的候選向量池——這是搜尋時控制召回率與延遲的主要參數。其值必須至少等於您的top-K 。請逐步增加此值直至召回率趨於平穩；延遲會隨此值大致呈線性增長。
HNSW vsIVF vsDiskANN
HNSW 在記憶體內搜尋中，此演算法通常能在高召回率下提供最佳的查詢延遲——這正是當資料集（加上圖結構開銷）能容納於RAM 時，它成為預設選擇的原因。其代價在於記憶體消耗與建構時間：圖結構會為每個向量增加明顯的開銷，且插入操作的速度比IVF 的k-means指派更慢。 當您需要快速建立索引或進行激進量化時，請選擇IVF ；當資料集過大而無法放入RAM ，但您仍需要高召回率時，請選擇DiskANN 。
常見問題
HNSW 中的 M 參數控制什麼？
M 限制了每個節點在每一層中保留的邊數。較大的 M 值會使圖的連通性更好——回召率更高且路由更穩健——但記憶體消耗會隨 M 呈線性增長，且索引建置速度會變慢。8 到 64 之間的數值可涵蓋大多數工作負載；16 至 32 通常是最佳範圍。
ef 與efConstruction 之間有何區別？
兩者皆為候選向量池的大小，但應用於不同時機。「efConstruction 」用於建立索引時：它決定每個插入節點搜尋鄰居的徹底程度，因此控制圖的品質。「ef 」（ef_search ）用於查詢時：它控制 Layer-0 搜尋的範圍，在每次查詢中以延遲為代價來換取召回率。
HNSW 索引需要多少記憶體？
大致上包含原始向量加上圖：對於 float32 資料，每個向量約佔 d × 4 位元組，加上每個節點約 M × 2 × 8 位元組的邊。對於記憶體受限的部署，Milvus 提供HNSW_SQ 和HNSW_PQ ，這些功能會對儲存的向量進行量化；或DiskANN ，該功能會將完整向量移至SSD 。
何時應使用 `HNSW ` 而非 `IVF` ？
當查詢延遲在高召回率下是優先考量，且索引能完全載入記憶體時，請使用HNSW —— 它通常能勝出這場競賽。若您經常重建索引（建置速度快得多），或需結合SQ8/PQ 量化技術以符合嚴格的記憶體預算時，請優先選用IVF 。
深入了解：請閱讀《HNSW 》文件以獲取確切的索引參數，或參閱《Index Explained》以取得完整的決策指南。