概念
也叫：Hierarchical Navigable Small World
高效向量索引算法，适用于高吞吐场景
最近变化
2026-09-09 · HNSW在低延迟和高查询吞吐场景表现最优
HNSW 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Is the fastest vector index always the right vector index? HNSW is difficult to beat when an applic...
Weaviate • vector database(@weaviate_io) · 8.5 分
HFresh: Memory-Efficient Vector Search
Weaviate Blog · 8.5 分
We just released Qdrant 1.19.1, a patch release with some serious performance improvements under the...
Qdrant(@qdrant_engine) · 8.5 分
已收录 10 篇与「HNSW」相关的 AI 资讯和分析。
向量索引选择需权衡性能与内存效率，HNSW适合高吞吐场景，HFresh通过压缩技术优化内存使用。
入选理由：HNSW在低延迟和高查询吞吐场景表现最优
HFresh是Weaviate推出的基于磁盘的向量索引，通过分区和两阶段搜索策略实现低内存使用和大规模数据集的高效查询。
入选理由：HFresh将内存使用降低到传统HNSW的1/10，适合资源受限场景
Qdrant 1.19.1版本通过多项优化显著提升性能，Quantized HNSW搜索速度提升1.5-2.5倍。
入选理由：Quantized HNSW搜索速度提升1.5-2.5倍
AI代理错误答案常源于检索系统缺陷而非模型本身，需优先调试召回层而非直接优化模型。
入选理由：调试AI代理应优先检查召回层的recall@k指标和过滤器命中率
大规模向量搜索需权衡内存与磁盘索引，DiskANN在成本和性能上优于HNSW，但需接受精度损失。
入选理由：DiskANN在百亿级向量存储中可降低70%内存成本，但召回率下降约5%
Weaviate推出查询性能分析功能，可精准定位慢查询的瓶颈。通过per-query profiling直接返回各阶段耗时，无需重启或等待查询变慢。
入选理由：启用query_profile标志可获取每个查询的详细性能分析
Milvus通过Force Merge Compaction可提升查询性能1.8倍，降低延迟三分之一。
入选理由：Force Merge Compaction使QPS从3000提升至5400-5800（1.8倍）
Milvus 直接在嵌入列表上构建 HNSW 索引，无需编码步骤，质量几乎无损失，且优于现有近似策略。
入选理由：直接在嵌入列表上构建 HNSW 索引，质量接近 BruteForce 方法。
Qdrant 1.6 推出更灵活的推荐 API，支持正负样本混合输入和多种搜索策略，提升推荐系统效果。
入选理由：Qdrant 1.6 支持正负样本混合输入，提升推荐系统灵活性。
Weaviate提出了一种新的内存管理方案HFresh，通过将向量存储在磁盘上并仅保留紧凑的中心索引来降低内存使用。
入选理由：HFresh节省内存达50%以上
与「HNSW」经常一起出现的 AI 术语。
💡 想追踪「HNSW」的长期趋势？去 实体雷达 · HNSW 查看详细分析和跨材料问答。
