HNSW（分层可导航小世界图）是一种能把亿级向量搜索时间从秒级压到毫秒级的算法‌，由 Malkov 和 Yashunin 于 2016 年提出，目前已成为 RAG 系统和向量数据库中最主流的索引技术 。它通过构建多层图结构，让检索过程像“坐电梯”一样先大步跨越再精细定位，在保证 95% 以上召回率的同时，将查询复杂度从线性降低到对数级别 。‌‌‌

它是怎么做到秒搜的（原理与优势）

1. ‌分层导航结构‌：HNSW 把数据点组织成多层图，顶层节点少但连接距离远（像高速公路），底层节点密但连接距离近（像街道小巷）。搜索时从顶层开始，快速跳到目标附近，再逐层下降精确查找，避免了逐个比对 。‌‌‌
2. ‌小世界特性‌：基于“六度分隔”理论，图中任意两个向量之间只需经过很少的跳转就能到达，保证搜索不会陷入死角 。‌‌‌
3. ‌核心优势‌：
   • ‌速度极快‌：千万级向量库查询耗时仅需 1~10 毫秒，比暴力搜索快几百倍 。
   • ‌支持动态更新‌：新增数据可以直接插入图中，无需像 IVF 那样重新聚类建索引 。
   • ‌精度高‌：合理调参下召回率可稳定在 95% 以上，接近暴力搜索的精度 。
   • ‌代价‌：相比其他算法，HNSW 需要更高的内存开销来维护图结构 。‌‌‌

现在都在哪儿用它（应用与最新进展）

1. ‌向量数据库标配‌：主流数据库如 Milvus、Weaviate、pgvector 均将 HNSW 作为默认或推荐索引类型 。例如在 Supabase 中，可直接通过 CREATE INDEX ... USING hnsw 命令开启 。
2. ‌RAG 系统加速‌：在检索增强生成（RAG）应用中，HNSW 负责从海量知识库中快速找出与大模型问题最相关的文档片段，常与关键词搜索结合使用以提升准确性 。
3. ‌端侧硬件加速‌：2026 年 8 月的最新进展显示，为了在手机上运行本地 AI Agent，芯片厂商开始将 HNSW 的关键路径进行 NPU 硬化加速，解决传统 CPU 处理图遍历时缓存命中率低、功耗高的问题，让隐私数据能安全留在本地设备 。‌‌‌