HNSW、IVF 与精确向量检索应如何选型？
用精确搜索建立基线，再用 ANN 换取规模和延迟。HNSW 图搜索、IVF 分簇、PQ 压缩各有代价，必须按过滤、更新、内存和任务召回选型。
发布于 2026-08-31 · 更新于 2026-09-07
本文目录
图：用于辅助理解本题的数据流或工程结构。来源：Hierarchical chunking，作者 Kpmiyapuram，许可 CC BY 2.5。
考察意图
面试官希望确认候选人能否解释“HNSW、IVF 与精确向量检索应如何选型”中的因果关系，并把公式或流程落实到可测量的工程结果。
回答前自测
- HNSW 怎样调参？
- 换 embedding 要重建吗？
- 过滤后少于 k 怎么办？
30 秒回答
用精确搜索建立基线，再用 ANN 换取规模和延迟。HNSW 图搜索、IVF 分簇、PQ 压缩各有代价，必须按过滤、更新、内存和任务召回选型。
评分点
精确与近似、三种机制、内存估算、过滤与模型兼容。
90 秒回答
Flat 精确检索逐个比较，召回确定但 O(Nd)；IVF 先用聚类中心选 nprobe 个倒排桶，再在桶内搜索，内存可控且适合批量/GPU；HNSW 构建多层小世界图，查询从稀疏高层逐步下沉，低延迟高召回但图内存和在线构建成本较高。选型必须结合规模、更新率、过滤、延迟和召回目标。
深入解释
常见机制
HNSW 用多层邻近图导航，再在底层展开候选；扩大查询搜索范围通常提高近似召回并增加工作。IVF 将空间分簇，只搜索部分簇；PQ 把子向量编码为离散码，节约存储但产生误差，它可与其他索引组合。
内存手算
百万条 768 维 float32 原始向量为 3.072×10⁹ 字节，约 3.07 GB 十进制。实际还有图边、元数据、副本与进程开销；码体积减少不能等同于总服务内存同比减少。
两种召回率
ANN Recall 比较近似结果与精确向量 top-k，任务 Recall 比较结果与人工证据。前者好不代表 embedding 表示合适。权限过滤改变候选空间及查询行为，必须按真实过滤选择性压测。
工程权衡
ANN 评测要以 Flat top-k 作近似真值，并在真实过滤条件下测。高选择性 metadata filter 可能破坏图搜索；删除、压缩、分片和 embedding 版本迁移通常比算法名更决定工程复杂度。
关键指标包括：Recall@k、MRR/nDCG、上下文精确率与召回率、faithfulness、引用正确率、拒答率和端到端延迟。
常见错误回答
- 只复述“HNSW、IVF 与精确向量检索应如何选型”涉及的术语，没有说明输入、运算和输出之间的关系。
- 讨论 向量索引 时省略模型规模、数据分布或硬件条件，使结论失去适用范围。
- 只讲收益，没有检查 HNSW、IVF、ANN 带来的精度、资源或可靠性代价。
连续追问
HNSW 怎样调参？
区分构图连接度、构图搜索与查询搜索范围，具体名随实现；测召回—延迟曲线及内存。
换 embedding 要重建吗？
通常要重新编码并切换兼容索引，维度相同不等于坐标空间相同。
过滤后少于 k 怎么办？
按实现选择预过滤、隔离或有上限的额外召回，不能放松权限补满结果。
项目结合
准备一个与 向量索引 直接相关的测量或排障案例。讲清基线、异常指标、被排除的假设和最终判定；没有亲历时，说明会采集哪些数据，不虚构结果。
复习自测
- 能否脱离笔记解释 HNSW、IVF 与精确向量检索应如何选型 的关键运算？
- 能否把文中的数量级例子换成自己的模型或业务参数？
- 能否指出一种不适用场景，并给出可观测的判定条件？
关联知识
延伸复习
继续阅读完整机制与案例。完成后回到本页，在不看答案的情况下重述并回答三个追问。