ANN
近似最近邻搜索策略，通过牺牲少量召回精度来换取检索速度的数量级提升，是向量数据库实现毫秒级检索的核心方法
核心事实
时间轴 (近 90 天)
ANN索引（尤其是图结构的HNSW）难以高效地做原地删除，通常采用'软删除+定期合并'的折中方案。
ANN索引（如HNSW、IVF-PQ）的核心权衡在于召回率与内存、构建时间的三角关系。
近似最近邻（ANN）索引结构（如 HNSW、IVF）需要在数据分布变化后重建或调优，否则召回率会下降。
ANN 索引与距离度量绑定，HNSW 在构建时按某种度量组织近邻图，换用另一种度量通常需要重建索引。
HNSW 是一种分层可导航小世界索引结构，属于近似最近邻（ANN）策略，通过牺牲少量召回精度换取数量级的速度提升。
多向量方案的代价是每篇文档需存储多个向量，索引体积通常是单向量方案的数倍到数十倍，对向量数据库存储和ANN搜索性能要求更高
向量检索常用的距离度量包括余弦相似度和点积，实际系统通常采用近似最近邻（ANN）索引结构如 HNSW 或 IVF 以速度换取少量精度损失
向量索引效率问题通常由近似最近邻（ANN）算法库解决，常见方案包括FAISS、Annoy以及基于图结构的HNSW算法
ANN方案用轻微精度损失换取数量级级别的检索速度提升，在数百万乃至数十亿向量规模下仍能在毫秒级内返回最相似结果
混合检索（hybrid retrieval）结合关键词检索的精确性和向量检索的语义召回，已成为现代搜索引擎的事实标准
还有 4 条时间轴事件
全部知识事实 (16)
向量数据库的核心操作是近似最近邻搜索（ANN），通过HNSW、IVF等索引算法将相似度计算加速到毫秒级响应
80%已验证传统RAG流程的离线阶段将文档切片并通过嵌入模型转化为向量存储在向量数据库中，在线阶段通过近似最近邻（ANN）算法检索相似文档片段
65%待验证ANN索引（尤其是图结构的HNSW）难以高效地做原地删除，通常采用'软删除+定期合并'的折中方案。
50%待验证ANN索引（如HNSW、IVF-PQ）的核心权衡在于召回率与内存、构建时间的三角关系。
50%待验证近似最近邻（ANN）索引结构（如 HNSW、IVF）需要在数据分布变化后重建或调优，否则召回率会下降。
50%待验证ANN 索引与距离度量绑定，HNSW 在构建时按某种度量组织近邻图，换用另一种度量通常需要重建索引。
50%待验证HNSW 是一种分层可导航小世界索引结构，属于近似最近邻（ANN）策略，通过牺牲少量召回精度换取数量级的速度提升。
50%待验证多向量方案的代价是每篇文档需存储多个向量，索引体积通常是单向量方案的数倍到数十倍，对向量数据库存储和ANN搜索性能要求更高
50%待验证向量检索常用的距离度量包括余弦相似度和点积，实际系统通常采用近似最近邻（ANN）索引结构如 HNSW 或 IVF 以速度换取少量精度损失
50%待验证向量索引效率问题通常由近似最近邻（ANN）算法库解决，常见方案包括FAISS、Annoy以及基于图结构的HNSW算法
50%待验证ANN方案用轻微精度损失换取数量级级别的检索速度提升，在数百万乃至数十亿向量规模下仍能在毫秒级内返回最相似结果
50%待验证混合检索（hybrid retrieval）结合关键词检索的精确性和向量检索的语义召回，已成为现代搜索引擎的事实标准
50%待验证论文提出将基于ANN的AI与基于概率波的'纠缠大脑仿真'相结合，推动'类人处理单元'（HPUs）的发展
50%待验证双塔模型用用户塔和物品塔分别生成embedding，离线预计算物品向量并建立索引，在线只需计算query向量再做ANN检索
50%待验证稠密检索配合ANN索引技术（如HNSW、FAISS）能在百万乃至十亿级向量中实现毫秒级召回
50%待验证HNSW算法的时间复杂度约为O(log N)，近似最近邻算法在召回率95-99%下将检索时间从线性降至对数级别
50%