🤖 AI 应用工程ID:
hnsw-graph-structureHNSW 跳表多层图结构
HNSW Multi-Layer Skip Graph
🎯核心定义
多层可导航小世界图 (Hierarchical Navigable Small World, HNSW) 是一种结合了跳表 (Skip List) 概率分层理念与可导航小世界 (NSW) 图拓扑的 ANN 图索引结构；在构建时，每个插入节点根据指数概率分布 确定其最大所属层级 ；顶层包含稀疏长程边负责大跨度快速路由，逐层向下图密度逐渐增大，底层 (Layer 0) 包含全部节点与紧密局部邻居边，实现从粗到精的 阶搜索。
💡使用场景
绝大多数工业级向量数据库（Milvus, Qdrant, Weaviate, Pgvector, Chroma）在高召回率（99%+）场景下的默认主流内存索引算法。
⚡解决的核心痛点
传统单层 NSW 图在规模达到千万级别后，容易陷入局部最优环或搜索跳数激增导致性能退化；HNSW 的多层跳表机制避免了长程边数量爆炸，保证高维聚类空间中超高速的对数级收敛路由。
🎯5 个高频面试考点 (Exam Points)
1
推导 HNSW 中节点分配到第 层的概率公式，并解释归一化因子 的数学作用？
2
详细描述从全局入口点 (Enter Point) 顶层向下贪心路由到底层 (Layer 0) 的两阶段搜索算法流程？
3
为什么 HNSW 能够兼具高聚类系数 (High Clustering Coefficient) 与极短平均路径长度 (Short Path Length)？
4
HNSW 索引内存开销中，邻居指针数组与原始向量存储的占比分析？
5
对比 HNSW 与 DiskANN (Vamana 图索引) 在单机内存占用与 SSD 随机 IO 吞吐上的根本架构差异？
📖 关联深度指南:📄 vector-databases-and-hnsw →
更新于 2026-08-14🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「HNSW 跳表多层图结构」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。