是什么：向量检索要回答「库里几百万个向量中，哪些和查询向量最相似」。精确检索要全库比对，太慢；HNSW（Hierarchical Navigable Small World，分层可导航小世界图）是当前最主流的近似最近邻（ANN）算法，由 Malkov 与 Yashunin 提出（论文 2016 年公开、后刊于 TPAMI）。
机制
把所有向量组织成一张「小世界图」——每个节点连着若干近邻，查询时从某个入口出发、每步贪心地走向离目标更近的邻接节点。它的关键设计是分层：构建多层图，顶层稀疏（长边多、跨距大），底层稠密（短边多、精度高），查询从顶层快速跳到大致区域，再逐层下沉做精细搜索——思想类似跳表，把「全局定位」和「局部精搜」分开。这样查询通常只需访问极小一部分节点，就能获得高召回。
在向量数据库中的角色
HNSW 是向量索引算法，不是数据库本身——主流向量数据库产品多以它（或其变体）为默认或主要索引，官方参考实现为 hnswlib。工程权衡：① 换来的是速度，付出的是内存（图结构开销大）与近似性（可调参数在召回率与速度间权衡）；② 支持增量插入，但删除和更新支持相对弱，部分实现采用标记删除；③ 亿级库、强过滤查询等场景会有专门优化或替代索引（IVF、DiskANN 等）。