AI 实践：ANN 近似最近邻检索
2025-08-16
疑问：向量检索（embedding + ANN） , 其中的 ANN 是什么？
这个 ANN 不是人工神经网络 (Artificial Neural Network)，而是：
- ANN 是 Approximate Nearest Neighbor 的缩写，中文翻译为”近似最近邻检索”。
1. 为什么需要 ANN？
在向量检索里，每个文档片段都被编码成一个高维向量（embedding）。
- 用户提问 –> 也会被编码成一个向量
- 检索任务 –> 找到”和这个向量最接近”的若干文档向量
但问题是：
- 假设有 上百万 / 上亿 的向量，
- 每次都要做精确的最近邻搜索（逐个计算欧氏距离或余弦相似度），代价太大，速度太慢。
所以，引入 ANN：它放弃”完全精确”，转而使用高效的数据结构和算法来快速找到近似的、但几乎一样好的最近邻。
2. 常见的 ANN 算法 / 数据结构
几类主流方法：
-
树结构 (Tree-based)
- KD-Tree, Ball Tree 等
- 适合低维数据，高维失效（curse of dimensionality）
-
哈希 (Hash-based)
- LSH (Locality-Sensitive Hashing)
- 把相似向量映射到相同桶里，加速查找
-
图结构 (Graph-based)
- HNSW (Hierarchical Navigable Small World)
- 建立”向量之间的邻居图”，查询时像爬图一样跳跃搜索
- 目前是业界主流（比如 Milvus、Faiss、Weaviate 都支持）
-
量化 (Quantization-based)
- PQ (Product Quantization)、IVF-PQ 等
- 用压缩技术减少存储，并在粗粒度的索引上缩小候选范围
3. 应用场景
- 搜索引擎 / RAG：检索与问题最相关的文档片段
- 推荐系统：找”相似用户”或”相似物品”
- 图像/音频检索：找”相似图片”或”相似音频片段”
4. 总结
ANN 就是”为了在海量向量库里快速找到近似的最近邻”的算法集合，是向量检索的核心基础设施。
原文地址：https://ningg.top/ai-series-ann-intro/