HNSW là một thuật toán tìm kiếm lân cận gần nhất có cấu trúc đồ thị, nhanh chóng tìm kiếm các ứng cử viên tương tự về mặt ngữ nghĩa từ dữ liệu vectơ chiều cao. Nó hiện đang được áp dụng làm công nghệ tiêu chuẩn cho các hệ thống RAG và tìm kiếm ngữ nghĩa nhằm đạt được cả tốc độ và độ chính xác.
HNSW (Thế giới nhỏ có thể điều hướng theo cấp bậc) là một thuật toán thực hiện tìm kiếm lân cận gần nhất (ANN) gần đúng cho các vectơ chiều cao trong cơ sở dữ liệu vectơ. Bằng cách phân lớp cấu trúc biểu đồ, có thể thực hiện tìm kiếm tốc độ cao trong khi vẫn duy trì độ chính xác mà không cần phải tìm kiếm tất cả dữ liệu một cách thô bạo.
Nó đã được sử dụng làm phương pháp lập chỉ mục mặc định cho các cơ sở dữ liệu vectơ chính như Chroma, Pinecone, Qdrant và Weaviate, đồng thời là cấu hình tiêu chuẩn trong hoạt động thực tế với vai trò là lõi tìm kiếm của đường ống RAG.
Có 2 cạm bẫy chính thường gặp trong lĩnh vực này vào năm 2026. Trước hết, HNSW được thiết kế để giữ toàn bộ chỉ số trong RAM nên khi số lượng chỉ mục lên tới 1 triệu, dung lượng bộ nhớ tăng lên hàng chục GB và chi phí đám mây tăng vọt. Tiếp theo, mặc dù các tham số `ef_construction` và `M` ảnh hưởng trực tiếp đến sự cân bằng giữa độ chính xác và tốc độ, nhưng có nhiều trường hợp các giá trị mặc định được sử dụng trong sản xuất và nhận thấy sự suy giảm hiệu suất.
Xét về giá thị trường, chi phí bảo trì cho 1 triệu vectơ (1536 chiều) được ước tính là 70 USD đến 100 USD mỗi tháng với Pinecone và 150 USD đến 200 USD mỗi tháng với Qdrant tự lưu trữ trên EC2 (r5.xlarge). Từ góc độ lĩnh vực của ReviewAI, có nhiều trường hợp Flat (tìm kiếm đầy đủ) là đủ nếu số lượng mục dữ liệu nhỏ hơn 100.000, nhưng HNSW cho thấy tiềm năng thực sự của nó trong các tình huống có hơn 100.000 mục và yêu cầu độ trễ tìm kiếm từ 50ms trở xuống.