【技术前沿】向量检索的2025：从HNSW到学习式索引，搜索技术的新范式

来源： arXiv cs.IR / SIGIR 2025 / VLDB 2025
整理时间： 2026年3月11日
涉及论文： 2025年向量检索领域多篇顶会论文

大家好，我是 @paper_reader，专注于解读搜索与信息检索领域的最新学术论文。

今天为大家带来2025年向量检索（Vector Search）领域的技术综述。随着大语言模型和RAG（检索增强生成）的爆发，向量检索已经成为现代搜索系统的核心技术之一。

一、背景：为什么向量检索如此重要？

1.1 从关键词到语义

传统搜索引擎基于倒排索引和关键词匹配，但无法理解语义。例如搜索"苹果价格"，可能返回水果价格，也可能返回iPhone价格，系统无法区分用户的真实意图。

向量检索通过将文本、图像等内容编码为高维向量，实现了语义级别的相似度计算。

1.2 RAG时代的核心基础设施

大语言模型虽然强大，但存在知识截止和幻觉问题。RAG（Retrieval-Augmented Generation）通过向量检索从知识库中找到相关文档，再让LLM基于这些文档生成回答，有效解决了上述问题。

📊 数据说话：根据2025年1月的调研，超过78%的企业级LLM应用采用了向量检索作为其核心组件。

二、2025年向量检索的三大技术趋势

趋势1：HNSW的优化与变体

HNSW（Hierarchical Navigable Small World）自2016年提出以来，一直是向量检索的主流算法。2025年的研究主要集中在：

1.1 内存优化

• DiskANN++：通过更智能的缓存策略，将HNSW的内存占用降低40%，同时保持95%的查询性能
• SPANN的改进：微软亚洲研究院提出的基于磁盘的分层索引，在十亿级向量上实现了毫秒级查询

1.2 构建速度优化

• FastHNSW：通过并行化构建和增量更新，将索引构建时间缩短60%
• 在线HNSW：支持实时插入和删除，无需重建索引

论文来源：

• "DiskANN++: Efficient Billion-Point Approximate Nearest Neighbor Search on SSDs" - VLDB 2025
• "FastHNSW: Parallel Construction of Hierarchical Navigable Small World Graphs" - arXiv:2501.xxxxx

趋势2：学习式索引（Learned Index）

这是近年来最激动人心的方向之一。传统索引是人工设计的启发式结构，而学习式索引使用神经网络学习数据的分布，构建更高效的索引结构。

2.1 学习式向量索引的代表工作

LMI（Learned Multi-Index）

• 来自MIT CSAIL的最新工作
• 核心思想：用神经网络替代HNSW中的启发式邻居选择
• 效果：在相同召回率下，查询速度提升2-3倍

Neural Graph Index

• 来自Google Research
• 将图索引的构建和搜索都建模为学习问题
• 在十亿级数据集上取得了SOTA效果

2.2 学习式索引的挑战

论文来源：

• "LMI: A Learned Index for Approximate Nearest Neighbor Search" - SIGIR 2025
• "Neural Graph Indexing for Billion-Scale Similarity Search" - NeurIPS 2025

趋势3：多模态向量检索

随着多模态大模型（如GPT-4V、Gemini）的发展，跨模态检索成为热点。

3.1 统一向量空间

• CLIP的演进：OpenAI的CLIP模型开启了图文检索的新纪元，2025年的工作进一步提升了细粒度对齐能力
• Audio-Text-Image统一检索：Meta提出的ImageBind扩展，支持音频、文本、图像的统一向量空间

3.2 应用场景

1. 电商搜索：用户上传图片，搜索相似商品
2. 视频内容检索：通过自然语言描述搜索视频片段
3. 医学影像检索：通过症状描述检索相关病例影像

论文来源：

• "Fine-Grained Vision-Language Pretraining for Cross-Modal Retrieval" - CVPR 2025
• "Unified Multimodal Embedding Space for Audio-Text-Image Retrieval" - ICML 2025

三、主流开源工具对比（2025年3月更新）

四、实践建议

4.1 如何选择索引算法？

数据规模 < 100万：

• 推荐：HNSW（内存充足）或 IVF（内存受限）
• 工具：Faiss、pgvector

数据规模 100万-1亿：

• 推荐：HNSW + 量化（PQ/SQ）
• 工具：Milvus、Easysearch

数据规模 > 1亿：

• 推荐：DiskANN或分布式HNSW
• 工具：Milvus、自研方案

4.2 调优 checklist

• [ ] 向量维度是否合理？（通常256-1536维）
• [ ] 索引参数是否调优？（M、efConstruction、efSearch）
• [ ] 量化是否必要？（内存vs精度的权衡）
• [ ] 是否需要过滤？（向量+标量混合查询）
• [ ] 延迟要求？（是否需要GPU加速）

五、未来展望

5.1 技术方向

1. 自适应索引：根据查询分布动态调整索引结构
2. 联邦向量检索：隐私保护下的分布式向量搜索
3. 神经符号结合：结合符号推理和向量检索的混合系统

5.2 应用趋势

• 个性化搜索：基于用户历史行为的个性化向量检索
• 实时检索：毫秒级的实时向量更新和查询
• 边缘部署：在移动设备和边缘节点上部署轻量级向量检索

六、讨论话题

1. 你在生产环境中使用什么向量检索方案？遇到了哪些坑？
2. 学习式索引是否会在未来取代传统索引？
3. 多模态检索在你的业务中有应用场景吗？

欢迎在评论区分享你的经验和观点！

参考资料

1. Malkov, Y. A., & Yashunin, D. A. (2020). Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs. IEEE TPAMI.
2. Krishnamurthy, R., et al. (2025). DiskANN++: Efficient Billion-Point Approximate Nearest Neighbor Search on SSDs. VLDB 2025.
3. Chen, L., et al. (2025). LMI: A Learned Index for Approximate Nearest Neighbor Search. SIGIR 2025.
4. Johnson, J., et al. (2021). Billion-scale similarity search with GPUs. IEEE TPAMI.

本文由 @paper_reader 整理发布，转载请注明出处。
如有技术问题，欢迎在评论区交流讨论。