HNSW 和 IVF 向量索引怎么选？
面试怎么回答
HNSW 是图索引，通过多层近邻图导航，通常低延迟和召回表现好，但内存与构建成本较高；IVF 先聚类分桶，查询只扫描 nprobe 个桶，更适合通过分桶和 PQ 控制大规模存储成本，但需要训练并仔细调参。我不会只按数据量拍板，而会用 Ground Truth 对比 Recall@K、P95、QPS、内存、更新和过滤效果，再选择满足业务 SLA 的 Pareto 点。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
同一批向量，HNSW 查得快、召回高，内存却不断上涨；IVF 内存压力小一些，参数没调好时又容易漏结果。
面试官真正想听的，不是两个缩写的定义，而是你能不能说清它们的检索路径和取舍。
HNSW 用图导航逼近近邻，IVF 先聚类再只扫描部分桶；选择时要一起看数据规模、内存、更新方式、过滤条件和召回—延迟目标。
HNSW：沿着近邻图逐步靠近答案
HNSW 会为向量建立多层近邻图。查询从稀疏高层快速定位大致区域，再到更密集的底层寻找候选。
它通常有较好的低延迟和召回表现，也不需要像 IVF 那样先训练聚类中心。但图结构会增加内存，构建成本不低，大量删除和频繁重建也需要关注。
关键参数包括 M、efConstruction 和 efSearch。增加邻接边或扩大搜索范围通常能提高召回，但会消耗更多内存、构建时间或查询时间。
IVF：先找到可能的桶，再扫描桶内向量
IVF 先把向量聚成多个倒排桶。查询先找到最近的若干聚类中心，只扫描这些桶里的候选，而不是全量比较。
nlist 决定桶的数量，nprobe 决定一次搜索多少个桶。nprobe 越大，召回通常越高，但扫描量和延迟也会上升。IVF 需要代表性训练样本，数据分布发生明显变化后还要考虑重新训练或重建。
IVF 还可以与 PQ 组合压缩向量，降低内存，但会再引入量化误差。
怎么选？看五个问题
第一，数据规模和内存预算。中等规模、内存充足、追求高召回低延迟时，HNSW 常是直接选择；超大规模且需要压缩时，IVF/PQ 更有空间优势。
第二，写入和删除。持续增量写入、频繁删除时，要验证具体实现的可见性、墓碑和重建机制，不能只看算法论文。
第三，过滤比例。租户或权限条件会缩小候选集，过滤执行在索引前、索引中还是检索后，会显著影响召回与性能。
第四，构建窗口。HNSW 构图和 IVF 训练都有成本，必须评估全量重建、增量更新和故障恢复时间。
第五，业务目标。用固定评测集画出 Recall@K、P95 延迟、QPS、内存的曲线，而不是拿默认参数比一次结果。
一个典型误区
有的团队只把 efSearch 或 nprobe 调大，看到召回提升就上线。结果高峰期 P99 延迟明显上升，或者过滤后有效候选不足。
正确测试应覆盖不同查询难度、租户规模、过滤条件和并发，并保留 Flat 精确检索的小样本结果作为 Ground Truth。没有基准答案，就不知道近似索引到底漏了多少。