近邻搜索

近邻搜索是什么？

把每个东西都表示成空间里的一个「点」，越相似的东西离得越近。近邻搜索（Nearest Neighbor Search）要回答的问题就一句话：给一个点，找出离它最近的那几个。听起来简单，却是推荐系统、图像检索、语义搜索、RAG 等一大堆功能的共同底座。

它难在哪？

维度太高
现实中的向量常有几百上千维。维度一高，传统索引就失效——这叫「维度灾难」，几乎所有点看起来都「一样远」。
数据量太大
几百万、几十亿个点，一个个算距离，再快也扛不住。

怎么解决？

近似最近邻（ANN）
既然精确太慢，就「差不多得了」：允许一点点误差，换来数量级的提速。绝大多数场景里，近似结果和精确结果几乎没差别。
常见算法
树结构（如 KD-Tree）、哈希（LSH）、图结构（HNSW）、量化（PQ）……各有取舍，按数据规模和精度要求选。
专用工具
FAISS、Milvus、Pinecone、Weaviate 这些库和数据库，都把 ANN 封装好，你直接调就行。

它为什么无处不在？

「找相似」是人类信息处理的基本动作：找相似的歌、相似的商品、相似的问题答案、相似的图片。凡是 AI 要从海量数据里「召回」相关内容，背后几乎都站着近邻搜索。RAG 的第一跳，就是它。

一句话记住：近邻搜索就是「在空间里找离你最近的点」——一切「找相似」功能背后的共同底座。