Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

HNSW

HNSW (Hierarchical Navigable Small World) ist ein graphbasierter Index für die approximative Nächste-Nachbarn-Suche. Er verknüpft Vektoren über mehrere Ebenen mit ihren Nachbarn, sodass eine Suche schnell zu den nächstgelegenen Treffern springen kann.

Auch: hierarchical navigable small world, HNSW index

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

HNSW ist der Standardindex in vielen Vektordatenbanken. Malkov und Yashunin beschrieben ihn in einem Paper, das erstmals 2016 erschien, und er ist beliebt, weil er hohen Recall bei schnellen Anfragen liefert und keinen Trainingsschritt braucht.

So funktioniert es

Jeder Vektor wird zu einem Knoten, der mit einigen seiner nächsten Nachbarn verknüpft ist. Der Graph hat mehrere Ebenen. Die unterste Ebene enthält jeden Vektor; jede höhere Ebene enthält eine zufällige, schrumpfende Teilmenge, sodass die oberste dünn besetzt ist und lange Verbindungen hat. Eine Suche beginnt oben, bewegt sich gierig auf die Anfrage zu, steigt dann eine Ebene ab und wiederholt das mit feineren Schritten, bis sie unten ankommt. Das Paper berichtet eine logarithmische Skalierung der Suchkosten.

Stell es dir vor wie die Suche nach einer Adresse: erst die Autobahn, dann Hauptstraßen, dann Seitenstraßen.

Einstellungen, die dir begegnen

Die wichtigsten Stellschrauben sind, wie viele Verbindungen jeder Knoten behält (oft M genannt), wie breit beim Aufbau des Graphen gesucht wird (ef_construction) und wie breit zur Anfragezeit (ef oder ef_search). Höhere Werte steigern den Recall und kosten mehr Speicher oder Zeit. Stimme sie mit Retrieval-Metriken auf deinen eigenen Daten ab.

Grenzen

HNSW hält den Graphen und meist auch die Vektoren im Arbeitsspeicher, was bei großem Maßstab teuer wird. Das Löschen von Einträgen kann den Graphen schlechter verbunden zurücklassen, und die Kombination mit strenger Metadatenfilterung kann den Recall senken. Andere Indizes für die approximative Nächste-Nachbarn-Suche verteilen diese Kosten anders.

Verwandte Begriffe

Approximative Nächste-Nachbarn-Suche
Die approximative Nächste-Nachbarn-Suche (Approximate Nearest Neighbor, ANN) findet Vektoren nahe an einer Anfrage, ohne jeden gespeicherten Vektor zu prüfen. Sie verzichtet auf die Garantie des exakt besten Treffers und sucht dafür in großen Sammlungen viel schneller.
Vektordatenbank
Eine Vektordatenbank speichert Embeddings zusammen mit ihren Quelldatensätzen und findet die gespeicherten Vektoren, die einem Abfragevektor am nächsten liegen, meist mit einem approximativen Index, damit die Suche über Millionen von Einträgen schnell bleibt.
Vektorsuche
Vektorsuche (Vector Search) findet Einträge, indem sie ihre Embeddings mit dem Embedding einer Abfrage vergleicht und die nächstgelegenen zurückgibt. Ergebnisse passen so nach Bedeutung statt nach gemeinsamen Stichwörtern.
Metadatenfilterung
Metadatenfilterung beschränkt eine Suche auf Einträge, deren gespeicherte Attribute wie Datum, Autor, Sprache oder Zugriffsgruppe bestimmte Bedingungen erfüllen, zusätzlich zur oder vor der Rangfolge nach Vektorähnlichkeit.
Retrieval-Metriken (Recall@k, nDCG, MRR)
Retrieval-Metriken bewerten, wie gut ein Suchsystem relevante Dokumente liefert. Recall@k prüft, wie viele relevante Einträge unter den ersten k erscheinen, nDCG belohnt es, sie weit oben einzuordnen, und MRR misst, wie früh der erste richtige auftaucht.

Quellen