Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

HNSW

HNSW (hierarchical navigable small world) es un índice basado en grafos para la búsqueda de vecinos más cercanos aproximada. Enlaza los vectores con sus vecinos a lo largo de varias capas, para que una búsqueda pueda saltar rápidamente hacia las coincidencias más cercanas.

También llamado: hierarchical navigable small world, HNSW index

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

HNSW es el índice por defecto en muchas bases de datos vectoriales. Lo describieron Malkov y Yashunin en un artículo publicado por primera vez en 2016, y es popular porque ofrece un recall alto con consultas rápidas y no necesita un paso de entrenamiento.

Cómo funciona

Cada vector se convierte en un nodo enlazado con algunos de sus vecinos más cercanos. El grafo tiene varias capas. La capa inferior contiene todos los vectores; cada capa superior contiene un subconjunto aleatorio cada vez más pequeño, así que la de arriba es dispersa y tiene enlaces largos. Una búsqueda empieza arriba, avanza de forma voraz hacia la consulta, baja una capa y repite con pasos más finos hasta llegar abajo. El artículo indica que el coste de búsqueda escala de forma logarítmica.

Piénsalo como buscar una dirección: primero la autopista, luego las carreteras principales y después las calles secundarias.

Ajustes que verás

Los mandos principales son cuántos enlaces conserva cada nodo (a menudo llamado M), qué amplitud tiene la búsqueda al construir el grafo (ef_construction) y qué amplitud tiene en el momento de la consulta (ef o ef_search). Los valores más altos suben el recall y cuestan más memoria o tiempo. Ajústalos con métricas de recuperación sobre tus propios datos.

Límites

HNSW mantiene el grafo, y normalmente los vectores, en memoria, lo que se encarece a gran escala. Borrar elementos puede dejar el grafo peor conectado, y combinarlo con un filtrado por metadatos estricto puede bajar el recall. Otros índices de búsqueda de vecinos más cercanos aproximada reparten estos costes de otra forma.

Términos relacionados

Búsqueda de vecinos más cercanos aproximada
La búsqueda de vecinos más cercanos aproximada (ANN, approximate nearest neighbor) encuentra vectores cercanos a una consulta sin revisar todos los vectores guardados. Renuncia a garantizar la mejor coincidencia exacta a cambio de una búsqueda mucho más rápida en colecciones grandes.
Base de datos vectorial
Una base de datos vectorial (vector database) guarda embeddings junto a sus registros de origen y encuentra los vectores guardados más cercanos a un vector de consulta, normalmente con un índice aproximado para que la búsqueda siga siendo rápida con millones de elementos.
Búsqueda vectorial
La búsqueda vectorial (vector search) encuentra elementos comparando sus embeddings con el embedding de una consulta y devolviendo los más cercanos, de modo que los resultados coinciden por significado y no por palabras clave compartidas.
Filtrado por metadatos
El filtrado por metadatos (metadata filtering) limita una búsqueda a los elementos cuyos atributos guardados, como fecha, autor, idioma o grupo de acceso, cumplen unas condiciones dadas, junto con su clasificación por similitud vectorial o antes de ella.
Métricas de recuperación (recall@k, nDCG, MRR)
Las métricas de recuperación puntúan lo bien que un sistema de búsqueda devuelve documentos relevantes. Recall@k comprueba cuántos elementos relevantes aparecen entre los k primeros, nDCG premia que estén bien arriba y MRR mide lo pronto que aparece el primero correcto.

Fuentes