Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

HNSW

O HNSW (hierarchical navigable small world) é um índice baseado em grafos para busca aproximada de vizinhos mais próximos. Ele liga os vetores a seus vizinhos em várias camadas, para que uma busca possa saltar rapidamente em direção às correspondências mais próximas.

Também chamado: hierarchical navigable small world, HNSW index

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

O HNSW é o índice padrão em muitos bancos de dados vetoriais. Ele foi descrito por Malkov e Yashunin em um artigo publicado pela primeira vez em 2016, e é popular porque dá um recall alto com consultas rápidas e não precisa de etapa de treinamento.

Como funciona

Cada vetor se torna um nó ligado a alguns dos seus vizinhos mais próximos. O grafo tem várias camadas. A camada de baixo contém todos os vetores; cada camada acima contém um subconjunto aleatório e cada vez menor, então o topo é esparso, com ligações longas. Uma busca começa no topo, avança de forma gulosa em direção à consulta, depois desce uma camada e repete com passos mais finos até chegar à base. O artigo relata um custo de busca que cresce de forma logarítmica.

Pense nisso como encontrar um endereço: primeiro a rodovia, depois as avenidas, depois as ruas laterais.

Configurações que você vai ver

Os principais ajustes são quantas ligações cada nó mantém (muitas vezes chamado de M), quão ampla é a busca durante a construção do grafo (ef_construction) e quão ampla ela é na hora da consulta (ef ou ef_search). Valores mais altos aumentam o recall e custam mais memória ou tempo. Ajuste-os com métricas de recuperação nos seus próprios dados.

Limites

O HNSW mantém o grafo, e geralmente os vetores, na memória, o que fica caro em grande escala. Apagar itens pode deixar o grafo menos conectado, e combiná-lo com filtragem por metadados rígida pode reduzir o recall. Outros índices de busca aproximada de vizinhos mais próximos equilibram esses custos de outra forma.

Termos relacionados

Busca aproximada de vizinhos mais próximos
A busca aproximada de vizinhos mais próximos (approximate nearest neighbor, ANN) encontra vetores próximos a uma consulta sem verificar cada vetor armazenado. Ela abre mão da garantia da melhor correspondência exata em troca de uma busca muito mais rápida em grandes coleções.
Banco de dados vetorial
Um banco de dados vetorial (vector database) armazena embeddings junto com seus registros de origem e encontra os vetores guardados mais próximos de um vetor de consulta, geralmente com um índice aproximado para que a busca continue rápida em milhões de itens.
Busca vetorial
A busca vetorial (vector search) encontra itens comparando seus embeddings com o embedding de uma consulta e devolvendo os mais próximos, para que os resultados correspondam pelo significado e não por palavras-chave em comum.
Filtragem por metadados
A filtragem por metadados (metadata filtering) limita uma busca a itens cujos atributos armazenados, como data, autor, idioma ou grupo de acesso, atendem a condições dadas, junto com ou antes de ordená-los por similaridade vetorial.
Métricas de recuperação (recall@k, nDCG, MRR)
Métricas de recuperação (retrieval metrics) avaliam quão bem um sistema de busca retorna documentos relevantes. O recall@k verifica quantos itens relevantes aparecem entre os k primeiros, o nDCG recompensa colocá-los no alto e o MRR mede quão cedo aparece o primeiro correto.

Fontes