本次查询：Approximate Nearest Neighbor
中文解释：近似最近邻搜索
常见场景：大规模向量检索与相似度匹配
一句话解释
近似最近邻搜索（ANN）是一种能在海量数据中快速找到与查询项“足够相似”的个体，而不要求绝对精确最近邻的算法。它通过牺牲可接受的精度来换取数量级的速度提升，是处理高维向量检索最有效的通用方案之一。
为什么会被关注
随着大模型和多模态AI的普及，文本、图像、音频都被转化为高维向量（如768维的BERT嵌入）。传统精确最近邻搜索在百万级数据上就需要一次全量遍历，速度完全无法接受。ANN将搜索时间从分钟级压缩到毫秒级，直接支撑起了推荐系统、搜索引擎和向量数据库的实时响应能力。
核心逻辑
ANN的核心思路是“以结构换速度”：通过预先构建索引，把高维空间划分成可快速定位的子区域。常见技术包括：基于树的空间划分（KD-Tree、VP-Tree）、基于哈希的近似映射（LSH将相似向量映射到同一桶）、基于图的小世界导航（HNSW在图中跳跃式搜索）、以及基于量化的编码压缩（PQ将向量拆分为子空间近似）。
常见场景
推荐系统中的“相似物品”召回：用户行为向量在百万商品库中匹配最相似的Top-K物品，ANN将延迟控制在10ms以内。图像/视频指纹检索：比如以图搜图应用，将图片编码成向量后用ANN索引快速找到相同或相似图片。向量数据库（如Milvus、Pinecone、Weaviate）的内核均依赖ANN算法实现毫秒级查询。
容易混淆的点
ANN与精确最近邻（KNN）的区别：KNN要求绝对精确，必须比较全部数据；ANN允许有误差但速度快成百上千倍。二者不是替代关系，而是精度与效率的权衡——若数据量小于10万且需要严格结果，可使用精确搜索；大规模场景下ANN才是实际能用的方案。