[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-hnsw::ru":3,"gloss-cluster-hnsw::ru":26,"gloss-next-hnsw::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"hnsw","data-infra","HNSW (иерархический навигируемый малый мир)","HNSW — самый распространённый алгоритм приближённого поиска ближайших соседей, ключевой операции векторных баз и семантического поиска. По вектору-запросу он находит ближайшие среди миллионов, не просматривая их все. Он строит многослойный граф, где каждый вектор связан с соседями; поиск начинается на разреженном верхнем слое для грубой навигации и спускается в более плотные слои для уточнения, давая почти логарифмическое время поиска.\n\nПочему это важно SaaS-разработчикам: именно HNSW делает RAG и семантический поиск мгновенными на масштабе. Это индекс по умолчанию в Pinecone, Weaviate, Qdrant, Milvus и pgvector.\n\nКомпромиссы заложены в двух параметрах построения. M (связей на узел) и ef_construction задают качество индекса; ef_search управляет балансом точности и скорости в момент запроса — большие значения находят больше настоящих соседей, но стоят задержки. На практике: HNSW прожорлив к памяти, потому что граф живёт в RAM, а удаления реализованы как мягкие метки, поэтому при активной ротации данных со временем нужна перестройка. Настраивайте ef_search по размеченному тесту полноты, а не наугад.","HNSW — самый распространённый алгоритм приближённого поиска соседей: многослойный граф находит ближайшие векторы среди миллионов, не просматривая все.",null,[11,14,17,20,23],{"slug":12,"name":13},"ann-search","ANN-поиск (приближённый поиск ближайших соседей)",{"slug":15,"name":16},"cosine-similarity","Косинусное сходство (Cosine Similarity)",{"slug":18,"name":19},"embedding-index","Индекс эмбеддингов (Embedding Index)",{"slug":21,"name":22},"semantic-search","Семантический поиск (Semantic Search)",{"slug":24,"name":25},"vector-database","Векторная база данных",[27,31,32,35,38,42,45,48,51,54,58,61],{"slug":28,"category":5,"name":29,"updated_at":30},"acid","ACID","2026-08-24T02:46:37+00:00",{"slug":12,"category":5,"name":13,"updated_at":30},{"slug":33,"category":5,"name":34,"updated_at":30},"backpressure","Обратное давление (backpressure)",{"slug":36,"category":5,"name":37,"updated_at":30},"batch-processing","Пакетная обработка (Batch Processing)",{"slug":39,"category":5,"name":40,"updated_at":41},"bm25","BM25","2026-08-24T02:46:38+00:00",{"slug":43,"category":5,"name":44,"updated_at":30},"cache","Кэш (Cache)",{"slug":46,"category":5,"name":47,"updated_at":30},"cap-theorem","Теорема CAP (CAP theorem)",{"slug":49,"category":5,"name":50,"updated_at":30},"change-data-capture","Захват изменений данных (CDC)",{"slug":52,"category":5,"name":53,"updated_at":30},"chroma","Chroma",{"slug":55,"category":5,"name":56,"updated_at":57},"chunk-overlap","Перекрытие фрагментов","2026-08-24T03:30:02+00:00",{"slug":59,"category":5,"name":60,"updated_at":30},"columnar-storage","Колоночное хранение",{"slug":62,"category":5,"name":63,"updated_at":30},"connection-pooling","Пулинг соединений (Connection Pooling)"]