向量数据库为何需要近似最近邻（ANN）：HNSW 图与维度灾难

文章面向构建 RAG 流水线或语义搜索的开发者，解释向量数据库为何使用近似最近邻（ANN）而非精确搜索。作者以 1536 维 OpenAI 嵌入为例，说明在千万级文档中 20 毫秒内返回 top 5 结果看似神奇，实际是数据库在牺牲精确性换取速度；若采用精确搜索，单次查询可能耗时数秒甚至数分钟。文章进一步讨论精确向量搜索在大规模下失效的原因、维度灾难的实际含义，以及 HNSW 图等 ANN 方法如何支撑这一性能表现。

AI推荐理由 系统解释向量数据库为何采用 ANN 而非精确搜索，涉及 HNSW 图与维度灾难，并给出 1536 维 OpenAI 嵌入、千万级文档 20 毫秒内返回 top 5 等具体场景，对 RAG 与语义搜索开发者有实用价值；属概念性讲解，未提供基准测试数据。