一句话定义
ANN（Approximate Nearest Neighbor，近似最近邻）是一类检索算法：它不保证返回真正距离最近的那几个结果，但能在毫秒级从千万甚至上亿条向量里挑出「足够近」的一批。
为什么需要它
假设库里有 1000 万条 768 维向量，用户每查一次，如果老老实实和每一条算一次距离，就是 1000 万 × 768 次乘法，单次查询轻松飙到秒级，再加并发直接崩。这种「全量比对」的精确检索，复杂度随库大小线性增长。
ANN 的思路是：先想办法少算，再接受偶尔算漏。 常见的三类做法：
- 分桶 / 聚类：先把向量聚成若干簇，查询时只进最像的几个簇里找，其余直接跳过。类似先看你住哪个区，再只查这个区的便利店。
- 图索引：把向量连成一张近邻图，从稀疏的长边快速跳到大方向，再换短边逐步逼近。像开车先上高速，再进主路，最后拐进小巷。
- 哈希 / 量化：把高维向量压成很短的编码，用查表代替精确算距离。好比用「邮编 + 门牌号」粗略定位，而不是背下完整地址。
和相邻概念的区别
| 维度 | 精确最近邻（KNN / 暴力检索） | 近似最近邻（ANN） |
|---|---|---|
| 返回结果 | 一定是真正最近的 K 个 | 大概率包含，可能漏掉一两个 |
| 单次查询代价 | 随库大小线性增长 | 主要取决于索引结构和查询参数 |
| 延迟 | 大库上难以接受 | 通常毫秒级 |
| 内存占用 | 需保存全量原始向量 | 常配合量化压缩，明显更省 |
| 可调空间 | 很小 | 召回率与速度之间有一排旋钮 |
要注意两点：一是「向量检索」说的是任务，ANN 是完成这个任务的常用手段；二是推荐系统里说的「召回」，指的是从全库里初筛候选，和这里的召回率（recall）不是一回事。
对从业者和普通人的意义
几乎所有AI 词典：向量数据库">向量数据库（vector database）都以 ANN 为内核，参数调优基本就是在一张「召回率—延迟—内存」的三角凳上找平衡点。工程上通常这样做：先用少量标注数据测出召回率，再调索引参数把延迟压进预算，而不是一味追求 100% 准确。
对普通职场人来说，以图搜图、语义搜索、去重、推荐和 RAG（检索增强生成）背后都有它。你感觉「搜得又快又准」，其实是系统替你接受了那一点点不精确。具体参数名、默认值和调参建议，各引擎差异较大，以官方文档为准。