像 nprobe（用于 IVF 索引）和 efSearch（用于 HNSW 图）这样的参数直接控制了近似最近邻 (ANN) 搜索中搜索效率和结果质量之间的权衡。增加这些参数会扩大候选集的大小，这提高了找到准确结果的可能性，但会降低搜索速度。例如，在 IVF 中，较高的 nprobe 意味着扫描更多的簇，从而提高召回率，但代价是需要进行更多的距离计算。类似地，在 HNSW 中，较大的 efSearch 值会在遍历过程中增长优先级队列，允许算法探索更多潜在的邻居，但需要更多的计算工作。这些参数就像旋钮一样，可以根据应用需求平衡速度和准确性。
效率影响：更大的候选集会降低搜索效率，因为算法必须处理更多数据。在 IVF 中，每个簇包含按相似性分组的向量，而 nprobe 决定要查询多少个簇。例如，将 nprobe 从 10 增加到 50 可能会使搜索时间翻倍，因为系统需要在五倍的簇中计算距离。类似地，在 HNSW 中，较高的 efSearch 值（例如，从 100 增加到 500）会强制算法在图遍历期间维护一个更大的动态候选列表，从而导致更多的比较和更慢的搜索。这在高维数据中尤其明显，因为距离计算的计算量很大。开发人员通常会调整这些参数以满足延迟要求——对于实时应用，倾向于较低的值，而批处理可能容忍更慢、更准确的搜索。
结果质量影响：更大的候选集通常通过降低错过真正最近邻的风险来提高结果质量。例如，在 IVF 中，较低的 nprobe 可能只扫描表面上接近查询的簇，可能会跳过相邻簇中的相关向量。提高 nprobe 可以通过扩大搜索范围来缓解这种情况。在 HNSW 中，较高的 efSearch 允许算法在图中回溯并探索替代路径，这对于避免局部最小值至关重要。然而，收益递减效应会发生：将 efSearch 从 200 增加到 400 可能只会将召回率提高 5%，同时将搜索时间翻倍。过度激进的值也可能引入噪声——例如，扫描过多的 IVF 簇可能会包含来自较远簇的不相关向量。实际的基准测试（例如，使用 FAISS 或 hnswlib）有助于确定“最佳点”，即准确性提升足以证明增加的计算成本是合理的。例如，电子商务推荐系统可能优先考虑使用 efSearch=200 来获得高召回率，而实时聊天应用可能选择 efSearch=50 来满足严格的延迟限制。