CAGRA：面向GPU优化的高精度图索引技术核心解析

如何理解CAGRA

目前主流的图索引技术主要分为两类：以CAGRA（Milvus中已实现）为代表的迭代式图构建技术，和以Vamana（能力构建中）为代表的插入式图构建技术，两者针对的场景与技术路径存在显著差异，分别适配不同的数据规模与业务需求。

其中，CAGRA是迭代式构建的代表，核心优势在于高精度与高效能。

具体来说，CAGRA是NVIDIA提出的面向GPU优化的图索引技术，其核心特点是采用NN-Descent（Nearest Neighbor Descent）算法进行迭代式图构建，然后通过多轮剪枝优化（2-hop detours）逐步提升图结构质量，最终实现高精度的检索效果。

第一步：NN-Descent（Nearest Neighbor Descent）作图构建

其中，NN-Descent（Nearest Neighbor Descent）的核心是：如果节点u是节点v的近邻，且节点w是节点u的近邻，那么w有极高概率也是v的近邻，通过这种传递性可高效挖掘节点间的近邻关系。