開源社群對 Hann（一個為 Go 語言打造的新型高效能近似最近鄰搜尋（ANN）庫）表現出了興趣，同時也指出了一個關鍵性的缺陷：缺乏與已建立的向量搜尋解決方案的比較基準測試。
社群要求效能比較
檢驗 Hann 功能的使用者一致指出需要將其與已建立的向量搜尋解決方案進行基準測試比較。多位評論者特別提到缺乏與流行替代品如 Redis、Vertex、Elasticsearch 和 FAISS 的效能資料比較。這些反饋強調了技術社群的一個共同需求：具體的效能指標，使開發者在為專案選擇工具時能夠做出明智的決定。
「很棒的庫...現在有沒有 Go 原生的方式從文字生成向量？」
上述評論突顯了討論的另一個有趣方面 - Go 語言中向量搜尋的生態系統。雖然 Hann 提供了搜尋功能，但使用者也在尋找能從文字生成嵌入向量的配套工具，有人建議 Ollama 可能是潛在的解決方案。
社群關注點
- 缺乏與已建立解決方案的對比基準（ Redis 、 Vertex 、 Elastic 、 FAISS ）
- 依賴C編譯器而非純 Go 實現
- HNSW 實現的效能比較未知
- 與文字向量生成工具的整合
實現方法引發質疑
Hann 的實現策略在 Go 開發者中引發了技術爭論。由於使用了 SIMD（AVX）指令進行快速距離計算，該庫需要 C 或 C++ 編譯器，這些指令透過 FFI（外部函式介面）呼叫 C 程式碼實現。這一設計選擇促使一些開發者質疑純 Go 實現是否更可取，一位評論者建議 C 部分可能可以使用像 avo 這樣的庫用匯編重寫，從而消除對外部編譯器的依賴。
Hann 功能概述
- 支援的索引型別：HNSW（分層可導航小世界）、PQIVF（乘積量化倒排檔案）、RPT（隨機投影樹）
- 距離度量：歐幾里得距離、平方歐幾里得距離、曼哈頓距離和餘弦距離（HNSW）；僅歐幾里得距離（PQIVF、RPT）
- 實現方式：Go 語言，結合 C 程式碼實現 SIMD（AVX）最佳化的距離計算
- 系統要求：Go 1.21+、C/C++ 編譯器、支援 AVX 指令集的 CPU
- 核心能力：批次操作、磁碟持久化、任意維度向量
HNSW 實現的比較效能
幾位有向量搜尋技術經驗的社群成員指出，並非所有層次化可導航小世界（HNSW）演算法的實現 - Hann 支援的索引之一 - 效能都一樣好。有人分享了對 ann-benchmarks.com 網站的引用，並建議 Hann 應該將其 HNSW 實現與其他實現進行基準測試比較，並可能採用效能最佳版本的技術。這突顯了演算法實現的微妙現實，即理論方法可能因實現細節而在實際效能上產生顯著差異。
Hann 對於使用向量搜尋功能的 Go 開發者來說是生態系統中一個有趣的新成員。雖然其功能集看起來很全面 - 支援多種索引型別，包括 HNSW、PQIVF 和 RPT，以及各種距離度量方法 - 但社群討論清楚地表明，經驗效能資料對其採用至關重要。隨著向量搜尋在涉及人工智慧、機器學習和語義搜尋的應用中變得越來越重要，Go 開發者將密切關注 Hann 與已建立的替代方案相比如何表現。
參考：Hann