在浏览器里跑通向量数据库的两个核心算法：ANN 图索引的贪心搜索（模块 A）与混合检索的 RRF 融合（模块 B）。全部本地计算，零网络依赖。
500 个点 = 一份 2D「向量库」（高维向量投影成平面便于观察）。底层连了一张近邻图（NSW，每点 8 近邻），模拟 Milvus 的 HNSW 索引。点击画布任一处设查询点，分别执行：暴力全扫（逐一计算距离，Ground Truth）与图索引搜索（beam search 沿边贪心扩展，只算访问到的点）。看图搜索用多少访问量换多少召回。
点击画布任意位置开始。
这就是 ANN 的本质交易：用可容忍的召回损失换数量级的计算量下降。左下的 ef 滑杆就是 Milvus HNSW 的同款调参——ef 越大访问越多、召回越高。查询点落在簇间空地时贪心可能掉沟里（recall 骤降），调大 ef 就能爬出来——这正是近似索引「召回换速度」的直观教材。
同一查询走了两路：Dense 路按语义相似排序，Sparse 路按关键词匹配（BM25）排序。Milvus 用 RRF（Reciprocal Rank Fusion）融合两路：score(d) = Σ wᵢ / (k + rankᵢ(d))。拖动滑块，实时看融合排名怎么变——调大 k 排名更「平权」，调权重则偏向某一路。
语义检索抓「意思相近」，关键词检索抓「精确命中」。两路都排前的文档融合后必然登顶——这正是 Milvus 把 BM25 / SPLADE 与 embedding 存进同一个 collection 的原因：融合发生在内核，而不是应用层两次查询手工拼。
| # | 文档 | Dense 路 | Sparse 路 | RRF 分 |
|---|