Q55 - 向量数据库选型与实战对比
共50道题 | 难度分布:★★★★★平均 | 20K+ AI应用岗位向量基础设施必考
一、向量数据库基础(1-8)
向量数据库的定义与核心功能?
★★★★★
- 向量数据库是专门存储、索引和检索高维向量(Embedding)的数据库系统。
- 三大核心功能:向量存储(高维数组持久化)、向量索引(ANN近似最近邻)、相似度搜索(Top-K检索)。
- 与传统数据库区别:传统数据库按精确值/范围查询,向量数据库按语义相似度查询。
- 典型应用:RAG文档检索、推荐系统、图像搜索、去重检测。
- 面试要点:向量数据库的核心价值是把"语义相似度"变成可查询的维度。
向量嵌入(Embedding)原理与模型选择?
★★★★★
- Embedding是将文本/图像转换为固定长度的浮点向量,使语义相似的内容在向量空间中距离更近。
- 文本Embedding模型:OpenAI text-embedding-3-small(1536维)/ large(3072维)、BGE(BAAI,768/1024维)、M3E(中文优化,768维)、Cohere embed-v3。
- 多模态Embedding:CLIP(图文对齐)、Imagebind(多模态统一)。
- 维度选择权衡:高维度=更精确但存储和计算成本更高,低维度=更快但精度损失。
- 中文场景推荐:BGE-M3(多语言多粒度)或M3E(中文专优化)。
- 面试要点:Embedding模型选型直接影响检索质量——模型比向量数据库本身更重要。
距离度量方式选型?
★★★★
- 余弦相似度(Cosine Similarity):衡量向量方向相似性,取值[-1,1],最常用。适合文本语义匹配。
- 欧氏距离(L2 Distance):衡量向量空间中的直线距离。适合需要绝对距离的场景。
- 内积(Inner Product):向量点积,当向量已归一化时等价于余弦相似度。
- 选择建议:文本语义搜索用余弦相似度,图像检索用L2距离。
- 注意:不同度量方式不能直接比较分数大小。
- 面试要点:距离度量选型取决于向量是否归一化和业务场景——余弦相似度是最安全的选择。
向量维度与精度权衡?
★★★
- 常见维度:384维(MiniLM)、768维(BGE-base/M3E)、1024维(BGE-large)、1536维(OpenAI)、3072维(OpenAI large)。
- 维度↑ → 精度↑ 但 存储成本↑ 计算成本↑ 索引构建时间↑。
- 存储:100万条768维向量 ≈ 2.8GB(float32),1536维 ≈ 5.7GB。
- 降维选择:可以用PCA/Matryoshka嵌入减少维度,但会损失精度。
- 面试要点:维度选择要在精度和成本之间找到平衡点——768维是大多数场景的甜蜜点。
向量数据库 vs 传统数据库全文检索 vs 混合检索?
★★★★★
- 向量检索:基于语义相似度,能理解同义词和上下文。适合模糊匹配、语义搜索。
- 全文检索(ES/Lucene):基于关键词倒排索引,精确匹配。适合精确搜索、关键词匹配。
- 混合检索(Hybrid Search):向量+关键词双路召回,融合排序。兼顾语义和精确匹配。
- 实践建议:生产级RAG系统强烈推荐混合检索——单路召回的召回率不够。
- Spring AI支持:VectorStore + 全文检索双路查询,或使用Elasticsearch 8.x的kNN。
- 面试要点:混合检索是2025年RAG系统的标配——单用向量检索或单用全文检索都不够。
向量索引类型概述?
★★★★★
- 暴力搜索(Flat/Brute Force):逐一计算所有向量距离,精度100%但O(n)复杂度。适合小数据集(<10万)。
- IVF(倒排文件索引):将向量空间聚类为n个桶,查询时只搜索最近的nprobe个桶。精度与速度的平衡选择。
- HNSW(层次可导航小世界图):基于图的近似最近邻,当前综合性能最优的索引。查询延迟低,精度高。
- DISKANN(磁盘ANN):微软提出,数据存储在磁盘上,内存占用小。适合亿级数据低成本方案。
- SCANN(Google):结合量化+各向异性,在大规模数据上表现优秀。
- 面试要点:HNSW是目前大多数场景的首选——兼顾精度和速度。
ANN搜索的精度-速度权衡?
★★★★
- ANN(Approximate Nearest Neighbor)牺牲精度换取速度——不保证找到真正的最近邻。
- 召回率(Recall@K):ANN返回的Top-K中有多少是真正的Top-K。HNSW通常可达95%+召回率。
- 权衡参数:HNSW的efSearch(搜索时检查的邻居数)↑ → 召回率↑ 延迟↑。
- 实际建议:95%以上召回率通常足够,追求100%反而浪费资源。
- 面试要点:ANN的核心是"足够好就行"——精确最近邻在大规模数据上不可行。
向量数据库的ACID与事务支持?
★★★
- 大多数向量数据库不支持完整的ACID事务(如Milvus只支持有限的事务)。
- pgvector:继承PostgreSQL的完整ACID支持,是向量+关系数据联合查询的最佳选择。
- Qdrant:支持Write Ordering(写入顺序保证)和乐观并发控制。
- 实践建议:需要强一致性的场景选pgvector,高吞吐量场景选Milvus/Qdrant。
- 面试要点:向量数据库的事务支持普遍弱于传统数据库——选型时需要评估一致性需求。
二、主流向量数据库深入对比(9-22)
Milvus架构深入?
★★★★★
- 核心组件:Root Coordinator(元数据)、Query Coordinator(查询)、Data Coordinator(数据)、Index Coordinator(索引)。
- Worker节点:Query Node(搜索执行)、Data Node(数据写入)、Index Node(索引构建)。
- 存储层:MinIO/S3(对象存储)、Pulsar/Kafka(WAL日志)。
- 部署模式:Standalone(单机,etcd+MinIO+Milvus)、Cluster(分布式,完整组件)、Zilliz Cloud(全托管)。
- 数据组织:Database → Collection → Partition → Segment → Chunk。
- 面试要点:Milvus是云原生分布式架构——组件可独立扩展,适合大规模生产环境。
Pinecone全托管架构?
★★★★
- 全托管向量数据库,无需运维基础设施。
- 部署模式:Pod-based(预配置计算资源)、Serverless(按查询计费)。
- 核心概念:Index(向量集合)、Namespace(命名空间隔离)、Collection(快照备份)。
- 优势:零运维、自动扩展、内置sparse-dense混合检索。
- 劣势:成本较高(全托管溢价)、数据必须上传到Pinecone云、定制能力有限。
- 面试要点:Pinecone适合不想运维的小团队——大规模使用时成本是主要考虑。
Qdrant架构深入?
★★★★
- Rust实现,性能优异,单二进制部署简单。
- 核心概念:Collection(集合)、Point(数据点,包含向量+Payload)、Payload(元数据,支持过滤)。
- 存储引擎:RocksDB(磁盘持久化),WAL保证持久性。
- 优化器(Optimizer):自动合并Segment、删除过期数据、重建索引。
- 过滤搜索:支持丰富的Payload过滤条件(地理范围、数值范围、全文匹配)。
- 面试要点:Qdrant是自建向量数据库的最佳选择之一——Rust性能+简单部署+丰富过滤。
Chroma轻量级嵌入式向量数据库?
★★★
- Python原生,API极简,适合快速原型和本地开发。
- 限制:不适合大规模生产环境(单机、性能有限、持久化能力弱)。
- 适用场景:个人项目、PoC验证、Jupyter Notebook数据分析。
- 不适用:生产级RAG系统、高并发服务、大规模数据。
- 面试要点:Chroma是原型工具,不是生产数据库——面试时不要推荐Chroma作为生产方案。
pgvector(PostgreSQL扩展)?
★★★★
- PostgreSQL扩展,在关系数据库中原生支持向量存储和检索。
- 索引类型:IVFFlat(近似搜索)、HNSW(推荐,精度更高)。
- 核心优势:向量+关系数据在同一数据库中联合查询,无需维护两套系统。
- SQL查询:
SELECT * FROM items ORDER BY embedding <=> '[1,2,3]' LIMIT 10;
- 局限:大规模数据(>千万级)性能不如专门的向量数据库。
-- pgvector建表+索引
CREATE TABLE documents (id serial, content text, embedding vector(1536));
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);
- 面试要点:pgvector是"够用就好"的选择——数据量不大时,省去独立向量数据库的运维成本。
Weaviate架构?
★★★
- GraphQL + REST API接口,支持多模态数据。
- 模块化架构:可插拔的向量化和存储模块。
- 内置向量化模块(与OpenAI/Cohere集成)——可以在导入时自动向量化。
- 支持多模态搜索(文本+图像+音频)。
- 面试要点:Weaviate的模块化架构和多模态支持是差异化优势。
Elasticsearch kNN搜索?
★★★★
- ES 8.x原生支持kNN搜索(dense_vector类型+kNN查询)。
- 索引类型:HNSW(8.x内置),支持稀疏向量(Sparse Vector/Rank Features)。
- 优势:已有ES基础设施的团队可以零额外成本添加向量检索能力。
- 混合检索:ES天然支持全文+向量混合检索——RRF(Reciprocal Rank Fusion)融合排序。
{
"knn": {
"field": "embedding",
"query_vector": [0.1, 0.2, ...],
"k": 10,
"num_candidates": 100
},
"query": { "match": { "content": "关键词" } }
}
- 面试要点:已有ES的团队优先考虑ES kNN——减少新组件引入,运维成本低。
FAISS适用场景?
★★★★
- Facebook开源的向量相似度搜索库(纯C++/Python库,不是数据库)。
- 特点:没有网络层、没有持久化、没有多用户支持——纯计算库。
- 适用场景:离线批量相似度计算、推荐系统召回层、研究实验。
- 不适用:在线服务、需要持久化、需要过滤查询。
- 索引类型丰富:Flat、IVFFlat、IVFPQ、HNSW、IndexScalarQuantizer。
- 面试要点:FAISS是库不是数据库——面试时不要说"用FAISS做向量数据库"。
全托管 vs 自建 Trade-off?
★★★★★
- 全托管(Pinecone/Zilliz Cloud):零运维、快速上线、自动扩展。但成本高(2-5倍)、数据在第三方、定制受限。
- 自建(Milvus/Qdrant):完全控制、成本可控、可深度优化。但需要运维人力、需要处理扩展性和可靠性。
- 选型建议:小团队/快速验证→全托管;大规模/成本敏感/安全要求高→自建。
- 折中方案:Zilliz Cloud(Milvus全托管)兼顾Milvus生态和免运维。
- 面试要点:这是经典的Build vs Buy决策——根据团队规模、预算、安全要求综合判断。
Java SDK生态对比?
★★★★
- Milvus:官方Java SDK成熟(milvus-sdk-java),支持所有核心操作。
- Qdrant:官方Java gRPC客户端,API较底层但功能完整。
- Pinecone:官方Java SDK,API简洁。
- pgvector:通过JDBC直接SQL操作,无需额外SDK。
- Spring AI VectorStore:统一抽象层,支持Milvus/Qdrant/PgVector/Chroma/Weaviate等。
- 面试要点:Spring AI VectorStore抽象层是Java开发者的最佳选择——避免锁定到特定向量数据库。
性能Benchmark对比?
★★★★
- 查询延迟(QPS):Qdrant(Rust)≈ Milvus > Weaviate > pgvector(数据量小时差异不大)。
- 索引构建速度:Milvus(分布式并行构建)> Qdrant > pgvector。
- 召回率:HNSW索引在所有数据库中表现相近(95%+),差异主要在参数调优。
- 吞吐量:Milvus Cluster > 单机Qdrant > pgvector。
- 注意:Benchmark结果高度依赖数据集和参数配置,实际选型应以自己的数据集测试为准。
- 面试要点:性能差异在百万级数据以下不明显——选型更多考虑功能、生态和运维成本。
成本模型对比?
★★★★
- 自建方案:服务器成本(内存密集型)+ 运维人力成本 + 存储成本。
- 全托管:按查询次数/存储量/计算资源计费。
- 内存成本:HNSW索引需要常驻内存,100万条768维向量≈3-6GB内存。
- 存储成本:DISKANN/量化可以减少内存需求,但查询延迟增加。
- 成本优化:量化(PQ/SQ)减少50-75%存储,但精度下降5-10%。
- 面试要点:向量数据库是内存密集型应用——成本优化的核心是减少内存占用。
数据规模支持与选型?
★★★★
- 10万以下:任意方案都行,甚至FAISS/Chroma。
- 10万-100万:pgvector/Qdrant单机即可,Milvus Standalone也够。
- 100万-1000万:Milvus Cluster/Qdrant集群,或全托管。
- 1亿+:Milvus Cluster + DISKANN索引,或专门的解决方案。
- 多租户场景:Milvus Partition Key / Qdrant Payload过滤 / pgvector表隔离。
- 面试要点:数据规模是向量数据库选型的第一决策因素——小数据不要过度架构。
多租户支持方案?
★★★★
- 方案1(物理隔离):每个租户一个Collection/Table——隔离性好但资源浪费。
- 方案2(逻辑隔离):同一Collection + Partition Key/Payload过滤——资源利用率高但隔离性弱。
- 方案3(混合):大租户物理隔离,小租户逻辑隔离。
- Milvus:支持Partition Key自动路由到Partition。
- Qdrant:支持Payload过滤(tenant_id字段),支持Sharding。
- 面试要点:多租户方案是SaaS应用必问——物理隔离vs逻辑隔离的Trade-off。
三、索引优化与性能调优(23-32)
HNSW参数调优?
★★★★★
- M(最大连接数):每个节点的邻居数。M↑ → 精度↑ 内存↑ 构建慢。推荐16-64,默认16。
- efConstruction(构建时搜索宽度):构建时检查的候选数。efConstruction↑ → 索引质量↑ 构建时间↑。推荐100-256。
- efSearch(查询时搜索宽度):查询时检查的候选数。efSearch↑ → 召回率↑ 延迟↑。推荐64-256。
- 经验值:M=32, efConstruction=256, efSearch=128 在100万数据上可达到98%+召回率。
- 面试要点:HNSW调优的核心是在召回率和延迟之间找到平衡点——M影响索引质量,efSearch影响查询质量。
IVF_FLAT vs IVF_PQ vs IVF_SQ8选择?
★★★★
- IVF_FLAT:量化方式存储原始向量,精度最高但内存最大。
- IVF_SQ8:8位标量量化,内存减少75%,精度下降2-5%。
- IVF_PQ:乘积量化,内存减少90%+,精度下降10-20%。
- 选择建议:内存充足→IVF_FLAT;内存紧张→IVF_SQ8;极致压缩→IVF_PQ。
- nprobe参数:查询时搜索的桶数。nprobe↑ → 召回率↑ 延迟↑。
- 面试要点:量化是内存-精度的Trade-off——PQ压缩比最高但精度损失也最大。
DISKANN磁盘索引?
★★★★
- 微软提出的磁盘索引方案,向量数据存储在SSD上,仅将图结构放在内存。
- 内存占用:仅需数据量的1-5%作为内存缓存,大幅降低成本。
- 查询延迟:比纯内存方案高10-50倍(磁盘IO开销),但比暴力搜索快1000倍。
- 适用场景:亿级数据、成本敏感、延迟要求不极端(P99 < 100ms可接受)。
- Milvus支持:DiskIndex类型,适合超大规模数据低成本部署。
- 面试要点:DISKANN是"用延迟换成本"——亿级数据低成本方案的首选。
量化技术原理?
★★★★
- PQ(Product Quantization):将向量切分为m个子空间,每个子空间独立量化(聚类)。大幅压缩存储但精度损失较大。
- SQ(Scalar Quantization):每个维度独立量化为8位整数。压缩比适中,精度损失小。
- OPQ(Optimized Product Quantization):在PQ之前做旋转优化,使子空间更均匀。精度优于PQ。
- 量化训练:需要采样数据训练码本(Codebook),训练数据代表性强影响量化质量。
- 面试要点:量化技术的核心是"用更少的位表示向量"——PQ压缩比最大,SQ精度损失最小。
标量过滤+向量搜索的联合优化?
★★★★★
- 常见场景:先按条件过滤(category="电子产品" AND price<1000),再在过滤结果中做向量搜索。
- 预过滤(Pre-filtering):先过滤得到候选集,再在候选集中做向量搜索。简单但可能过滤掉太多候选。
- 后过滤(Post-filtering):先向量搜索Top-K,再过滤不符合条件的。可能返回结果不足。
- Milvus方案:支持在向量搜索时指定过滤表达式,引擎内部优化。
- Qdrant方案:Payload Index + Vector Index联合查询,支持高效的预过滤。
- 面试要点:过滤+向量搜索的联合优化是生产级应用的核心挑战——预过滤vs后过滤的选择取决于过滤比例。
批量导入与实时更新的索引策略?
★★★★
- 批量导入(Bulk Insert):大量数据一次性导入,一次性构建索引。效率最高,适合初始数据加载。
- 实时插入(Stream Insert):边写入边更新索引。适合在线服务实时新增数据。
- Milvus策略:写入到Growing Segment(未索引),达到阈值后触发Flush→构建索引→变为Sealed Segment。
- 优化建议:大批量导入时关闭自动Flush,手动控制Flush时机。
- 面试要点:理解向量数据库的写入路径——数据先写入内存Segment,再批量构建索引。
内存管理策略?
★★★★
- Milvus Chunk Cache:缓存热点查询的Chunk数据,减少磁盘IO。
- Qdrant优化器:自动合并小Segment、清理已删除数据、重建索引。
- 内存预估:100万条768维float32 = 2.8GB + HNSW索引约等大 = 共约6GB。
- GC策略:Milvus的Data Coord自动回收过期Segment。
- 面试要点:向量数据库是内存密集型应用——必须精确预估内存需求。
分布式水平扩展策略?
★★★★
- Milvus:Collection按Partition分散到多个Query Node,支持水平扩展。
- Qdrant:支持Sharding(数据分片)和Replicas(副本),通过gRPC协调。
- 扩展维度:查询扩展(增加Query Node/Replica)vs 数据扩展(增加Shard/Partition)。
- 一致性模型:Milvus支持Strong/Bounded/Staleness/Eventually四种一致性级别。
- 面试要点:向量数据库的水平扩展要区分查询扩展和数据扩展——两种扩展的策略不同。
冷热数据分层存储?
★★★
- 热数据(频繁查询):存储在内存+NVMe SSD,使用HNSW索引。
- 温数据(偶尔查询):存储在SSD,使用DISKANN索引。
- 冷数据(很少查询):存储在对象存储(S3/MinIO),需要时加载。
- Milvus实现:通过Partition按时间/热度分区,冷Partition加载到磁盘。
- 面试要点:冷热分层是大规模向量数据成本优化的关键策略。
索引重建与优化策略?
★★★
- 数据大量更新/删除后,索引质量下降(碎片化、过期数据),需要重建。
- Milvus:Compact操作合并Segment、清理已删除数据。
- Qdrant:Optimizer自动处理,也可手动触发。
- 重建时机:数据变更超过10-20%时建议重建索引。
- 面试要点:向量索引不是"建一次管永远"——需要定期维护和优化。
四、生产部署与运维(33-40)
Milvus集群部署?
★★★★
- Helm Chart部署到K8s:
helm install milvus milvus/milvus -f values.yaml。
- 组件规划:etcd(3节点)、MinIO(3节点)、Pulsar/Kafka(3节点)、Milvus Coordinator(2+)、Milvus Node(按需)。
- 资源规划:Query Node内存 = 向量数据量 × 2(索引+原始数据)。
- 配置优化:调整
queryNode.enableDisk、dataCoord.segment.maxSize等参数。
- 面试要点:Milvus集群部署的核心是内存规划——Query Node内存不足是最大性能瓶颈。
向量数据备份与恢复策略?
★★★
- Milvus:支持Collection级别的备份(通过备份工具或API)。
- 全量备份:导出Collection数据+索引配置,存储到对象存储。
- 增量备份:记录WAL日志位置,定期备份增量数据。
- 恢复策略:新建Collection → 导入备份数据 → 重建索引。
- 面试要点:向量数据的备份成本高(数据量大)——需要制定合理的备份频率和保留策略。
监控指标?
★★★★
- 查询延迟:P50/P95/P99查询响应时间。
- 召回率:定期用Golden Set测试实际召回率。
- QPS:每秒查询数。
- 索引构建时间:新增数据后索引构建耗时。
- 内存使用率:Query Node内存占用百分比。
- Segment数量:Growing Segment积压数量(影响查询质量)。
- 面试要点:向量数据库的核心监控指标是召回率和查询延迟——不能只看系统指标,还要看检索质量。
向量数据迁移方案?
★★★
- 同构迁移(Milvus→Milvus):导出→导入,或使用Milvus Backup工具。
- 异构迁移(Milvus→Qdrant):导出为JSON/Numpy格式→转换Schema→导入目标。
- 注意:不同数据库的索引参数不同,迁移后需要重新调优。
- Spring AI VectorStore抽象:如果用Spring AI,切换实现类即可(前提是没有使用特定功能)。
- 面试要点:用抽象层(如Spring AI VectorStore)降低迁移成本——不要深度绑定特定数据库。
高可用架构设计?
★★★★
- Milvus HA:Coordinator多副本(Active-Standby)、Query Node多副本、数据多副本。
- Qdrant HA:Replica Set(1 Primary + N Replicas),自动故障转移。
- 负载均衡:Query Node前加LB,请求均匀分布。
- 健康检查:Liveness/Readiness Probe,K8s自动重启异常Pod。
- 面试要点:向量数据库的HA与传统数据库类似——多副本+自动故障转移+负载均衡。
数据安全?
★★★
- 加密:传输层TLS、存储层加密(Milvus支持加密存储)。
- 访问控制:Milvus支持RBAC(用户/角色/权限),Qdrant支持API Key。
- 网络隔离:向量数据库部署在内网,通过API Gateway暴露服务。
- 审计日志:记录所有查询请求和结果。
- 面试要点:向量数据可能包含敏感信息——安全措施与传统数据库同等重要。
成本优化实战?
★★★★
- 量化压缩:使用SQ8/PQ减少50-90%内存占用。
- 降维:从1536维降到768维,存储和计算减半。
- 冷热分层:冷数据用DISKANN,热数据用HNSW。
- 按需加载:非活跃Partition不加载到内存。
- 过期清理:定期清理过期和重复的向量数据。
- 面试要点:向量数据库的成本优化核心是减少内存——量化+降维+冷热分层三管齐下。
Spring AI VectorStore集成?
★★★★★
- Spring AI提供VectorStore统一接口,支持多种向量数据库实现。
// Spring AI VectorStore使用
@Bean
public VectorStore vectorStore(MilvusServiceClient milvusClient) {
return MilvusVectorStore.builder(milvusClient)
.collectionName("documents")
.dimension(1536)
.indexType(IndexType.IVF_FLAT)
.metricType(MetricType.COSINE)
.build();
}
// 文档写入
vectorStore.add(List.of(
new Document("content1", Map.of("source", "doc1")),
new Document("content2", Map.of("source", "doc2"))
));
// 相似度搜索
List<Document> results = vectorStore.similaritySearch(
SearchRequest.query("Java并发").withTopK(5)
);
- 支持的VectorStore:Milvus、Qdrant、PgVector、Chroma、Weaviate、Pinecone、Redis。
- 面试要点:Spring AI VectorStore是Java应用接入向量数据库的标准方式——一套代码切换多种数据库。
五、选型实战与面试场景(41-50)
美团面试:Milvus亿级向量优化实战?
★★★★★
- 场景:美团搜索场景,10亿+商品向量,要求P99 < 50ms。
- 架构:Milvus Cluster + 多Collection分片 + DISKANN索引。
- 优化1:Partition Key按类目分区,减少单次查询数据量。
- 优化2:多级缓存——热点查询结果缓存 + 向量索引缓存。
- 优化3:读写分离——Query Node只读,Data Node只写。
- 优化4:HNSW参数调优(M=32, efSearch=128)平衡精度和延迟。
- 面试要点:亿级向量检索的核心是"分而治之"——分区+分片+量化+缓存。
金融场景向量数据库选型?
★★★★
- 需求:高安全(数据不能离开内网)、审计(记录所有查询)、事务一致性。
- 选型:pgvector(PostgreSQL生态,满足安全审计要求)或 自建Qdrant(内网部署)。
- 不选:Pinecone/Zilliz Cloud(数据必须上传到公有云)。
- 安全要求:TLS加密、RBAC、审计日志、数据脱敏。
- 面试要点:金融场景的安全和合规要求是第一优先级——功能再强不满足合规也不能选。
电商推荐系统向量检索方案?
★★★★
- 场景:根据用户浏览历史推荐相似商品。
- 架构:用户行为Embedding + 商品Embedding → 实时相似度搜索。
- 挑战:商品向量实时更新(新商品上架)、冷启动问题。
- 方案:Milvus + Kafka实时同步 + 多路召回(向量+协同过滤+热门)。
- 性能要求:P99 < 30ms,QPS > 10K。
- 面试要点:推荐系统的向量检索需要实时更新能力+高QPS+多路召回融合。
知识库RAG场景向量数据库选型?
★★★★★
- 典型需求:100万-1000万文档向量,混合检索(向量+关键词),多租户。
- 推荐方案1:pgvector(数据量<500万,需要关系查询)。
- 推荐方案2:Milvus/Qdrant + Elasticsearch(大规模,混合检索)。
- 推荐方案3:ES 8.x kNN(已有ES基础设施,不想引入新组件)。
- 选型关键:数据量、是否需要混合检索、已有基础设施、团队技术栈。
- 面试要点:RAG场景最推荐混合检索方案——选型围绕"如何高效实现混合检索"展开。
多模态搜索向量方案?
★★★
- 场景:以图搜图、图文混合搜索。
- 架构:CLIP模型统一图文Embedding → 同一向量空间 → 跨模态搜索。
- 向量数据库选择:任何支持高维向量的数据库均可,关键在Embedding模型。
- 挑战:不同模态的Embedding空间对齐、图像Token消耗。
- 面试要点:多模态搜索的核心是Embedding模型(如CLIP),不是向量数据库本身。
实时推荐系统向量检索延迟优化?
★★★★
- 策略1:量化压缩减少计算量(SQ8/PQ)。
- 策略2:分区预过滤减少搜索范围。
- 策略3:多级缓存(查询缓存 + 向量缓存)。
- 策略4:异步预计算(离线计算热门推荐,在线只做冷门查询)。
- 策略5:HNSW参数调优(降低efSearch换取延迟)。
- 面试要点:延迟优化的核心是"减少计算量"——量化+过滤+缓存+预计算。
向量数据库+ES双写一致性方案?
★★★★
- 场景:向量存Milvus/Qdrant,全文索引存ES,数据需要双写保持一致。
- 方案1(同步双写):一次请求同时写入两个系统。简单但可用性降低。
- 方案2(异步消息队列):写入→Kafka→两个Consumer分别写入。最终一致性。
- 方案3(CDC):监听主数据库Binlog,分别同步到向量库和ES。
- 方案4(统一抽象层):通过Spring AI VectorStore + ES Repository统一管理。
- 面试要点:双写一致性是分布式系统经典问题——推荐MQ异步方案,最终一致性可接受。
Spring AI VectorStore抽象层设计?
★★★★★
- 接口定义:
add()、delete()、similaritySearch()、similaritySearchWithFilter()。
- Document模型:id + content + metadata + embedding。
- 过滤表达式:Spring AI的Filter.ExpressionBuilder支持链式构建过滤条件。
Filter.Expression filter = new Filter.ExpressionBuilder()
.eq("category", "Java")
.gt("year", 2024)
.build();
List<Document> results = vectorStore.similaritySearch(
SearchRequest.query("并发编程").withTopK(5).withFilterExpression(filter)
);
- 初始化:自动创建Collection、构建索引。
- 面试要点:Spring AI VectorStore让向量数据库成为"可替换的存储层"——降低技术锁定风险。
从零搭建向量检索服务的架构设计?
★★★★★
- 步骤1:选择Embedding模型(BGE-M3或OpenAI embedding)。
- 步骤2:选择向量数据库(数据量<500万用pgvector,更大用Milvus/Qdrant)。
- 步骤3:设计数据管道(文档→分块→Embedding→写入向量库)。
- 步骤4:实现检索服务(Query→Embedding→向量搜索→Rerank→返回)。
- 步骤5:添加混合检索(向量+关键词双路召回+融合排序)。
- 步骤6:性能优化(HNSW调优、量化、缓存)。
- 步骤7:监控(召回率、延迟、QPS)。
- 面试要点:向量检索服务的搭建是系统工程——Embedding模型>向量数据库>索引调优,按这个优先级投入。
向量数据库面试高频总结与选型决策树?
★★★★★
- 选型决策树:
- 数据量<100万 + 已有PostgreSQL → pgvector
- 数据量<1000万 + 需要高性能过滤 → Qdrant
- 数据量>1000万 + 需要分布式 → Milvus Cluster
- 不想运维 + 预算充足 → Pinecone/Zilliz Cloud
- 已有ES + 不想引入新组件 → ES kNN
- 高频面试题回顾:向量索引类型、HNSW参数、量化、混合检索、成本优化。
- 答题模板:先明确需求(数据量/延迟/成本/安全)→ 给出选型建议 → 说明理由。
- 面试要点:向量数据库选型没有银弹——展示你的思考框架比记住具体参数更有价值。