← 返回首页 📖 📖 Wiki知识库
📐 学习维度 本篇是 📖 📖 Wiki知识库 🏠 首页 🛤️ 学习路径 📚 全部文章

2026面试六大前沿热点速查 - 九、向量数据库与 Embedding (2026 大厂高频)

本文是 2026面试六大前沿热点速查 的分章阅读版。

九、向量数据库与 Embedding (2026 大厂高频)

Q1: 主流向量数据库对比?

答案要点:

数据库类型索引算法适用规模特色
Milvus专用HNSW/IVF/DiskANN10亿+国产开源,企业级
Pinecone托管SaaSproprietary10亿全托管,贵
Weaviate专用HNSW亿级内置向量化
PgVectorPostgreSQL扩展HNSW/IVFFlat千万复用PG生态
Redis StackKV扩展HNSW/Flat千万极低延迟
Chroma轻量HNSW百万AI原型
Qdrant专用HNSW亿级Rust高性能

选型口诀:

Q2: HNSW vs IVF 索引?

答案要点:

Q3: Embedding 模型怎么选?

答案要点:

模型维度中文长度成本
OpenAI text-embedding-3-large3072中8K贵
OpenAI text-embedding-3-small1536中8K便宜
BGE-M3 (智源)1024强8K开源免费
Qwen-Embedding1024强32K开源
Jina Embeddings v31024中8K开源

选型建议:

Q4: 混合检索 (Hybrid Search) 怎么做?

答案要点:


score(d) = Σ 1/(k + rank_in_each_list(d))

SELECT id, content,
  ts_rank_cd(tsv, query) AS bm25_score,
  embedding <=> '[...]' AS vector_distance
FROM docs
WHERE tsv @@ query OR embedding <=> '[...]' < 0.5
ORDER BY rrf(bm25_score, vector_distance) DESC
LIMIT 10;

Q5: 向量数据库索引重建与扩容

答案要点:



相关页面