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/DiskANN | 10亿+ | 国产开源,企业级 |
| Pinecone | 托管SaaS | proprietary | 10亿 | 全托管,贵 |
| Weaviate | 专用 | HNSW | 亿级 | 内置向量化 |
| PgVector | PostgreSQL扩展 | HNSW/IVFFlat | 千万 | 复用PG生态 |
| Redis Stack | KV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:
- 海量数据 + 企业级 → Milvus
- 已有PG → PgVector (零运维成本)
- 原型验证 → Chroma
- 实时推荐 → Redis Stack
Q2: HNSW vs IVF 索引?
答案要点:
- HNSW (Hierarchical Navigable Small World):
- 多层图结构,从顶层稀疏到下层稠密
- 召回率高(95%+),查询快(ms级)
- 内存占用大(图的索引开销)
- 适合:数据规模中等,要求高精度
- IVF (Inverted File):
- 聚类分桶,查询时只扫描最相似的几个桶
- 召回率中等(80-90%),可调
- 内存占用小
- 适合:海量数据,可接受召回率换内存
- DiskANN (微软2021):
- 磁盘索引,突破内存限制
- 召回率高 + 内存占用少
- 适合:10亿+超大规模
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-large | 3072 | 中 | 8K | 贵 |
| OpenAI text-embedding-3-small | 1536 | 中 | 8K | 便宜 |
| BGE-M3 (智源) | 1024 | 强 | 8K | 开源免费 |
| Qwen-Embedding | 1024 | 强 | 32K | 开源 |
| Jina Embeddings v3 | 1024 | 中 | 8K | 开源 |
选型建议:
- 海外/英文 → OpenAI text-embedding-3-small
- 国内/中文 → BGE-M3 (开源+中英强)
- 长文档 → Qwen-Embedding (32K上下文)
- 关键应用 → Cross-encoder Rerank (BGE-Reranker)
Q4: 混合检索 (Hybrid Search) 怎么做?
答案要点:
- BM25 (稀疏) + Vector (稠密):
- BM25擅长精确关键词匹配(人名/产品号)
- Vector擅长语义相似
- 融合方法:RRF (Reciprocal Rank Fusion)
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:
- 重建场景:更换Embedding模型 / 调整维度
- 方案:
- 双写:旧索引读+新索引写,异步迁移
- 影子索引:新索引并行构建,验证后切流量
- HNSW参数调优:
- M (邻居数): 16-48, 越大越精确越耗内存
- ef_construction (建图): 200-500, 越大建图越慢但质量越好
- ef_search (查询): 50-200, 越大召回越高但越慢
相关页面