文档向量数据库的索引设计
哪些公司问过
答案要点
- 按数据规模与维度选择索引:小数据用 Flat 暴力搜索,大数据用 ANN(HNSW、IVF)
- HNSW:图索引,召回高、速度快、占内存;IVF:先聚类,查询只搜最近的簇
- 量化压缩(PQ、SQ)降低内存,代价是精度损失
- 调参平衡召回与延迟:HNSW 的 M、efSearch;IVF 的 nlist、nprobe
- 支持增量更新与删除(标记删除加合并),结合元数据过滤与混合检索
易错点
- 所有场景都用暴力搜索,数据大了很慢
- 只追求召回,忽略内存和延迟
- 删除和更新靠全量重建
- 忽略元数据过滤,召回不相关的内容
面试官常见追问
- 如何优化 HNSW 的内存占用?
- 向量检索召回的是什么,依据什么?
- HNSW 的原理是什么?
- 为什么还要做混合检索?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。