向量检索的原理
哪些公司问过
答案要点
- Embedding 模型把数据编码成高维稠密向量,语义相近则距离近
- 查询:把问题编码成向量,找距离最近的 Top-K;度量用余弦相似度、欧氏距离、内积
- 精确检索太慢,用近似最近邻(ANN)索引,在召回率、速度、内存间取舍
- HNSW:分层小世界图,查询快、召回高,占内存;IVF:先聚类,只搜索最近的簇;PQ:乘积量化压缩向量
- 常用向量库:Faiss、Milvus、Qdrant 等;常与关键词检索混合使用
易错点
- 把向量检索说成关键词匹配
- 大规模数据仍用精确的暴力检索
- 用内积代替余弦相似度时没有先对向量归一化,导致长度影响相似度
- 只追求速度,不关注召回率
面试官常见追问
- HNSW 的原理是什么?
- 文档向量数据库的索引怎么设计?
- 余弦相似度和欧氏距离有什么区别?
- 怎么评价向量检索的效果?
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。