Embedding 与向量数据库的关系及工作流程
答案要点
- Embedding 负责把数据变成向量,向量数据库负责存储、索引和相似度检索,两者可解耦
- 小规模可用 numpy 暴力检索或 Faiss 本地索引,大规模、低延迟、需持久化和过滤时用向量数据库
- 写入流程:切块、编码、连同原文与元数据入库、构建 ANN 索引(HNSW、IVF、PQ 等)
- 查询流程:同一模型编码查询,按余弦/内积做 ANN 搜索,结合元数据过滤返回 TopK,可再重排
- ANN 用少量召回率损失换取远低于暴力扫描的延迟,索引参数需要在召回率和速度间权衡
易错点
- 认为用 Embedding 就必须上向量数据库,小规模场景徒增运维成本
- 写入和查询用了不同 Embedding 模型或不同归一化方式
- 忽略 ANN 是近似检索,没有评估召回率就上线
面试官常见追问
- HNSW 和 IVF 有什么区别?
- 向量数据库和传统数据库加向量插件怎么选?
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。