匹配正文：答案要点向量索引选型与优化（HNSW、IVF等）多路召回与融合排序 Embedding模型优化与量化缓存策略与预计算硬件加速与分布式部署检索模块性能优化的核心策略一、索引层优化向量索引选型：以Flat作精确对照，把HNSW、IVF与量化组合列为候选；规模之外还要看维度、内存预算、过滤/更新、质量门槛和实测延迟，不能只凭百万/亿级决定。参数调优：HNSW检查M、构建efConstruction与查询efSearch；IVF扫描nlist/nprobe并核查训练样…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：答案要点明确ANN索引构建的完整流程（数据准备→算法选择→参数调优→持久化部署）能对比主流算法（HNSW/IVF/LSH）的适用场景和trade-off 理解量化压缩（PQ/SQ）在内存与精度间的平衡知道索引更新的策略（增量vs重建）提及实际工具选型（FAISS/Milvus/Pinecone等） ANN索引构建完整流程 1. 数据准备阶段向量归一化：统一维度，处理缺失值，L2归一化（余弦相似度场景）数据分区：按业务维度分片（如按用户/类目），降低单次搜索规模采…

#拼多多#ANN索引构建#ANN 索引构建

面试题·检索

向量数据库和普通数据库有什么区别?

匹配口述回答：…ANN]]，也就是近似最近邻。它的思路是提前建索引，查询时只扫描一小部分候选区域，用少量精度换几个数量级的速度。常见的索引有 [[HNSW]]，把向量组织成分层图，从高层粗定位再往下细找；还有 [[IVF]]，先聚类再查最近的桶。代价就是近似，可能漏掉个别的真正最近邻，但实践中召回率做到95%以上，延迟能压到毫秒级，非常划算。举个业务场景，比如客服知识库，用户问“退款流程是什么”，传统关键词检索可能因为措辞不同而漏掉，向量检索能匹配语义相近的文档。但这里有个坑：如果只靠向量…

← 上一页第 2 / 2 页

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#入门#基础概念#向量数据库

面试题·RAG· 美团

RAG 知识库怎么增量更新?

匹配口述回答：…比如上亿级别，单纯HNSW的增量插入性能会下降，这时候可以考虑用[[Product Quantization]]做压缩，或者用[[IVF-PQ]]这种组合索引，但代价是召回率会有损失，得在工程上做取舍。所以整体上，我更倾向双缓冲加定期重建的组合，核心是保证一致性，用版本号和快照读避免脏读。如果面试官您对增量索引的图结构退化怎么量化检测感兴趣，我可以展开说。一句话定位：本质是平衡实时性、检索质量和一致性边界划分：实时增量 vs 批量重建 vs 双缓冲，场景决定策略具体业…

#美团#知识库增量索引#RAG 增量更新

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…述 3. 时效性编码对时间敏感记忆，将时间戳、相对时间（"3天前"）显式注入文本或作为附加特征三、检索策略优化索引结构选择 HNSW：延迟敏感场景，图索引保证低延迟 IVF-PQ：内存受限场景，量化压缩降本 DiskANN：超大规模，内存-磁盘混合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键优化分块策略…

#高德#重排与优化#文档处理

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…稠密向量 Embedding模型（BGE、M3E、OpenAI text-embedding-3等）索引存储构建高效向量索引 HNSW、IVF等ANN算法；向量数据库（Milvus、Faiss、Qdrant）二、在线检索生成（Retrieval & Generation）用户Query → Query改写/扩展 → 向量化 → 向量检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…分，按段落或者标题来，避免把完整的概念切碎。向量存进[[向量数据库]]，比如[[Faiss]]或者Milvus。索引我一般选[[HNSW]]，图结构，查询快、精度高，支持增量添加；删除/修改能力取决于实现，例如Faiss HNSW不支持直接remove，需要逻辑失效与重建或其它数据库机制。但HNSW内存消耗大，如果向量几十亿，就得用[[IVF]]加量化来压缩，不过精度会掉一点。在线阶段，用户查询进来，用同样的Embedding模型编码，然后做[[ANN]]搜索，也就是近似…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配口述回答：…更新频率怎么样，再决定具体方案。一句话定位：召回链路优化本质是平衡覆盖、效率和精准检索器选择：稠密与稀疏的双路融合索引结构：HNSW vs IVF的取舍与调参查询重写：HyDE与子查询分解的落地风险与收尾：重排序、迭代检索及工程权衡约4分钟重排序阶段候选集大小与延迟的平衡，以及迭代检索的终止条件设计面试官可能会追问：重排序的候选集怎么确定？迭代检索如何避免死循环？或者如何评估重排序对整体效果的影响？

#阿里云#查询重写#RAG 召回优化

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配口述回答：…ne或Zilliz Cloud。核心还是看你的场景、预算和运维能力。一句话定位：场景匹配度，不是benchmark 性能与索引：HNSW vs IVF，filter下推扩展性与成本：自托管 vs 全托管，隐性成本集成生态：LangChain支持，embedding兼容落地风险：删除别原地动索引，回放校验约4分钟数据更新场景下，删除操作不能原地动图索引，否则召回质量会崩，需要用软删除加异步重建。面试官可能会追问软删除的具体实现、一致性保证、或者冷热分层的细节。

#京东#向量检索#向量数据库选型

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配口述回答：…t向量能压缩到十几个字节，内存节省非常夸张。而且它支持非对称距离计算，查询时不用解压完整向量，速度很快。[[Faiss]]里的[[IVF-PQ]]就是标配，十亿级检索基本都靠它。最后是近邻图，这是当前单模态检索的SOTA。[[HNSW]]是代表，它构建多层图结构，上层稀疏快速定位，下层稠密精确搜索。复杂度是O(log n)的查询，精度和速度的权衡做得特别好。所以百万级以内、内存够用的话，我首选HNSW。那落到真实业务场景，比如[[RAG]]系统里，用户问一个客服退款问题，…

#百度#ANN索引#向量检索方法

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配口述回答：…说明为了这组 QPS 接受了多少召回损失、内存和更新复杂度。一句话定位：RAG向量匹配本质是延迟与召回率的平衡 ANN算法选型：HNSW vs IVF的边界与混用业务场景举例：企业SOP检索的量化与索引策略落地风险：动态更新与一致性工程师取舍：冷热分层+混合检索约4分钟动态更新场景下，HNSW的增量插入会导致图质量退化，需要双索引加异步重建来保证召回率和一致性。面试官可能会追问双索引的切换时机、一致性保证的具体实现，或者问如何检测图质量退化并触发重建。

#安克科技#ANN性能权衡#RAG 向量匹配

面试题·评估· 字节

知识库更新策略怎么选?

匹配口述回答：…据拆成“旧版本软删除加新版本新增”，删除数据不原地动索引，而是维护一个删除标记列表，后台异步重建索引。这里有个坑：千万不要在 [[HNSW]] 或 [[IVF]] 这种图索引/聚类索引上直接做删除操作，否则检索质量会崩。一致性保障是另一个难点。说白了，你要保证业务数据库和向量库最终一致。我常用的手段是：消费端做幂等处理，每条记录带版本号或时间戳，写向量库时做 upsert 语义。检索的时候，带版本过滤，只取最新版本。这还不够，我会加一个定期对账任务，比如每小时比对源库和向量…

#字节#评估与监控#RAG 知识库更新

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…的做法是先各出一部分结果，再用 [[Rerank]] 模型合并排序。索引结构上，如果数据量不大，几百万以内，直接暴力搜索加 [[IVF]] 就够了。但上了千万甚至亿级，就得用 [[HNSW]] 图索引，它能做到毫秒级召回。不过图索引有个风险：它建起来慢，而且动态更新困难。如果知识库频繁更新，比如每天加几万条新文档，每次都重建索引成本太高。我的做法是增量写入加双缓冲，一个 base 索引，一个 delta 索引，查询时合并，后台异步重建。还有一个优化是元数据过滤。比如客服场景…

#百度#RAG索引优化#RAG 索引构建管线