匹配口述回答：这道题其实不是在问[[向量数据库]]的功能列表，而是在问一个工程取舍问题：当你的业务有延迟要求、有规模预期、有成本约束的时候，你怎么在这么多向量数据库里选一个合适的。本质上是在做 trade-off。我会从三个维度来考虑。先说索引类型，它直接决定了性能基线。[[HNSW]] 是最常用的图索引，查询快，1到10毫秒，召回率高，但内存占用大，适合百万到千万级。[[IVF-PQ]] 是倒排加[[乘积量化]]，内存省很多，能撑十亿级，但查询慢一些，10到50毫秒。还有 DiskAN…

#京东#评估与监控#向量数据库选型

面试题·检索

向量数据库和普通数据库有什么区别?

匹配正文：…录。这正是 RAG（检索增强生成）里"根据问题找相关文档"这一步的基础设施。和传统数据库的对比维度传统数据库（MySQL）向量数据库（Milvus/Faiss 等）存什么结构化行数据高维向量 + 元数据怎么查精确条件（WHERE）相似度 Top-K（近邻搜索）结果完全匹配的集合按距离排序的"最像的几条" 典型索引 B+ 树 HNSW / IVF / PQ ANN 为什么快暴力检索要把查询向量和库里每一条都算一次距离，N 条就是 N 次计算，规模一大…

#入门#基础概念#向量数据库

面试题·检索· 高德

语义检索向量数据库构建流程

…暴跌。我的做法是增量插入走独立小索引，查询时合并，定期全量重建。存储方案上，向量和标量一定要分开存。向量丢到[[Faiss]]或Milvus里，标量字段比如订单号、用户ID放在PostgreSQL或ES里，通过ID关联。分片策略按业务线或者地理区域切，查询时路由到对应分片，避免全表扫。冷热分离也很有必要，高频向量放内存或SSD，冷数据压缩归档，能省不少成本。最后是查询优化。第一步是查询重写，比如用户搜“退货运费谁出”，我会用Query2Doc扩展成“退款运费承担”，或者同…

第 1 / 3 页下一页 →

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

匹配口述回答：

#高德#评估与监控#向量数据库构建

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：答案要点向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配正文：选型向量数据库，核心看场景匹配度，不能只看 benchmark 数字。 1. 检索性能与索引类型延迟敏感场景（实时对话）选 HNSW，召回率高、查询快，但内存占用大海量数据（十亿级）选 IVF 系列或磁盘索引，牺牲部分召回换存储成本务必关注 filter 下推能力——先元数据过滤再向量检索，避免全量扫描 2. 可扩展性与运维数据量 < 1亿：单节点 Milvus/Pinecone 足够数据量 > 10亿或高并发：需原生分布式（Milvus、Weaviate）或云托…

#京东#向量检索#向量数据库选型

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配标题与标签：Embedding+向量库怎么做语义匹配? RAG 中 Embedding 与 Milvus 协同流程、参数调优与检索效果分析文档处理字节文档处理向量检索 RAG 语义匹配 Embedding 向量数据库 Milvus 参数调优语义相似度检索字节

#字节#文档处理#向量检索

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配标题与标签：Embedding 模型选型 vs 落地流程? RAG 中文本分块、向量化到存入 Milvus 的完整流程文档处理字节 Embedding 模型选型 RAG 向量化流程文本分块策略 Milvus 向量数据库字节

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…系列领域适配：金融/法律等垂直场景需微调（用领域数据对比学习）长文本：优先选支持8K+上下文的模型，或采用滑动窗口平均 4. 向量数据库选型数据库特点适用 Milvus/Zilliz 功能全、分布式、云原生大规模生产环境 Pinecone 托管服务、免运维快速上线、中小规模 Weaviate 混合搜索、GraphQL 需要关键词+向量混合检索 pgvector PostgreSQL扩展已有PG基础设施，数据量<100M Faiss 纯索引库、轻量实验环境、嵌…

#美团#RAG 知识库构建#文档预处理

面试题·Agent· 字节

Agent 长期记忆存哪里?

匹配正文：答案要点区分短期记忆与长期记忆的设计边界向量数据库、键值存储、摘要记忆三种方案的核心原理与适用场景从检索延迟、存储成本、上下文窗口限制三个维度分析权衡提及MemGPT、LangChain等主流实现作为案例支撑指出多层级混合架构是当前工业界主流实践 Agent长期记忆的三种主流实现及权衡： 1. 向量数据库（Vector DB）原理：对话历史分块→Embedding→相似度检索优势：语义检索能力强，支持模糊匹配劣势：延迟高（10-100ms级），存在"中间丢失"…

#字节#百度#Agent

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配题目：请详细描述如何将分块后的文本片段（text chunk）转换为向量表示，并构建高效的向量数据库索引以支持快速检索。请说明常用的文本嵌入模型（如Sentence-BERT、BERT-based、SBERT-WK、OpenAI embeddings等）的原理与适用场景，以及主流向量数据库（如FAISS、Pinecone、Weaviate、Milvus）的特点、索引机制（如HNSW、IVF）和性能优化策略，结合RAG系统需求分析其技术选型依据。

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…强高精度要求、可接受更高延迟选型要点：中文场景优先BGE；成本敏感选自研/开源；需要解释性考虑ColBERT类模型。三、主流向量数据库对比数据库核心特点最佳场景 Milvus/Zilliz 云原生、分布式架构成熟、GPU加速十亿级规模、企业级生产环境 Pinecone 全托管、零运维、自动扩缩容快速上线、团队运维资源有限 Weaviate 原生支持混合检索（向量+BM25）、GraphQL接口需要关键词+语义联合召回 Qdrant Rust实现、内存效率高、…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…结构对比（Flat、IVF、HNSW）与选型场景完整数据流：解析→清洗→分块→向量化→元数据关联→入库完整流程：原始文本 → 向量数据库 1. 文档解析与预处理格式兼容：PDF/Word/Markdown/网页等统一解析，处理乱码、特殊符号结构保留：提取标题层级、段落边界，为语义分块提供依据清洗降噪：去除页眉页脚、重复内容、无效HTML标签 2. 分块（Chunking）策略策略适用场景关键参数固定长度通用场景，实现简单 chunk_size与overla…

#安克科技#评估与监控#RAG 文档向量化

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：… 文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、Elasticsearch） 2. 检索阶段（在线）用户查询同样向量化相似度搜索（余弦相似度/IP），召回 Top-K 相关片段 3. 生成阶段（在线）将检索结果 + 原始查询拼接为 Prompt 大模型基于"上下文"生成答案，可要求标注来源关键优势维度说明成本无需训练，API 调用即可时效性…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：… 稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Gen…

#字节#Retriever#RAG Retriever

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用十亿级/超大规模自研或云厂商方案（阿里云OpenSearch、AWS OpenSearch）成本可控、深度定制核心考量：延迟（<100ms）、召回率（To…

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…库，比如PostgreSQL，擅长精确查询、权限过滤、业务字段检索，比如查某个订单号、某个时间范围、某个用户等级，这些它天生强项。向量数据库，比如Milvus或pgvector，擅长语义相似度，比如搜“退款政策”能匹配到“退货流程”。但两者不是替代关系，举个例子，客服退款场景里，用户问“我买的东西坏了怎么退”，你不能只靠向量把相关文档捞出来，还得过滤掉非当前用户的订单、只展示有效售后政策，这就是结构化过滤。所以我的思路是：向量做粗召回，结构化做精过滤，两者结合才能避免召回结果…

#安克科技#知识库存储架构#RAG 知识库存储

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…8 页。索引像书后的名词索引页 RAG 常见两类索引,这章先记住名字,Part 2 讲它们何时互补、何时单路已经足够: 向量库(向量数据库):专门存 Embedding 向量、能快速找"意思相近"的库; 倒排索引:像书后的名词索引页,按"词"建,查关键词又快又准。 🛠️ 跟着做:把架构图变成一段能跑的代码我们把"两条链路"各写成几个函数,跑通一个端到端的迷你 RAG。整条流水线就 5 个函数: 你即将写的 5 个函数 = 一条端到端流水线 Step 1:写"离线建库"的…

#RAG#检索#项目实战

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…资源收益仍需在自己的数据和负载上实测。 2.3 向量库 + ANN 索引文字变成向量后,得有地方存、还得能快速查,这就是向量库(Milvus / Faiss / Qdrant 等)。但"快速查"有讲究:随着向量规模增长,query 逐个算精确距离的开销会增大,因此常会评估 ANN(近似最近邻)索引(如 HNSW、IVF): 向量库 + ANN 索引业内行话:ANN 里的 A 是 approximate(近似)。它通过减少需要精确比较的候选,用可接受的召回损失换查询加速;…

#RAG#检索#项目实战

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…步处理请求推理服务吞吐设计、请求批处理(batching)、协程与队列文档解析与数据管道 ETL、消息队列、批处理、增量更新向量数据库选型与调优存储选型、索引优化(HNSW/IVF 换个名字的 B+ 树直觉) 缓存设计向量检索结果缓存、语义缓存、Prompt 命中复用推理延迟与成本优化性能调优、连接池、批量化、异步降级可观测性 / 线上质量监控评估指标埋点、离线评测集、线上 badcase 采样与回归 Agent 工作流编排状态机、任务调度、重试与幂等、D…

#求职#职业转型

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配正文：…）最近N轮对话，存Redis/Memory，毫秒级访问原始文本，不做压缩，保证上下文连贯情节记忆（温数据）历史会话片段，存向量数据库（Milvus/Pinecone）按时间窗口分片，配合HNSW索引 + IVF量化元数据过滤：时间范围、主题标签、情感标记语义记忆（冷数据）压缩后的知识图谱/用户画像，存图数据库或宽表定期摘要生成，淘汰低价值细节检索优化手段手段实现混合索引向量相似度 + 倒排索引（关键词）+ 时间索引，三路召回后精排分层检索先粗筛…

#字节#蚂蚁#Agent

面试题·Agent· 百度

Agent 组件如何协同完成复杂任务?

匹配正文：…mory）类型功能典型实现短期记忆当前对话上下文、任务状态滑动窗口、摘要压缩长期记忆用户偏好、历史经验、领域知识向量数据库（如Milvus）、知识图谱 3. 工具调用（Tool Use）流程：LLM生成结构化调用指令 → 解析执行外部API → 结果回填上下文关键：Function Calling机制让模型学会"何时调用、传什么参数" 4. 执行与反馈（Action & Reflection）执行工具后，观察结果，判断任务是否完成反思机制：失败时回溯…

#百度#Agent#Agent 工作原理

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：… 按对话轮次分块，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存…

#高德#Agent#向量检索

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配正文：…）类型功能实现方式短期记忆当前对话上下文、中间结果滑动窗口、KV Cache 长期记忆历史经验、领域知识、用户偏好向量数据库（如Milvus）、知识图谱 3. 工具调用（Tool Use）功能：扩展LLM能力边界，执行外部操作核心机制：Function Calling / Toolformer范式，JSON格式定义工具Schema 常见工具：搜索引擎、代码解释器、数据库、API接口 4. 行动执行（Action）功能：将规划转化为实际输出，与外部环境交互…

#百度#Agent#Agent 核心组件