面经策

什么是向量数据库？在基于大模型的应用开发中，向量数据库主要解决什么问题？ ​

  • 标签：大模型、编程导航

🏛 业务架构师 ​

向量数据库是专为向量检索优化的存储：把文本/图像等内容的 Embedding（高维向量，如 1536 维浮点数组）存起来，用近似最近邻索引（ANN，主流 HNSW）实现"找出与查询向量最相似的 K 条"——相似度衡量的是语义距离（"退货"与"退款流程"向量很近，关键词匹配却对不上）。

它解决的核心问题：语义匹配的规模化检索。

业务账算清楚：传统关键词检索是"字面匹配"——用户问"怎么退货"，文档写"售后服务流程"，关键词搜不到（词汇鸿沟）；向量检索按语义相似度命中——召回质量是代际差异。而百万级向量在普通数据库里暴力扫（逐条算距离）要秒级，HNSW 索引把它压到毫秒——没有向量库（或向量能力），语义检索在业务规模上不可行。

在大模型应用中的位置：

  • RAG 的地基：知识库向量化入库，问题向量检索 topK 语义相近片段喂给模型——"开卷考试"的检索通道就是向量库；
  • 语义搜索/推荐（内容相似召回）、去重（语义级别判重）、图像以图搜图。

选型务实建议：数据量与团队现状优先——百万级以内，PGVector 复用现有 PG 运维体系最划算；亿级/高 QPS 再上 Milvus 这类专业库；云托管（Pinecone/国内云服务）省运维但锁定制。走 Spring AI 的 VectorStore 抽象，保留迁移自由。

一句话：向量数据库把"语义相似"变成了可索引、可毫秒级查询的数据库能力——它是 RAG 与一切语义检索业务的物理基础。

🏗 系统架构师 ​

向量数据库是专为高维向量相似度检索设计的存储系统：把文本/图片的语义编码成高维向量（如 1024 维浮点数组），建 ANN（近似最近邻）索引（HNSW/IVF），支持"给出与查询向量最相似的 TopK"毫秒级检索——这是传统 B+ 树/倒排索引做不到的（无序高维空间无法排序）。

在大模型应用中解决的核心问题：

  1. LLM 知识的时效与私有性：模型知识冻结在训练截止日、也学不到企业内部文档——向量库让"外部知识"可检索（RAG 的存储底座），知识更新只需更新库不用重训；
  2. 语义检索鸿沟：关键词检索匹配字面（"退货"搜不到"售后退回"），向量检索匹配语义相似度，Embedding 把语义映射为几何距离——自然语言到知识的模糊匹配得以工程化；
  3. 长期记忆：对话历史/用户档案向量化，Agent 需要"回忆"时按语义检索相关片段，突破上下文窗口限制——记忆从"最近 N 条"进化为"相关 N 条"；
  4. 相似去重与聚类：FAQ 去重、相似问题缓存命中、推荐。

工程要点：ANN 是近似检索（召回率 vs 速度权衡，HNSW 参数 ef_search 调优）；向量库选型按量级（pgvector 百万级 / Milvus 亿级）与混合检索需求（+ BM25）；向量 + 元数据过滤组合是标配查询形态。

架构定位：向量数据库 = AI 时代的语义索引层，与关系库（精确事实）、缓存（热点）三足鼎立，共同构成智能体应用的存储体系。

💻 全栈开发专家 ​

向量数据库 = 专为 embedding 存储和相似性检索优化的数据库：把文本/图片转成高维向量（如 1024 维浮点数组）存起来，查询时用 ANN 算法（HNSW/IVF）毫秒级找出"距离最近"的 top-k——而不是传统数据库的精确匹配。

sql
-- PGVector 的检索语义（加速前是全表算距离，HNSW 索引后亚秒级）
SELECT id, content FROM chunks
ORDER BY embedding <=> $query_vector   -- 余弦距离
LIMIT 5;

在大模型应用中解决三个问题：

  1. 语义检索（最核心）：关键词搜索匹配"字面"，向量搜索匹配"意思"——搜"电脑太卡怎么办"能召回"性能优化/内存不足排查"的文档。知识库问答（RAG）、相似内容去重、语义缓存都靠它；

  2. 模型知识有限：LLM 训练数据有截止日期、更没有企业内部知识，向量库让模型"开卷考试"——检索到的片段作为上下文注入 prompt，私有时效知识都有了；

  3. 长期记忆：会话历史超长后，把历史对话向量化入库，新问题先检索相关记忆再回答——Agent 的"海马体"。

选型口径：百万级以下 PGVector（复用 PG 运维 + SQL 混合过滤）足够；亿级/高 QPS 上 Milvus/Qdrant；Serverless 场景 Turso/Zilliz。不要神化：数据量小（<10 万条）时内存暴力检索也很快，别一上来就背分布式向量库的运维包袱。