罗罗编程学习记录
本页内容 展开查看

05.6.4.3 混合检索、GraphQL 与一致性

所属:全栈开发面试题库 / 05 数据库与存储 / 05.6 向量数据库与语义检索 / 05.6.4 Weaviate

覆盖范围

  • 检索操作符:nearText / nearVector / nearObject、BM25、hybrid 与 alpha 权重
  • 融合策略:relativeScoreFusion 与 rankedFusion 的差别与版本默认值
  • where 过滤:操作符、逻辑组合、groupBy 分组与 Aggregate 聚合
  • 分页、排序、_additional 元数据与查询性能分析
  • 副本一致性:ONE / QUORUM / ALL、读写一致性、读修复与副本故障行为
  • 多租户查询限定、rerank 与 generative 模块边界

检索主线

查询输入
  ├─ 向量路:nearText / nearVector / nearObject
  ├─ 关键词路:BM25
  └─ 混合路:hybrid(alpha 加权 + fusionType 融合)
        ↓ where 过滤 / groupBy / 分页排序
        ↓ rerank 重排 → generative 取上下文生成
副本一致性:按 ONE / QUORUM / ALL 收集读写确认

高频题速览

编号 题目 难度 频率
05.6.4.3-002 nearText 的启用前提 基础 ★★★★★
05.6.4.3-007 hybrid 混合检索基本结构 基础 ★★★★★
05.6.4.3-008 alpha 参数语义与默认值 基础 ★★★★★
05.6.4.3-015 relativeScoreFusion 归一化融合 进阶 ★★★★☆
05.6.4.3-022 where 常见操作符 进阶 ★★★★☆
05.6.4.3-025 groupBy 分组参数与限制 进阶 ★★★★☆
05.6.4.3-029 读一致性 QUORUM 与容错计算 进阶 ★★★★☆
05.6.4.3-037 查询性能分析定位 高级 ★★★★☆
05.6.4.3-046 rerank 与召回数量配合 高级 ★★★★☆
05.6.4.3-048 RAG 检索链路设计 高级 ★★★★★

05.6.4.3-001 Weaviate 的查询入口有哪些?

频率 ★★★★☆ | 难度 基础

一句话结论

检索主要经 GraphQL 的 Get 函数做近邻/关键词/混合查询,Aggregate 函数做聚合统计;REST 端点补充对象点查、schema 与管理操作,官方客户端在底层封装两类接口。

概念解释

  • Get:按集合返回对象,挂 near/bm25/hybrid 等检索操作符与过滤、排序、分页参数。
  • Aggregate:统计对象数与字段聚合指标,可作用于整集合或搜索结果。
  • REST:/v1/objects 等端点用于点查、写入与管理,调试方便。

原理流程

业务请求 → 客户端封装 → GraphQL Get/Aggregate 或 REST 端点
结果经 _additional 元数据与属性字段返回

代码 / 命令

# 待确认:当前版本 GraphQL 函数名与 REST 路径清单,以官方 API 文档为准

常见误区

  • 误区:所有检索都走 REST。正解:复杂检索与混合排序以 GraphQL Get 为主,REST 偏管理与点查。
  • 误区:客户端接口与服务端 API 一一对应暴露。正解:客户端做了封装,部分查询逻辑在服务端编排。

追问

  • 问:GraphQL 与 gRPC 是什么关系?答:客户端底层可走 gRPC 通道,GraphQL 是查询语言层,二者不冲突。
  • 问:聚合结果从哪里取?答:Aggregate 返回 count 与字段统计,不返回对象明细。

05.6.4.3-002 nearText 在什么前提下可用?

频率 ★★★★★ | 难度 基础

一句话结论

nearText 依赖集合配置了兼容的文本向量化模块(任一 text2vec 或 multi2vec 模块),由模块把查询文本编码为向量后做近邻检索;自提供向量集合不使用 nearText。

概念解释

  • 启用条件:集合绑定 text2vec / multi2vec 类模块。
  • 编码路径:查询概念经同一模块编码,进入与入库一致的向量空间。
  • 自提供向量:vectorizer 为 none 时,语义检索走 nearVector 提交外部向量。

原理流程

nearText 提交概念 → 模块编码查询向量 → 集合内近邻检索 → 返回距离/相似度结果

代码 / 命令

# 待确认:当前版本 nearText 入参字段名(concepts 等),以官方搜索操作符文档为准

常见误区

  • 误区:任何集合都能调 nearText。正解:未配文本向量化模块时 nearText 不可用。
  • 误区:nearText 直接对原文做字符串匹配。正解:它走向量语义匹配,关键词精确匹配应走 BM25。

追问

  • 问:nearText 查询词会被模块预处理吗?答:会经过对应模块的分词/编码流程,与入库处理保持一致。
  • 问:模块服务挂了 nearText 会怎样?答:查询编码失败,请求报错,需超时与降级预案。

05.6.4.3-003 nearVector 检索如何使用?

频率 ★★★★☆ | 难度 基础

一句话结论

nearVector 直接提交一个浮点向量作为查询锚点,在集合向量空间中找最近邻,适合业务侧自行编码向量或自提供向量的集合。

概念解释

  • 入参:向量数组,长度须与集合向量维度一致。
  • 边界:可配 distance 或 certainty 阈值,二者互斥。
  • 适用:外部 Embedding 管线、缓存查询向量、跨模型向量复用场景。

原理流程

业务侧生成查询向量 → nearVector 提交 → 集合内距离计算 → 近邻排序返回

代码 / 命令

# 待确认:nearVector 入参结构与阈值字段名,以官方搜索操作符文档为准

常见误区

  • 误区:nearVector 会自动调用模型编码。正解:向量由调用方提供,服务端不补算。
  • 误区:向量维度不一致也能返回合理结果。正解:维度不符会校验失败或产生错误距离。

追问

  • 问:nearVector 与 nearText 能否互换?答:模型一致时结果空间接近;自提供向量场景只能用 nearVector。
  • 问:查询向量需要归一化吗?答:按所用距离度量与模型要求处理,点积类度量尤其注意。

05.6.4.3-004 nearObject 如何按已有对象找相似?

频率 ★★★☆☆ | 难度 基础

一句话结论

nearObject 以集合内已有对象(按 UUID 或 beacon 标识)为锚点找相似对象;结果列表第一条永远是被用作查询的对象本身。

概念解释

  • 标识:通过对象 id(UUID)或 beacon 指定锚点对象。
  • 首条自身:锚点对象距离为零,固定出现在结果首位。
  • 用途:“相似推荐”“同类扩展”场景,基于库内对象而非外部文本查询。

原理流程

指定锚点对象 id/beacon → 取其向量 → 集合内近邻检索 → 首条为自身,其后为相似对象

代码 / 命令

# 待确认:id/beacon 入参与阈值字段,以官方 nearObject 文档为准

常见误区

  • 误区:结果不含锚点对象。正解:首条固定是自身,做推荐时需在业务侧排除。
  • 误区:nearObject 可以跨集合找相似。正解:在同一集合向量空间内检索。

追问

  • 问:锚点对象被删除后还能查吗?答:对象不存在时按错误处理,需先确认对象有效。
  • 问:beacon 与 id 用哪个?答:优先 UUID 标识;beacon 为 URL 形式引用,具体以文档为准。

05.6.4.3-005 distance 与 certainty 阈值有什么区别?

频率 ★★★★☆ | 难度 基础

一句话结论

distance 按所选距离度量给出原始距离上限,certainty 是归一化到 0 到 1 的相似度(1 为完全相同);二者不能同时使用。

概念解释

  • distance:语义随距离度量变化,不同度量数值含义不同。
  • certainty:归一化相似度,便于跨场景设统一阈值。
  • 互斥:同一查询不能同时传 distance 与 certainty。

原理流程

检索候选 → 按度量算距离 → 阈值过滤:distance 用原始值,certainty 用归一化值
保留满足阈值的对象返回

代码 / 命令

# 待确认:certainty 支持的度量范围与归一化方式,以官方搜索参数文档为准

常见误区

  • 误区:distance 和 certainty 可以叠加收紧。正解:二者互斥,只能选一个。
  • 误区:certainty 值在所有度量下含义一致。正解:归一化方式与适用度量需核对文档。

追问

  • 问:阈值设多高合适?答:用标注查询集测不同阈值下的召回与精确率,选业务拐点。
  • 问:阈值过严会怎样?答:候选过少甚至空结果,需结合 topK 与业务容忍度调整。

05.6.4.3-006 BM25 关键词检索适用什么场景?

频率 ★★★★☆ | 难度 基础

一句话结论

BM25 基于词项匹配与词频/逆文档频率打分,适合专有名词、编号、精确术语等语义模型容易漏召回的关键词场景,与向量语义检索互补。

概念解释

  • 匹配方式:词项命中打分,不依赖语义向量。
  • 优势:精确术语、产品名、代码标识等字面匹配稳定。
  • 短板:同义词、改写、跨语言表达无法靠字面覆盖。

原理流程

查询分词 → 倒排索引匹配词项 → BM25 打分排序 → 返回关键词候选

代码 / 命令

# 字段前提:需检索文本声明为 text 类型并纳入倒排索引

常见误区

  • 误区:BM25 能理解同义改写。正解:它只做字面词项匹配,同义覆盖依赖向量路。
  • 误区:字符串字段也能走 BM25。正解:全文检索需 text 类型,string 偏精确值匹配。

追问

  • 问:BM25 召回差先查什么?答:字段类型、分词、大小写与停用词、查询词是否在文档中出现。
  • 问:什么时候只保留 BM25?答:强依赖精确字面匹配、语义模型不可用的场景。

05.6.4.3-007 hybrid 混合检索的基本结构是什么?

频率 ★★★★★ | 难度 基础

一句话结论

hybrid 查询同时发起向量检索与 BM25 关键词检索,按 alpha 权衡两路权重,再用指定融合策略合并两路候选排序,一次请求返回混合结果。

概念解释

  • 两路来源:向量语义候选 + BM25 关键词候选。
  • 权重:alpha 控制向量路占比,0 为纯关键词、1 为纯向量。
  • 融合:fusionType 决定两路分数如何合并为最终排序。

原理流程

hybrid 查询 → 并行跑向量路与 BM25 路 → alpha 加权 → fusionType 融合 → 合并排序返回

代码 / 命令

# 入参:query、alpha、vector(可选)、properties(可选)、fusionType(可选)
# 待确认:当前版本字段名与默认值,以官方 hybrid 文档为准

常见误区

  • 误区:hybrid 就是把两个结果简单拼接。正解:两路经权重与融合策略合并为统一排序。
  • 误区:开 hybrid 就不需要调向量或关键词配置。正解:两路各自的索引、字段与模型质量仍需保证。

追问

  • 问:hybrid 需要集合配向量器吗?答:向量路需要;若外部提供向量也可走 vector 入参,BM25 路依赖 text 字段。
  • 问:hybrid 比单路慢吗?答:要跑两路检索与融合,延迟通常高于单路,需压测确认。

05.6.4.3-008 alpha 参数如何控制两路权重?

频率 ★★★★★ | 难度 基础

一句话结论

alpha 取值 0 到 1:0 为纯 BM25,0.5 两路均等,越接近 1 越偏向向量;默认值 0.75,即默认更侧重向量路。

概念解释

  • 语义:alpha 是向量检索结果在混合结果中的权重。
  • 边界:0 强制纯关键词,1 强制纯向量。
  • 调参:按查询类型判断语义与字面哪路更重要,分场景取值。

原理流程

alpha=0 → 仅 BM25;alpha<0.5 → 关键词权重高;0.5 → 均等;>0.5 → 向量权重高;1 → 仅向量

代码 / 命令

# 默认 alpha = 0.75(以官方文档为准);取值范围 0 ~ 1

常见误区

  • 误区:alpha 越大越好。正解:语义强相关但术语精确匹配场景,过高 alpha 会漏掉关键词命中。
  • 误区:alpha 改变融合算法。正解:alpha 只调权重,融合方式由 fusionType 决定。

追问

  • 问:不同查询类型用同一 alpha 吗?答:可按查询类别分别评估,术语类降低 alpha,同义改写类提高。
  • 问:alpha 在哪里配置?答:hybrid 查询参数中按请求指定,具体入参名以客户端/API 文档为准。

05.6.4.3-009 fusionType 有哪两种取值?

频率 ★★★★☆ | 难度 基础

一句话结论

fusionType 可选 rankedFusion 与 relativeScoreFusion:前者按两路排名位置合并,后者按归一化后的原始分数合并;具体默认值随版本不同。

概念解释

  • rankedFusion:依据对象在各路结果中的排名位置计算合并分。
  • relativeScoreFusion:把两路原始分数归一化到同一尺度后按缩放和合并。
  • 版本:fusionType 为较新版本引入,默认策略在版本间发生过切换。

原理流程

向量路结果 + BM25 路结果 → 按 fusionType 合并
ranked:用排名位置;relativeScore:用归一化分数 → 最终排序

代码 / 命令

# 取值:rankedFusion / relativeScoreFusion
# 待确认:当前版本默认值与可用范围,以官方 hybrid 概念与 API 文档为准

常见误区

  • 误区:两种融合结果完全等价。正解:一个只保留排名,一个保留分数尺度信息,排序可能不同。
  • 误区:fusionType 控制两路权重。正解:权重由 alpha 控制,fusionType 只决定合并算法。

追问

  • 问:哪种策略更常用?答:相对分数融合保留更多原始度量信息,通常作为优先评估方向,最终以实测为准。
  • 问:融合策略能跨集合复用结论吗?答:分数分布与度量不同,需在本集合数据上对比。

05.6.4.3-010 where 过滤的基本结构是什么?

频率 ★★★★☆ | 难度 基础

一句话结论

where 条件由 path(字段路径)、operator(操作符)与 value(比较值)组成,可挂在 Get 检索或聚合查询上,在检索前后圈定候选对象。

概念解释

  • path:目标属性名,多值或嵌套路径按文档规则书写。
  • operator:等值、范围、包含、空值等比较类型。
  • value:与字段类型匹配的比较值。

原理流程

检索请求携带 where → 标量/倒排索引定位匹配对象 → 与检索结果取交集 → 返回

代码 / 命令

# 结构骨架:path + operator + value;多条件用 all_of / any_of 组合
# 待确认:当前版本过滤 DSL 字段名,以官方过滤文档为准

常见误区

  • 误区:where 只在向量检索后生效。正解:过滤可先在倒排侧圈定候选,再进入向量检索。
  • 误区:值类型可以随意传。正解:比较值须与属性 dataType 匹配,否则校验失败。

追问

  • 问:过滤字段需要建索引吗?答:真实查询字段应纳入标量索引,否则退化为全量扫描。
  • 问:where 能引用跨引用字段吗?答:按版本能力支持,嵌套路径限制以官方文档为准。

05.6.4.3-011 limit 与默认排序行为是怎样的?

频率 ★★★☆☆ | 难度 基础

一句话结论

limit 控制返回对象数量;检索类查询默认按相关性(距离/分数)降序返回,聚合与列表场景可另用 sort 指定排序字段。

概念解释

  • limit:返回上限,影响动态 ef 推导与候选规模。
  • 默认排序:近邻按距离、hybrid 按融合分数、BM25 按关键词分。
  • sort:对非检索列表按指定字段与方向排序。

原理流程

检索打分/距离排序 → 取 top-limit 对象 → 按请求返回属性与元数据
列表场景 → sort 字段排序 → limit 截断

代码 / 命令

# 待确认:limit、sort 入参字段名与默认值,以官方查询参数文档为准

常见误区

  • 误区:limit 越大召回一定越好。正解:大 limit 增大候选与归并成本,且动态 ef 会被放大。
  • 误区:检索结果可以按任意字段默认排序。正解:默认按相关性,字段排序需显式 sort。

追问

  • 问:limit 与重打分候选什么关系?答:重打分在召回候选层进行,最终返回数由 limit 约束。
  • 问:默认返回多少条?答:受服务端查询默认上限约束,具体值以配置与文档为准。

05.6.4.3-012 一致性级别有哪三档?

频率 ★★★★☆ | 难度 基础

一句话结论

副本读写一致性级别分为 ONE、QUORUM 与 ALL:ONE 等待最少一份确认,QUORUM 等待 n/2+1 份,ALL 等待全部副本确认,越强越慢但越一致。

概念解释

  • ONE:最快、可用性最高,一致性最弱。
  • QUORUM:多数派确认,默认级别,平衡一致性与可用性。
  • ALL:全部副本确认,一致性最强,最慢且最不耐故障。

原理流程

请求到协调节点 → 分发副本 → 按级别收集确认
ONE 收 1 份 / QUORUM 收 n/2+1 份 / ALL 收全部 → 返回成功或失败

代码 / 命令

# 取值:ONE / QUORUM / ALL;默认 QUORUM(以官方一致性文档为准)

常见误区

  • 误区:一致性级别决定写入几个副本。正解:数据写全部副本,级别只决定等待多少份确认。
  • 误区:ALL 级别数据绝对不会有任何差异。正解:它同步等待全部 ACK,事后副本仍可能因故障出现需修复的差异。

追问

  • 问:n 是指什么?答:该分片的副本数(replication factor)。
  • 问:级别能在请求时指定吗?答:多数读写操作支持请求级指定,可用范围随版本演进,见后续一致性题。

05.6.4.3-013 多租户查询为什么必须带租户限定?

频率 ★★★★☆ | 难度 基础

一句话结论

多租户集合中数据按租户隔离分片,查询必须显式指定目标租户,否则无法定位对应分片;遗漏租户条件会导致跨租户泄露或查询失败。

概念解释

  • 隔离单元:每个租户拥有独立分片数据,互不混查。
  • 路由前提:请求携带租户标识,协调节点定位该租户分片。
  • 风险:不带租户条件既可能查不到数据,也可能在配置不当时跨租户命中。

原理流程

请求携带租户名 → 定位租户分片 → 仅在该分片内检索/过滤 → 返回租户内结果

代码 / 命令

# 待确认:租户限定入参字段名,以官方多租户查询文档为准

常见误区

  • 误区:加了 tenant_id 字段就等于多租户隔离。正解:集合级多租户需在请求中指定租户分片。
  • 误区:省略租户条件会自动查全部租户。正解:按服务端规则受限,不能默认跨租户扫描。

追问

  • 问:租户条件在写入和查询都要带吗?答:是,写入与读取都需指定同一租户标识。
  • 问:跨租户统计怎么做?答:业务侧按租户分别查询后聚合,不能依赖单条跨租户检索。

05.6.4.3-014 rerank 与 generative 模块在检索链路中的位置?

频率 ★★★☆☆ | 难度 基础

一句话结论

rerank 在召回候选之后做相关性重排,generative 在命中文档之上拼装上下文调用大模型生成答案;二者都位于检索结果之后,不改变向量入库与召回结构。

概念解释

  • reranker:对候选列表用更重的模型打分重排,提升顶部结果精度。
  • generative:取检索对象属性作为上下文,调用生成模型产出答案。
  • 独立职责:向量器管编码、rerank 管精排、generative 管生成,模块分别启用。

原理流程

召回候选 → rerank 重排 → 取 top 文档 → generative 拼装上下文 → 生成答案

代码 / 命令

# 待确认:当前版本 rerank/generative 模块名与调用入口,以官方模块文档为准

常见误区

  • 误区:generative 能提升召回。正解:它只消费检索结果,检索差会直接传导到答案。
  • 误区:rerank 替代向量检索。正解:rerank 是召回后的精排层,候选仍由检索路产生。

追问

  • 问:rerank 失败影响主链路吗?答:可降级为返回原始召回顺序,保证检索可用。
  • 问:生成答案需要返回命中文档吗?答:建议保留溯源引用,便于核对答案来源。

05.6.4.3-015 relativeScoreFusion 是如何归一化融合的?

频率 ★★★★☆ | 难度 进阶

一句话结论

relativeScoreFusion 把向量路与 BM25 路各自的原始分数归一化到 0 到 1(最高为 1、最低为 0),再按缩放和合成最终分数,保留了两路原始度量的尺度信息。

概念解释

  • 归一化:每路分数单独缩放到统一区间,消除两路量纲差异。
  • 合成:归一化后的相似度与 BM25 分按权重相加。
  • 信息保留:相比只看排名,分数尺度差异仍参与排序。

原理流程

向量路原始分 → 归一化到 [0,1];BM25 路原始分 → 归一化到 [0,1]
按 alpha 权重缩放求和 → 融合分排序

代码 / 命令

# 待确认:归一化边界处理与具体公式细节,以官方 hybrid 概念文档为准

常见误区

  • 误区:relativeScoreFusion 直接把两种原始分相加。正解:先各自归一化到同一尺度再合并,否则量纲不可比。
  • 误区:归一化后两路分数可跨集合比较。正解:分数分布绑定本集合数据,不能跨集合直接对比。

追问

  • 问:什么时候相对分数融合更合适?答:两路分数区分度高、希望保留度量强弱信息时优先评估。
  • 问:autocut 类特性与哪种融合配合?答:按官方说明,部分自动截断能力依赖相对分数融合,具体以文档为准。

05.6.4.3-016 rankedFusion 排名融合有什么信息损失?

频率 ★★★☆☆ | 难度 进阶

一句话结论

rankedFusion 只依据对象在两路结果中的排名位置计算合并分,丢弃了原始分数的强弱差距;排名接近但分数差异大的对象,在该策略下区分度被削弱。

概念解释

  • 排名驱动:每个对象按其在向量路与关键词路的名次获得排名分。
  • 信息损失:原始距离/分数的连续强弱被压缩为名次顺序。
  • 特点:对两路分数量纲差异不敏感,实现简单。

原理流程

向量路排名 + BM25 路排名 → 按位置汇总排名分 → 融合排序
原始分数差距不进入计算

代码 / 命令

# 待确认:rankedFusion 排名分计算细节,以官方 hybrid 文档为准

常见误区

  • 误区:排名融合保留了分数强弱。正解:它只保留名次,分数尺度信息被丢弃。
  • 误区:排名融合结果一定比分数融合稳定。正解:两者适用数据分布不同,需实测对比。

追问

  • 问:排名融合适合什么数据?答:两路分数尺度差异大、难以统一归一化时,排名方式更稳健。
  • 问:怎么判断选哪种?答:用标注查询集对比两种融合的 recall 与顶部排序一致性。

05.6.4.3-017 融合默认策略随版本怎么变化?

频率 ★★★☆☆ | 难度 进阶

一句话结论

rankedFusion 是早期版本默认策略,relativeScoreFusion 引入后在较新版本成为默认;升级或更换实例版本时,混合排序结果可能因默认策略变化而不同。

概念解释

  • 版本节点:fusionType 能力在较新版本引入,默认策略随后切换。
  • 升级影响:未显式指定 fusionType 时,行为可能随版本改变。
  • 应对:关键业务在查询中显式指定融合策略,避免默认值漂移。

原理流程

旧版本默认 rankedFusion → 新版本默认 relativeScoreFusion
未显式指定 → 升级后排序可能变化;显式指定 → 行为可控

代码 / 命令

# 待确认:各版本默认策略与引入版本号,以官方 hybrid 版本说明为准

常见误区

  • 误区:同一查询在所有版本排序一致。正解:默认融合策略随版本切换,结果可能不同。
  • 误区:显式指定 fusionType 会被默认值覆盖。正解:请求级指定优先于实例默认。

追问

  • 问:升级后混合结果变差怎么排查?答:先核对 fusionType 默认值与 alpha 是否被版本变更影响。
  • 问:新版本还能用 rankedFusion 吗?答:只要版本支持该取值即可显式指定,以文档为准。

05.6.4.3-018 alpha 应该往哪个方向调?

频率 ★★★★☆ | 难度 进阶

一句话结论

语义改写、同义表达多的查询提高 alpha 偏向向量;专有名词、编号、精确术语多的查询降低 alpha 偏向 BM25;调参用标注集对比顶部命中与漏召回。

概念解释

  • 提高 alpha:语义匹配权重上升,字面精确匹配权重下降。
  • 降低 alpha:关键词命中权重上升,语义泛化能力下降。
  • 分场景:不同查询类别可采用不同 alpha,而非全局一个值。

原理流程

按查询类型分类 → 标注集对比不同 alpha 的 recall/精确率 → 选拐点值
术语类降 alpha,同义改写类升 alpha

代码 / 命令

# 调参记录:查询类别、alpha、两路命中、顶部结果、漏召回原因

常见误区

  • 误区:alpha 调到 1 就不用 BM25 了。正解:1 为纯向量,关键词漏召回由业务侧承担。
  • 误区:alpha 越高检索质量越好。正解:质量取决于查询类型与数据分布,需实测。

追问

  • 问:混合结果中向量路和关键词路各命中多少怎么看?答:结合返回元数据与分路排查,具体可观测字段以客户端/API 为准。
  • 问:能按文档类别固定 alpha 吗?答:可以,按类别路由不同查询配置。

05.6.4.3-019 hybrid 的 properties 参数如何限定 BM25 字段?

频率 ★★★☆☆ | 难度 进阶

一句话结论

properties 参数可指定 hybrid 中 BM25 路参与检索的文本字段范围,不指定时默认使用全部文本属性;限定字段可聚焦关键词匹配范围。

概念解释

  • 用途:控制关键词路在哪些 text 字段上匹配打分。
  • 边界:只影响 BM25 路,不改变向量路检索字段。
  • 前提:被指定字段须为可全文检索的 text 类型。

原理流程

hybrid 请求 → properties 限定 BM25 字段集合 → 关键词路在该范围倒排匹配
向量路按集合向量配置独立检索

代码 / 命令

# 待确认:properties 入参字段名与默认行为,以官方 hybrid API 文档为准

常见误区

  • 误区:properties 同时限定向量检索字段。正解:它只约束 BM25 关键词路。
  • 误区:string 字段也能加入 properties。正解:全文匹配需 text 类型字段。

追问

  • 问:多文本字段怎么分配关键词权重?答:字段纳入范围即参与;字段级权重按版本能力支持,以文档为准。
  • 问:限定字段后召回下降怎么办?答:检查是否漏掉应参与关键词匹配的 text 字段。

05.6.4.3-020 nearText 的 concepts 与 moveTo / moveAwayFrom 怎么用?

频率 ★★★☆☆ | 难度 进阶

一句话结论

concepts 传入一个或多个查询词,多个词时取质心作为查询向量;moveTo 把查询向量向指定概念或对象方向偏移,moveAwayFrom 则远离,force 控制偏移强度。

概念解释

  • 质心:多概念向量平均后作为查询锚点。
  • 方向偏移:在向量空间把查询推向/推离某些概念或已有对象。
  • 强度:force 介于 0 到 1,0 为不偏移,1 为最大偏移。

原理流程

concepts 编码 → 多词取质心 → 叠加 moveTo/moveAwayFrom 方向与 force → 得到查询向量 → 近邻检索

代码 / 命令

# 待确认:moveTo/moveAwayFrom 入参结构(concepts/objects/force),以官方 nearText 文档为准

常见误区

  • 误区:多个 concepts 是分别检索再合并。正解:默认取质心作为单一查询向量。
  • 误区:force 越大结果越好。正解:过强偏移会把查询推离原语义,需实测。

追问

  • 问:moveTo 用对象 id 是什么效果?答:把查询向量偏向该已有对象所在方向,用于偏置检索结果。
  • 问:autocorrect 参数依赖什么?答:需对应拼写校正模块启用,具体以官方模块文档为准。

05.6.4.3-021 nearVector 对维度一致性有什么要求?

频率 ★★★☆☆ | 难度 进阶

一句话结论

nearVector 提交向量的维度必须与集合索引向量维度一致;模型版本、截断或混写导致维度不符时,距离计算无意义并会被校验拒绝。

概念解释

  • 维度绑定:集合按入库向量维度建索引,查询向量须同维。
  • 常见不符来源:模型切换、向量截断/补零、多版本结果混入。
  • 排查:对照失败向量长度、生成管线模型版本与集合维度。

原理流程

提交查询向量 → 校验长度与集合维度 → 一致则计算距离;不符则报错
定位混入批次 → 修正管线 → 重建受影响数据

代码 / 命令

# 检查:模型名/版本、归一化、向量长度、批次时间

常见误区

  • 误区:服务端会自动补齐或截断向量。正解:不做模型换算,维度错误由调用方修正。
  • 误区:维度不符只是警告。正解:混维度距离结果错误,应拦截在写入/查询前。

追问

  • 问:历史数据混了两种维度怎么办?答:按批次隔离重建到对应集合或命名向量,不在同一空间混用。
  • 问:上线前怎么防?答:写入前校验向量长度与归一化,管线锁定模型版本并记录批次元数据。

05.6.4.3-022 where 常见操作符有哪些?

频率 ★★★★☆ | 难度 进阶

一句话结论

常用操作符包括等值/不等(Equal / NotEqual)、范围(GreaterThan / LessThan 等)、包含(ContainsAny / ContainsAll)与空值判断(IsNull),按字段类型选用。

概念解释

  • 等值类:匹配或排除精确值。
  • 范围类:数值与时间字段比较大小。
  • 包含类:多值字段命中任一或全部指定值。
  • 空值类:判断字段是否缺失。

原理流程

字段类型 → 选匹配操作符 → 构造 path/operator/value → 与检索结果取交集

代码 / 命令

# 待确认:当前版本完整操作符清单与取值写法,以官方过滤文档为准

常见误区

  • 误区:字符串范围比较按数字语义生效。正解:类型不匹配的比较行为异常,需用对应类型字段。
  • 误区:ContainsAll 与 ContainsAny 可互换。正解:前者要求全部命中,后者任一命中即可。

追问

  • 问:日期字段用哪个操作符?答:用范围类操作符按时间比较,避免字符串比较。
  • 问:null 判断怎么写?答:用 IsNull 类操作符,具体取值以文档为准。

05.6.4.3-023 all_of 与 any_of 如何组合过滤条件?

频率 ★★★★☆ | 难度 进阶

一句话结论

all_of 组合的条件须全部满足(逻辑与),any_of 满足其一即可(逻辑或),可嵌套表达复杂权限、标签与状态组合条件。

概念解释

  • all_of:并列条件同时成立,缩小候选集。
  • any_of:多条件择一成立,扩大候选集。
  • 嵌套:两组可相互嵌套,表达层级逻辑。

原理流程

条件列表 → all_of 取交集 / any_of 取并集 → 生成最终过滤候选
与检索结果取交集后排序返回

代码 / 命令

# 待确认:组合条件 DSL 字段名,以官方过滤/客户端文档为准

常见误区

  • 误区:all_of 与 any_of 效果相同。正解:一个是与、一个是或,候选集大小差别明显。
  • 误区:复杂条件都写成并列与。正解:多分支场景需 any_of 表达或逻辑。

追问

  • 问:权限条件怎么组合?答:角色/可见范围用 any_of 表达可访问集合,再与其他条件 all_of 组合。
  • 问:组合条件影响性能吗?答:高选择性条件优先匹配,嵌套层级过深会增加过滤评估成本。

05.6.4.3-024 limit / offset 深分页有什么代价?

频率 ★★★☆☆ | 难度 进阶

一句话结论

offset 越深,需要跳过的候选越多,检索与归并成本随分页深度上升;深分页应改用游标/排序键续页或限制可翻页深度。

概念解释

  • 成本来源:每页都要重新检索并跳过前序结果,候选遍历与排序重复。
  • 动态 ef 影响:大 limit 会放大候选列表规模,延迟进一步上升。
  • 适用边界:浅分页用 offset,深翻页需续页方案。

原理流程

第 N 页 → 检索候选 → 跳过 offset 条 → 返回后续 limit 条
深 offset → 重复遍历大候选集 → P99 上升

代码 / 命令

# 待确认:分页参数名与是否支持游标续页,以官方查询参数文档为准

常见误区

  • 误区:深分页只是多传一个 offset。正解:服务端需重新扫描并跳过大量候选,成本非线性增长。
  • 误区:分页不影响检索质量。正解:深页候选遍历更粗,排名稳定性可能下降。

追问

  • 问:导出全量数据怎么分页?答:按排序键或游标续批,配合批量拉取与限速。
  • 问:offset 上限需要设吗?答:按业务场景限制可翻页深度,避免被深分页打爆。

05.6.4.3-025 groupBy 分组有什么参数与限制?

频率 ★★★★☆ | 难度 进阶

一句话结论

groupBy 按指定属性或跨引用把结果分组返回;路径仅限单个属性或单个跨引用,不支持嵌套路径,可与 near、bm25、hybrid 检索配合。

概念解释

  • 分组键:一个属性或一条跨引用路径。
  • 限制:嵌套路径不支持,分组层级有限。
  • 适用:按类别、来源、发布方等聚合展示各组代表结果。

原理流程

检索得到候选 → 按 groupBy 路径分组 → 每组返回代表对象与组元信息 → 按组聚合排序

代码 / 命令

# 待确认:groupBy 入参(path、每组对象数、组数)字段名,以官方 Aggregate/分组文档为准

常见误区

  • 误区:groupBy 支持多级嵌套路径。正解:路径仅限单属性或单跨引用,嵌套不被支持。
  • 误区:groupBy 等同于 SQL 分组聚合。正解:它返回分组对象与元信息,聚合指标走 Aggregate。

追问

  • 问:每组返回几条怎么控制?答:用每组对象数与组数参数限制,具体名以文档为准。
  • 问:groupBy 能与过滤条件一起用吗?答:可以,先过滤再分组。

05.6.4.3-026 Aggregate 聚合能统计哪些指标?

频率 ★★★☆☆ | 难度 进阶

一句话结论

Aggregate 可统计对象总数(count)与字段级聚合指标(如类型适用的最小/最大/均值/计数等),可作用于整集合或一次搜索结果之上。

概念解释

  • 总量:集合或候选集对象计数。
  • 字段指标:按字段类型提供对应聚合统计。
  • 作用域:全集合聚合,或带检索/过滤条件的结果聚合。

原理流程

Aggregate 请求 → 确定作用域(全集合/检索结果)→ 计算 count 与字段指标 → 返回聚合结构

代码 / 命令

# 待确认:各字段类型可用聚合指标清单,以官方 Aggregate 文档为准

常见误区

  • 误区:Aggregate 返回对象明细。正解:它只返回统计值,明细走 Get。
  • 误区:所有字段都能算均值。正解:聚合指标受字段类型约束,文本/布尔类型统计项不同。

追问

  • 问:聚合能结合 where 过滤吗?答:可以,在过滤后的候选集上聚合。
  • 问:聚合结果按什么排序?答:聚合返回分组与指标,明细排序不适用。

05.6.4.3-027 sort 排序字段有什么可排序性要求?

频率 ★★☆☆☆ | 难度 进阶

一句话结论

sort 按指定属性字段与方向排序,字段需具备可排序的值类型;检索类查询默认按相关性,字段排序主要用于列表与非检索结果。

概念解释

  • 可排序类型:数值、时间、字符串等有序值类型。
  • 方向:升序/降序,按字段值比较。
  • 与相关性排序区分:检索打分排序由操作符决定,sort 是补充控制。

原理流程

列表请求 → 指定 sort 字段与方向 → 按字段值排序 → limit 截断返回
检索请求 → 相关性排序优先,sort 按需补充

代码 / 命令

# 待确认:sort 入参结构与可排序字段限制,以官方查询参数文档为准

常见误区

  • 误区:向量距离字段能直接用 sort 排。正解:近邻排序由距离/分数元数据驱动,不用普通字段 sort。
  • 误区:所有属性都可排序。正解:复杂类型或多值字段排序能力受版本与类型限制。

追问

  • 问:按时间倒序列表怎么配?答:sort 指定时间字段降序,配合 limit 与分页。
  • 问:排序字段需要建索引吗?答:大集合排序性能依赖字段索引支持,具体以文档为准。

05.6.4.3-028 写一致性是如何收集副本确认的?

频率 ★★★★☆ | 难度 进阶

一句话结论

写入并行分发到目标分片全部副本,协调节点按一致性级别收集确认:ONE 收一份、QUORUM 收多数派、ALL 收全部;未达确认的副本由后台修复补齐。

概念解释

  • 全量扩散:无论级别高低,写入目标是所有副本。
  • 确认门槛:级别决定等待多少份 ACK 才返回成功。
  • 落后修复:未及时确认的副本后续经自动修复追平。

原理流程

对象校验 → 路由分片 → 并行写全部副本 → 按级别收集 ACK → 返回成功/失败
后台:落后副本修复 → 对象数与向量一致

代码 / 命令

# 待确认:写一致性默认级别与请求级指定方式,以官方复制一致性文档为准

常见误区

  • 误区:ONE 级别只写一个副本。正解:全副本都写,ONE 仅等待一份确认。
  • 误区:写入成功即所有副本一致。正解:低级别下其他副本可能短暂落后。

追问

  • 问:写入超时怎么判断落库?答:按主键幂等重试,点查与副本对象数核对。
  • 问:副本写失败会自动重试吗?答:客户端与服务端各有重试机制,业务侧保证主键幂等。

05.6.4.3-029 读一致性 QUORUM 如何计算,容错多少副本?

频率 ★★★★☆ | 难度 进阶

一句话结论

QUORUM 确认数为 n/2+1(n 为副本数),例如 6 副本多数派为 4,可容忍 2 个副本不可用;读请求从满足级别要求的副本取数。

概念解释

  • 多数派:n/2+1 向上取整,保证两级别请求不会落入不相交副本集合。
  • 容错:低于多数派副本存活即可在 QUORUM 下继续读。
  • 默认:读一致性默认为 QUORUM(以官方文档为准)。

原理流程

读请求 → 路由副本 → 等待 QUORUM(n/2+1)份响应 → 归并返回
副本故障数 < n - QUORUM → 仍可凑齐多数派

代码 / 命令

# 例:RF=3 → QUORUM=2,容忍 1 副本故障;RF=6 → QUORUM=4,容忍 2 副本故障

常见误区

  • 误区:QUORUM 就是一半副本。正解:是 n/2+1 多数派,不是简单半数。
  • 误区:读 QUORUM 一定读到最新写入。正解:配合写级别与读修复,短暂不一致仍可能存在。

追问

  • 问:ONE 读适合什么场景?答:对可用性敏感、可接受读到稍旧数据的低延迟场景。
  • 问:ALL 读什么时候用?答:需要比对全部副本、排查一致性差异时使用,代价最高。

05.6.4.3-030 一致性可调范围随版本怎么演进?

频率 ★★★☆☆ | 难度 高级

一句话结论

读写一致性级别在较新版本起支持请求级可调,早期版本多数操作固定 ALL;GraphQL 端点与 gRPC 通道在可调支持上存在差异,升级时需核对版本行为。

概念解释

  • 版本节点:写读一致性可调从特定版本开始引入,此前写操作固定高一致性。
  • 通道差异:部分通道(如 gRPC)支持可调级别,GraphQL 历史上使用固定级别。
  • 核对方式:按实例版本查阅官方一致性文档的可调范围表。

原理流程

确认实例版本 → 查该版本可读/写可调级别清单 → 按通道(REST/GraphQL/gRPC)核对支持情况
不支持时按服务端默认级别处理

代码 / 命令

# 待确认:各版本可调边界与通道差异,以官方复制一致性版本说明为准

常见误区

  • 误区:所有版本所有接口都能传一致性级别。正解:可调范围随版本与通道不同,需核对文档。
  • 误区:客户端传了级别就一定生效。正解:服务端版本不支持时按默认级别处理。

追问

  • 问:升级后一致性行为变了怎么办?答:核对版本变更说明,关键链路显式指定级别并压测。
  • 问:怎么确认当前生效级别?答:结合请求参数、服务端默认与通道能力判断,必要时查返回元数据。

05.6.4.3-031 一致性级别怎么在“立即可见”与吞吐之间选?

频率 ★★★★☆ | 难度 进阶

一句话结论

写后须立即可读的关键链路用更强一致性级别;批量入库与低延迟检索可用弱级别换取吞吐,配合后台修复与业务侧容忍窗口分级处理。

概念解释

  • 强级别:等待更多副本确认,写入延迟高、吞吐低,但可见性更稳。
  • 弱级别:等待副本少,延迟低、吞吐高,存在短暂落后窗口。
  • 分级:不同业务链路按可见性要求选级别,不必全局统一最强。

原理流程

识别“写后必读”需求 → 关键链路强级别 → 批量/离线链路弱级别
业务侧容忍秒级窗口 → 弱级别 + 重试/点查兜底

代码 / 命令

# 决策:可见性 SLA、写入吞吐目标、可接受的不一致窗口

常见误区

  • 误区:所有场景用 ALL 最保险。正解:强级别拉高写入延迟、降低吞吐,应按场景分级。
  • 误区:弱一致一定读到旧数据。正解:只是不保证立即可见,通常在短窗口内追平。

追问

  • 问:写入后马上搜不到怎么排查?答:查一致性级别、副本确认状态与索引滞后窗口。
  • 问:关键链路吞吐不够怎么办?答:拆分关键写入与批量写入两条链路,各自使用不同级别。

05.6.4.3-032 副本不一致时的读修复如何工作?

频率 ★★★☆☆ | 难度 进阶

一句话结论

读取发现副本间数据存在差异时,可在读取路径触发修复,把一致版本补回落后副本;后台自动修复机制持续同步未及时追平的副本。

概念解释

  • 读修复:读请求对比副本返回,识别落后副本并补写一致数据。
  • 自动修复:后台任务同步落后副本,缩小不一致窗口。
  • 前提:副本间以对象主键与版本/校验信息比对。

原理流程

读多副本 → 对比对象版本/校验 → 发现落后 → 回写一致版本
后台修复任务 → 持续追平落后副本 → 对象数与向量一致

代码 / 命令

# 待确认:读修复触发条件与自动修复配置项,以官方复制架构文档为准

常见误区

  • 误区:副本一旦短暂落后就永久不一致。正解:读修复与后台修复会逐步追平。
  • 误区:修复不需要额外资源。正解:回写与同步占用网络与副本 IO,需观察积压。

追问

  • 问:怎么发现副本落后?答:对比各副本对象数、抽样校验与读一致性级别下的返回差异。
  • 问:修复积压怎么处理?答:检查副本资源与网络,必要时限流写入让修复追上。

05.6.4.3-033 租户查询限定方式与遗漏风险是什么?

频率 ★★★★☆ | 难度 进阶

一句话结论

多租户查询在请求中携带租户标识以路由到对应分片;遗漏限定会导致查不到数据,或在配置不当时造成跨租户数据泄露,必须在查询层强制注入租户条件。

概念解释

  • 限定位置:查询/读取请求的租户参数,与写入租户一致。
  • 风险方向:路由失败表现为空结果;隔离配置薄弱时可能跨租户命中。
  • 强制注入:业务框架层统一追加租户条件,避免单个查询遗漏。

原理流程

业务请求带租户身份 → 框架层注入租户查询条件 → 定位租户分片 → 租户内检索
缺少条件 → 拒绝或按规则受限,不默认跨租户扫描

代码 / 命令

# 检查:所有读路径是否都经过统一租户条件注入;点查与检索同样需要

常见误区

  • 误区:前端传了租户名就行。正解:后端必须按可信身份注入,不能依赖前端参数。
  • 误区:多租户隔离靠 where tenant_id 字段。正解:集合级多租户按分片隔离,字段过滤是另一层逻辑隔离。

追问

  • 问:切换租户要重建客户端吗?答:不需要,请求级指定租户即可,具体入参以客户端文档为准。
  • 问:租户权限怎么叠加?答:租户隔离之上再叠角色/可见范围过滤条件。

05.6.4.3-034 rerank 模块如何工作,带来什么延迟?

频率 ★★★★☆ | 难度 进阶

一句话结论

rerank 对检索召回的候选列表用重排模型逐条打分,按新分数重排顶部结果;它在召回之后执行,候选越多推理延迟越高,需控制重打分候选规模。

概念解释

  • 输入:召回候选对象及其文本字段。
  • 打分:重排模型计算查询-文档相关性,覆盖原始召回顺序。
  • 成本:每次重排一次外部/本地模型推理,候选数直接影响延迟。

原理流程

召回 top-N 候选 → rerank 逐条打分 → 重排 → 取 top-k 返回
N 按延迟预算与召回目标设定

代码 / 命令

# 待确认:rerank 模块名、候选参数与超时配置,以官方 reranker 集成文档为准

常见误区

  • 误区:rerank 增加召回候选覆盖。正解:它只重排已有候选,粗筛漏掉的无法找回。
  • 误区:重排候选越多越好。正解:候选过多推高推理延迟与成本,需找拐点。

追问

  • 问:rerank 失败如何降级?答:返回原始召回顺序,保证主检索链路可用。
  • 问:重排模型选外部还是本地?答:按延迟、成本与合规要求评估,外部模型注意网络超时与限流。

05.6.4.3-035 generative 模块的能力边界是什么?

频率 ★★★★☆ | 难度 高级

一句话结论

generative 模块只负责把检索到的对象属性拼装为上下文、调用大模型生成答案,不参与召回排序,也不保证答案与检索文档一致;字段选择与上下文截断由调用方控制。

概念解释

  • 输入边界:检索命中文档的指定属性作为上下文。
  • 输出边界:生成答案基于上下文,模型本身可能产生偏差。
  • 不改变检索:召回质量决定上下文质量,生成层无法弥补漏召回。

原理流程

检索重排结果 → 选字段拼装上下文 → generative 调用模型 → 生成答案 + 溯源引用

代码 / 命令

# 待确认:generative 模块名、字段选择与上下文参数,以官方 generative 文档为准

常见误区

  • 误区:generative 能把没召回的内容补出来。正解:超出上下文的内容模型无从生成,需先改善召回。
  • 误区:生成答案可直接采信。正解:需保留命中文档溯源,必要时做答案校验。

追问

  • 问:上下文太长怎么处理?答:选择高价值字段、按相关性截断片段,控制送入模型的长度。
  • 问:generative 与 rerank 顺序?答:先 rerank 定 top 文档,再 generative 取上下文。

05.6.4.3-036 _additional 元数据包含哪些常用字段?

频率 ★★★☆☆ | 难度 高级

一句话结论

返回结果的 _additional 元数据携带对象 id、距离、certainty、融合分数等检索信息,用于排序判断、结果调试与业务侧二次过滤。

概念解释

  • 标识:对象 UUID 等定位信息。
  • 相似度:distance、certainty、hybrid 融合 score 等。
  • 用途:排查排序、阈值过滤、结果溯源与调试候选质量。

原理流程

检索执行 → 计算距离/分数 → 写入 _additional → 随属性字段返回
业务侧读取元数据做阈值判断与日志记录

代码 / 命令

# 待确认:当前版本 _additional 可用字段清单,以官方 GraphQL 元数据文档为准

常见误区

  • 误区:元数据字段可当普通属性过滤。正解:_additional 是返回期计算值,不等同于可过滤标量字段。
  • 误区:不同查询的 score 可直接跨集合比较。正解:分数分布绑定集合与查询类型。

追问

  • 问:distance 与 certainty 同时返回吗?答:按请求阈值配置返回对应项,二者本身互斥使用。
  • 问:怎么用元数据排查召回?答:查看候选距离/分数分布,判断阈值是否过严或模型匹配偏差。

05.6.4.3-037 查询慢如何定位是向量、过滤还是归并瓶颈?

频率 ★★★★☆ | 难度 高级

一句话结论

先拆分请求各阶段耗时(检索、过滤、重排、归并),再对照候选规模、字段索引与资源指标,逐层判断是向量遍历慢、过滤扫描放大还是归并/重排成本高。

概念解释

  • 向量路:图遍历候选数、ef 设置、量化距离精度。
  • 过滤路:命中比例、字段索引、候选集放大。
  • 归并重排:hybrid 合并、rerank 候选数、结果归并开销。

原理流程

记录慢请求 → 拆分各阶段耗时 → 对照候选数/索引/资源指标 → 定位瓶颈段 → 针对性优化 → 回归压测

代码 / 命令

# 排查顺序:资源是否饱和 → 过滤是否放大 → 向量参数是否过大 → 重排候选是否过多

常见误区

  • 误区:慢查询一律调大 ef。正解:根因可能在过滤或归并,调大 ef 反而增加遍历成本。
  • 误区:只看平均延迟。正解:P99 与超时率才反映线上体验。

追问

  • 问:过滤条件多列怎么优化?答:优先高选择性字段,确认字段索引,组合条件用 all_of/any_of 组织。
  • 问:批量查询会更快吗?答:可减少往返开销,但总计算量不变,重排与归并成本仍在。

05.6.4.3-038 高 limit 与深分页对 P99 有什么影响?

频率 ★★★☆☆ | 难度 高级

一句话结论

大 limit 放大动态候选列表与归并规模,深 offset 重复跳过大量候选,二者都会推高查询 P99 与临时内存,在线链路应限制返回规模与翻页深度。

概念解释

  • limit 放大:动态 ef 随 limit 推导,候选列表变大。
  • 深分页重复:每页重新检索并跳过前序结果。
  • 资源表现:遍历、排序、临时缓冲上升,超时比例增加。

原理流程

大 limit → 候选列表膨胀 → 遍历/归并成本上升
深 offset → 重复扫描跳过 → P99 与内存上升

代码 / 命令

# 监控:不同 limit/offset 下的 P99、候选数、超时比例

常见误区

  • 误区:limit 只是返回条数,不影响检索成本。正解:它放大候选与动态 ef。
  • 误区:导出场景可沿用在线分页参数。正解:导出应走批量续批方案,不套在线深分页。

追问

  • 问:在线接口 limit 怎么定?答:按展示需要设上限,重排候选与最终返回数分开控制。
  • 问:深翻页用户场景怎么支持?答:游标/排序键续页,避免 offset 线性加深。

05.6.4.3-039 混合检索结果为空或召回漂移,按什么顺序排查?

频率 ★★★☆☆ | 难度 高级

一句话结论

先确认数据已索引可见,再分路检查:向量路模型/维度/阈值,BM25 路字段类型/分词,混合路 alpha 与融合策略;最后核对过滤条件是否误排除近邻。

概念解释

  • 可见性:索引滞后、一致性级别导致新对象暂不可查。
  • 分路排查:分别跑纯向量与纯 BM25,定位哪一路漏召回。
  • 过滤复核:where 条件是否过严或字段取值不匹配。

原理流程

确认对象可检索 → 分别验证 nearVector/nearText 与 BM25 → 检查 alpha/fusionType
核对 where 条件与阈值 → 定位漏召回路 → 修正后回归

代码 / 命令

# 对照记录:查询词、两路命中、过滤命中、返回距离/分数、阈值设置

常见误区

  • 误区:混合召回差就换融合策略。正解:先定位是哪一路漏召回,融合只影响合并排序。
  • 误区:空结果是融合算法问题。正解:常见原因是索引滞后、过滤过严或字段类型错误。

追问

  • 问:同一查询时好时坏怎么看?答:检查索引滞后窗口、副本一致性与数据是否刚写入。
  • 问:术语查不到但语义能查到?答:降低 alpha 偏向 BM25,检查术语字段是否为 text。

05.6.4.3-040 为什么融合分数不能跨集合直接比较?

频率 ★★★☆☆ | 难度 高级

一句话结论

融合分数由本集合向量距离分布、BM25 词项统计与归一化范围决定,不同集合的数据分布与度量不同,分数绝对值不可跨集合横向比较。

概念解释

  • 分布依赖:归一化以本集合候选分数为边界。
  • 度量差异:不同集合模型、距离度量、字段构成不同。
  • 正确用法:分数用于本集合内排序,跨集合需归一化或业务侧再映射。

原理流程

集合 A 分数分布 ≠ 集合 B 分数分布
跨集合展示 → 业务侧按各自排名/归一化处理,不直接比原始 score

代码 / 命令

# 多集合检索:分别排序后按业务策略合并,避免原始分数直接相加

常见误区

  • 误区:score 越高相关越强,可跨库排序。正解:只在本集合候选内有比较意义。
  • 误区:relativeScoreFusion 归一化后就全局可比。正解:归一化边界仍是本集合候选。

追问

  • 问:多来源结果怎么统一排序?答:用排名位置或各自归一化分数,按业务权重合并。
  • 问:阈值过滤能跨集合复用吗?答:不能,需在各集合数据分布上分别标定阈值。

05.6.4.3-041 过滤与混合检索的交互顺序是怎样的?

频率 ★★★☆☆ | 难度 高级

一句话结论

过滤条件先在标量/倒排侧圈定候选,再由向量路与 BM25 路在候选范围内检索,hybrid 在过滤后的候选集上合并;过滤选择性差时候选集仍很大。

概念解释

  • 前置过滤:where 条件缩小对象范围,两路检索在范围内执行。
  • 结合策略:过滤与图遍历的结合方式受 filterStrategy 配置影响。
  • 放大风险:低选择性条件命中大量对象,两路检索成本随之上升。

原理流程

where 过滤 → 候选集 → 向量路 + BM25 路在候选内检索 → hybrid 融合排序
选择率低 → 候选集大 → 延迟上升

代码 / 命令

# 排查:过滤命中比例、候选对象数、两路返回、融合后排序

常见误区

  • 误区:hybrid 先融合再过滤。正解:过滤先圈定范围,两路检索在范围内进行。
  • 误区:带过滤条件就一定快。正解:选择率低时过滤几乎不缩小候选。

追问

  • 问:过滤与排序哪个先执行?答:先过滤缩小候选,再在候选内相关性排序。
  • 问:跨引用字段过滤受什么限制?答:嵌套路径与引用深度限制以官方过滤文档为准。

05.6.4.3-042 certainty 的归一化在什么边界内适用?

频率 ★★☆☆☆ | 难度 高级

一句话结论

certainty 是距离的归一化相似度,其计算方式与可用范围依赖所选距离度量;不支持归一化的度量下应使用 distance 阈值,具体适用清单需核对官方文档。

概念解释

  • 归一化前提:距离度量可映射到 0 到 1 区间。
  • 互斥:certainty 与 distance 不能同时传入。
  • 版本边界:支持的度量与归一化细节随版本变化。

原理流程

选度量 → 判断是否支持 certainty 归一化 → 支持则用 certainty 阈值;否则用 distance
阈值在标注集上标定

代码 / 命令

# 待确认:certainty 支持的距离度量清单与归一化公式,以官方搜索参数文档为准

常见误区

  • 误区:所有距离度量都能给 certainty。正解:归一化适用范围受度量约束。
  • 误区:certainty 阈值可跨度量复用。正解:不同度量归一化含义不同,需分别标定。

追问

  • 问:不确定度量支持 certainty 怎么办?答:改用原始 distance 阈值,避免误用归一化值。
  • 问:certainty 1 代表什么?答:与查询向量完全相同,0 为完全相反,具体定义以文档为准。

05.6.4.3-043 CAP 视角下 Weaviate 的复制偏向哪一侧?

频率 ★★★☆☆ | 难度 高级

一句话结论

Weaviate 数据复制采用无主设计,整体偏向可用性与分区容错:副本可独立响应,一致性通过可调级别与读/后台修复收敛,而非强制同步所有副本才返回。

概念解释

  • 无主复制:不设主从,任一持副本节点可响应读取。
  • 可用性优先:低一致性级别下等待少量副本即返回。
  • 一致性收敛:通过 QUORUM/ALL 级别与修复机制补齐差异。

原理流程

写入分发全部副本 → 按级别等待确认 → 副本短暂差异由修复追平
读取按级别取副本 → 对比发现差异触发修复

代码 / 命令

# 待确认:当前版本复制架构与一致性保证细节,以官方复制架构文档为准

常见误区

  • 误区:Weaviate 是强同步主从复制。正解:无主设计,一致性是可调并逐步收敛的。
  • 误区:偏向可用性就放弃一致性。正解:强级别与修复机制提供一致性选项,是取舍而非缺失。

追问

  • 问:网络分区时会怎样?答:不足多数派时相关读写可能失败或按弱级别响应,具体行为按级别与副本分布判断。
  • 问:元数据一致性与数据复制是一套机制吗?答:元数据走集群共识,数据走无主复制,机制不同。

05.6.4.3-044 副本节点故障时一致性级别如何影响失败行为?

频率 ★★★☆☆ | 难度 高级

一句话结论

副本故障时,ONE 最易在剩余副本上满足,QUORUM 需多数派存活,ALL 只要有一个副本未响应即失败;级别越强,对副本存活数量要求越高。

概念解释

  • ONE:单副本存活即可响应,容错最强。
  • QUORUM:需 n/2+1 副本存活,低于多数派则请求失败。
  • ALL:要求全部副本可用,任一故障即失败。

原理流程

副本故障 → 统计存活副本数 → 按级别判断是否凑齐确认门槛
不足门槛 → 请求超时/失败;满足 → 正常返回

代码 / 命令

# 规划:副本数 × 级别 → 可容忍故障副本数;结合 SLA 选级别

常见误区

  • 误区:ALL 级别下个别副本故障不影响读取。正解:ALL 等待全部 ACK,一个未响应即失败。
  • 误区:故障副本会自动从集群移除。正解:副本落后/离线状态需修复或再均衡处理。

追问

  • 问:故障期间写入怎么办?答:按级别等待,不足门槛返回失败,业务侧幂等重试。
  • 问:怎么提前评估容错?答:按副本数与级别算出可容忍故障数,再定副本冗余。

05.6.4.3-045 大租户查询隔离与租户级缓存如何规划?

频率 ★★★☆☆ | 难度 高级

一句话结论

大租户查询应与小租户在分片/集合层面隔离,租户级缓存按租户分别统计命中与占用,避免大租户热点挤占共享内存与查询资源。

概念解释

  • 隔离手段:大租户独立集合/分片,查询路由不与小租户混在同一资源池。
  • 缓存维度:按租户监控缓存占用与命中率,识别热点租户。
  • 配额:按租户限制并发与资源占用,防止单租户拖慢共享实例。

原理流程

按租户规模分层 → 大租户隔离建模 → 租户级指标/缓存监控 → 热点租户限流或扩容

代码 / 命令

# 指标:按租户的对象数、查询 QPS、P99、缓存占用
# 待确认:租户级配额与缓存隔离能力,以官方多租户文档为准

常见误区

  • 误区:多租户天然资源隔离。正解:共享节点资源,大租户热点仍波及邻居。
  • 误区:缓存全局统计就够。正解:全局指标掩盖单租户热点,需租户维度拆分。

追问

  • 问:大租户什么时候移出共享集合?答:内存/查询占比显著偏高或 SLA 不同步时。
  • 问:租户级限流怎么做?答:按历史峰值与突发额度设配额,超限拒绝或排队。

05.6.4.3-046 rerank 与 hybrid 召回数量如何配合?

频率 ★★★★☆ | 难度 高级

一句话结论

hybrid 先召回较大候选集供 rerank 精排,rerank 输出 top-k 给最终返回;候选数在“覆盖足够近邻”与“重排延迟/成本”之间实测确定,两层规模分开控制。

概念解释

  • 召回层:保证近邻进入候选,宁可多召回。
  • 重排层:对候选逐条精排,选出顶部结果。
  • 参数解耦:召回候选数与最终返回 limit 不是同一个参数。

原理流程

hybrid 召回 top-N → rerank 精排 top-N → 取 top-k 返回
N 由延迟预算与召回目标实测;k 由业务展示需要定

代码 / 命令

# 记录:召回候选 N、重打分模型、最终 k、recall@k、P99

常见误区

  • 误区:rerank 候选等于最终返回条数。正解:候选是重排输入,返回条数是重排输出,二者独立。
  • 误区:候选越大重排结果越好。正解:超出有效近邻范围的候选只增加成本,不提升顶部质量。

追问

  • 问:重排延迟过高怎么降?答:缩小候选 N、缓存重复查询结果、换更轻量模型或分批处理。
  • 问:召回漏了近邻重排能救吗?答:不能,候选外对象无法进入重排。

05.6.4.3-047 生成式查询的上下文截断与字段怎么选?

频率 ★★★☆☆ | 难度 高级

一句话结论

generative 上下文应选择与问题最相关的片段字段,按相关性与长度上限截断,避免无关字段挤占上下文;保留来源引用便于答案溯源与核对。

概念解释

  • 字段选择:标题、正文片段、来源标识等与回答相关的字段进入上下文。
  • 截断策略:按片段相关性与模型上下文长度限制取舍。
  • 溯源:返回命中文档标识,便于校验答案依据。

原理流程

重排 top 文档 → 选高价值字段 → 按长度截断拼装上下文 → 调用生成模型 → 答案 + 溯源引用

代码 / 命令

# 待确认:generative 字段选择与上下文参数,以官方 generative 文档为准

常见误区

  • 误区:把所有字段都塞进上下文。正解:无关字段稀释关键信息,挤占长度预算。
  • 误区:生成答案不需要保留来源。正解:无溯源答案难以核对与纠错。

追问

  • 问:上下文超长怎么分级处理?答:先裁剪低相关字段,再按片段长度截断,必要时拆分多次检索。
  • 问:字段顺序影响生成吗?答:上下文排列会影响模型利用,关键片段优先放置。

05.6.4.3-048 设计一套 RAG 检索链路:BM25 + 向量 + 过滤 + rerank + 生成,怎么组织?

频率 ★★★★★ | 难度 高级

一句话结论

链路按“强制过滤条件 → hybrid 召回(alpha 按查询类型调)→ 候选送 rerank 精排 → top 文档拼装上下文 → generative 生成并附溯源”组织,每一层明确输入输出与降级路径。

概念解释

  • 过滤层:租户、时间、权限等条件先圈定候选,强制注入。
  • 召回层:hybrid 同时覆盖语义与关键词,alpha 与 fusionType 按实测定。
  • 精排生成层:rerank 选 top 文档,generative 取上下文生成答案并保留引用。

原理流程

请求带租户/权限条件 → hybrid 召回候选 → 过滤后范围内检索
→ rerank 精排 → top 文档选字段截断 → generative 生成答案 + 溯源
降级:rerank/生成失败回退原始检索结果

代码 / 命令

# 设计记录:过滤字段、alpha 与融合策略、召回候选 N、rerank 模型、最终 k、上下文字段、监控指标
# 所有默认值与字段名以当前版本官方文档为准,关键参数用标注集压测标定

常见误区

  • 误区:链路越长质量越高。正解:每层都有延迟与失败点,需按 SLA 取舍并配降级。
  • 误区:先生成再检索。正解:必须先检索召回上下文,生成层不能弥补漏召回。

追问

  • 问:怎么验证链路质量?答:标注问答集对比召回、重排顶部命中与答案正确率,结合 P99 评估。
  • 问:链路各层超时怎么设?答:按总 SLA 拆分召回、重排、生成超时,配合熔断与重试退避。

参考来源