罗罗编程学习记录
本页内容 展开查看

05.6 向量数据库与语义检索

所属:全栈开发面试题库 / 05 数据库与存储 / 本域

覆盖范围

本域与 05.5.2.5 向量库索引算法与召回权衡 互补:05.5.2.5 讲通用 ANN 算法层(相似度度量、IVF、HNSW 原理、量化、recall@k),本域讲**具体产品**的架构、索引参数、查询过滤、一致性语义、运维、性能、框架集成与选型迁移。

  • 独立向量库:Milvus、Qdrant、Weaviate、Chroma、Pinecone
  • 关系型与扩展形态:pgvector、SQL Server 向量、MongoDB Atlas Vector Search、SQLite-vec
  • 搜索与缓存形态:Elasticsearch / OpenSearch dense_vector、Redis Stack RediSearch
  • 算法库与云托管:Faiss、Vespa、LanceDB、DashVector、VikingDB、云厂商向量数据库
  • 工程化:LangChain / LlamaIndex / Haystack / Spring AI / Dify / RAGFlow 集成,Spring Boot、FastAPI、Django、ASP.NET Core、Node、Go、PHP、Rust 接入
  • 选型与迁移:能力矩阵与成本模型、双写迁移与召回校验、压测基准与容量规划

知识地图

05.6 向量数据库与语义检索
05.6.1 Milvus
│   ├── 05.6.1.1 架构部署与集群运维
│   ├── 05.6.1.2 索引类型与参数调优
│   ├── 05.6.1.3 查询过滤、一致性与事务
│   ├── 05.6.1.4 SDK 与后端框架集成
│   └── 05.6.1.5 性能诊断与生产场景
05.6.2 pgvector
│   ├── 05.6.2.1 扩展安装与向量类型基础
│   ├── 05.6.2.2 HNSW 与 IVFFlat 参数调优
│   ├── 05.6.2.3 查询过滤、事务与并发控制
│   └── 05.6.2.4 ORM 与后端框架集成及运维
05.6.3 Qdrant
│   ├── 05.6.3.1 架构部署与集群运维
│   ├── 05.6.3.2 集合配置、索引与量化参数
│   ├── 05.6.3.3 过滤查询、一致性与多租户
│   └── 05.6.3.4 客户端集成与性能诊断
05.6.4 Weaviate
│   ├── 05.6.4.1 架构、Schema 与模块化部署
│   ├── 05.6.4.2 索引、HNSW 与量化参数
│   ├── 05.6.4.3 混合检索、GraphQL 与一致性
│   └── 05.6.4.4 客户端与框架集成及运维
05.6.5 Chroma
│   ├── 05.6.5.1 架构部署与集合管理
│   └── 05.6.5.2 索引过滤与集成实战
05.6.6 Faiss
│   ├── 05.6.6.1 索引类型与工厂字符串
│   ├── 05.6.6.2 量化、GPU 与内存优化
│   └── 05.6.6.3 持久化、分片与工程集成
05.6.7 Pinecone
│   ├── 05.6.7.1 架构、Serverless 与项目组织
│   ├── 05.6.7.2 索引类型与元数据过滤
│   ├── 05.6.7.3 SDK 集成与配额成本
│   └── 05.6.7.4 多租户、混合检索与迁移实践
05.6.8 Elasticsearch 与 OpenSearch 向量检索
│   ├── 05.6.8.1 dense_vector 与 kNN 查询
│   ├── 05.6.8.2 混合检索、RRF 与过滤
│   └── 05.6.8.3 集群运维调优与版本差异
05.6.9 Redis Stack 向量检索
│   ├── 05.6.9.1 RediSearch 向量索引与命令
│   └── 05.6.9.2 混合过滤、集群与集成实战
05.6.10 其他向量库
│   ├── 05.6.10.1 Vespa 与 LanceDB
│   ├── 05.6.10.2 DashVector、VikingDB 与云厂商向量库
│   ├── 05.6.10.3 MongoDB Atlas Vector Search
│   ├── 05.6.10.4 SQLite-vec 与 SQL Server 向量
│   └── 05.6.10.5 新兴向量库与嵌入式方案
05.6.11 向量检索工程化与生态集成
│   ├── 05.6.11.1 LangChain 集成
│   ├── 05.6.11.2 LlamaIndex 与 Haystack 集成
│   ├── 05.6.11.3 Spring AI 与 Java 生态集成
│   ├── 05.6.11.4 Python 后端 FastAPI 与 Django 集成
│   ├── 05.6.11.5 .NET EF Core 与 Node 集成
│   ├── 05.6.11.6 Go、PHP、Rust 集成
│   └── 05.6.11.7 Dify、RAGFlow 与 RAG 全链路
05.6.12 跨库选型、迁移与压测
│   ├── 05.6.12.1 选型方法论与成本对比
│   ├── 05.6.12.2 迁移双写与数据校验
│   └── 05.6.12.3 压测基准与容量规划

子主题

编号 章节 产品定位 题数
05.6.1 Milvus 企业级分布式向量数据库,2.x 组件解耦、存储计算分离,当前招聘最常问的独立向量库 240
05.6.2 pgvector PostgreSQL 原生向量扩展,事务与 SQL 体系内做向量检索,Java / Python / .NET 后端最常用 192
05.6.3 Qdrant Rust 实现的向量引擎,payload 过滤、多租户与量化能力强,自托管与云托管皆可 192
05.6.4 Weaviate 带 Schema 与模块化向量化能力的向量库,原生 BM25 + 向量混合检索与 GraphQL 192
05.6.5 Chroma 面向原型与中小规模 RAG 的轻量向量库,嵌入式和客户端服务端两种形态 96
05.6.6 Faiss Meta 开源的向量检索库,不是服务,是多数向量库的算法底座,工程题多考索引工厂与量化 144
05.6.7 Pinecone 托管型 Serverless 向量数据库,考资源模型、元数据过滤、配额成本与迁移 192
05.6.8 Elasticsearch 与 OpenSearch 向量检索 搜索引擎叠加 dense_vector 与 kNN,关键词 + 语义一体化场景的主流选择 144
05.6.9 Redis Stack 向量检索 RediSearch 模块提供向量字段与 KNN 查询,复用既有 Redis 体系、低延迟小规模场景 96
05.6.10 其他向量库 Vespa、LanceDB、云厂商托管库、MongoDB Atlas、SQLite-vec、SQL Server 向量等补充方案 240
05.6.11 向量检索工程化与生态集成 LangChain、LlamaIndex、Haystack、Spring AI、Dify、RAGFlow 与各语言后端框架的接入、调优与踩坑 336
05.6.12 跨库选型、迁移与压测 选型方法论、成本模型、迁移双写与召回校验、压测基准与容量规划 144

合计 2208 题。 每个产品按「架构与部署运维 → 索引与参数调优 → 查询过滤与一致性 → SDK 与框架集成 → 性能诊断与场景」五个维度组织;每题按「一句话结论 → 概念解释 → 原理流程 → 代码/命令 → 常见误区 → 追问(带答案)」六段式展开。

面试题索引

编号 题号覆盖 章节 页数 / 题数
05.6.1 05.6.1.1-001 ~ 05.6.1.5-048 Milvus 5 页 / 240 题
05.6.2 05.6.2.1-001 ~ 05.6.2.4-048 pgvector 4 页 / 192 题
05.6.3 05.6.3.1-001 ~ 05.6.3.4-048 Qdrant 4 页 / 192 题
05.6.4 05.6.4.1-001 ~ 05.6.4.4-048 Weaviate 4 页 / 192 题
05.6.5 05.6.5.1-001 ~ 05.6.5.2-048 Chroma 2 页 / 96 题
05.6.6 05.6.6.1-001 ~ 05.6.6.3-048 Faiss 3 页 / 144 题
05.6.7 05.6.7.1-001 ~ 05.6.7.4-048 Pinecone 4 页 / 192 题
05.6.8 05.6.8.1-001 ~ 05.6.8.3-048 Elasticsearch 与 OpenSearch 向量检索 3 页 / 144 题
05.6.9 05.6.9.1-001 ~ 05.6.9.2-048 Redis Stack 向量检索 2 页 / 96 题
05.6.10 05.6.10.1-001 ~ 05.6.10.5-048 其他向量库 5 页 / 240 题
05.6.11 05.6.11.1-001 ~ 05.6.11.7-048 向量检索工程化与生态集成 7 页 / 336 题
05.6.12 05.6.12.1-001 ~ 05.6.12.3-048 跨库选型、迁移与压测 3 页 / 144 题

每章的「面试题索引」逐页列出题号范围与主要考点,高频题在各章页内标注频率星级。

学习路径

1. 05.5.2.5:先补齐通用 ANN 算法与召回评估的基础概念
2. 05.6.2 / 05.6.1:关系型扩展与独立分布式库两条主线,先吃透 pgvector 与 Milvus
3. 05.6.3 / 05.6.4 / 05.6.5 / 05.6.7:其余主流库的过滤、量化、混合检索与托管形态
4. 05.6.6 / 05.6.8 / 05.6.9 / 05.6.10:算法库、搜索引擎与缓存形态、其他方案补齐能力边界
5. 05.6.11:框架与生态集成,把向量库接进真实后端工程
6. 05.6.12:选型、迁移与压测,形成可辩护的决策表达

待整理清单

  • [ ] 补齐各产品官方文档链接与版本说明,参数默认值逐条核对
  • [ ] 补充真实场景的压测数据与线上指标,注明采集条件
  • [ ] 与 05.5.2.5、10 分册 RAG 相关页面建立交叉引用
  • [ ] 收集近期面试真问题,按频率重排高频题速览