向量检索面试题大全

先做项目，再刷题

• RAG 教程第 4 章：Embedding 选型与向量库索引
• RAG 教程第 3 章：文档分块与解析流水线
• 用 30 行代码跑通你的第一个最小 RAG
• RAG 面试题大全与知识体系

Embedding、向量数据库与 ANN 索引(49 题)

• 什么是 Embedding 向量嵌入？ — 给文字发语义坐标，让机器学会算“意思像不像”
• 向量数据库和普通数据库有什么区别? — 从精确匹配到相似检索,一文看懂 ANN 为什么快
• 混合检索怎么提升 RAG 召回? — Sparse(BM25) vs Dense(向量检索)原理与相似度度量差异
• RAG Retriever 工作机制详解
• Embedding 怎么实现语义召回?
• BM25 原理与 TF-IDF 改进点
• 混合检索为什么优于单一检索?
• BM25 vs 向量检索 vs 混合检索怎么选?
• 召回 vs 粗排怎么分工?
• 召回阶段怎么选方法?
• BM25公式参数含义与TF-IDF对比
• RAG 召回又快又准靠什么?
• RAG检索器与索引结构怎么选？
• 召回模型怎么搭建?
• 稀疏稠密与混合检索
• 混合检索为什么用 Sparse+Dense?
• 多路召回 vs 排序模型怎么分工?
• RAG 工作流怎么应对时效衰减?
• RAG 向量库怎么处理时间衰减?
• Embedding升级后向量对齐方案
• LLM怎么融入推荐系统？特征提取与召回
• LLM怎么融入推荐系统？序列建模与排序
• 向量数据库选型关键因素有哪些？
• RAG 向量检索怎么高效召回?
• BM25 公式与 TF-IDF 对比
• Embedding + 向量数据库怎么搭?
• BM25 参数 k1/b 调优
• 中文知识库检索选型
• 推荐不准的算法改进
• Embedding 模型结构选型
• Hard Search vs Soft Search 怎么选?
• BM25原理、应用场景及与TF-IDF区别
• Embedding 相似性检索原理与索引构建
• 检索失败时 RAG 怎么兜底?
• Embedding 向量维度选型
• 向量召回实现方式有哪些?
• 向量召回原理与实现?
• 向量检索加速：有哪些陷阱
• 向量检索 4 种范式怎么选?
• RAG检索质量差：Embedding与Rerank调优
• RAG 技术实现怎么落地?
• RAG文本分段策略与重叠机制
• ANN 索引怎么构建?
• RAG 知识库怎么存?
• RAG向量匹配原理与ANN算法取舍
• RAG 向量匹配怎么高效实现?
• RAG 知识库存储怎么选?
• Embedding 相似性检索怎么工作?
• 向量检索基本原理是什么?

文档解析、Chunking 与元数据(29 题)

• 长文档 Chunking 怎么选? — 医学法律领域 RAG 系统文本切分策略对比,5 种方法优缺点分析
• 文本块怎么转向量并建索引? — RAG 场景下嵌入模型选型与向量数据库索引机制(HNSW/IVF)详解
• Chunking 策略怎么选? — RAG 系统中 4 种分块方法原理对比,对检索与生成的影响
• RAG 向量索引构建流程详解
• RAG 数据处理与索引流程?
• Chunk 向量化与索引怎么选?
• Embedding+向量库怎么做语义匹配?
• RAG 文本分块与向量索引流程
• RAG ANN 索引优化
• Chunking 策略怎么平衡上下文与精度?
• RAG 长文档怎么切块?
• RAG 数据清洗与 Chunking 怎么选?
• Embedding 模型选型 vs 落地流程?
• RAG 知识库搭建流程?
• RAG知识库构建流程详解
• 医学论文与法律条文切块
• 医疗法律文档切块
• 专业领域文档怎么清洗?
• RAG 文档 Chunk 划分策略怎么选?
• RAG 分块策略选型
• RAG分块策略：粒度、重叠与写入
• RAG 分块参数调优
• 分块策略怎么影响检索?
• 常用分块方法有哪些?
• RAG 分块长度与重叠如何取舍?
• RAG向量化流程：预处理到归一化
• RAG向量化：分块与Embedding
• RAG 文档怎么存储和向量化?
• RAG文本向量化：分块与嵌入陷阱

常见问题

向量检索面试怎么准备最高效？

先把 Embedding、相似度、ANN 索引、Chunking 和召回评估这五件事串起来，再用一个 RAG 项目讲出调参和 badcase 过程。

Chunk 大小有没有标准答案？

没有。要按文档结构、问题粒度和评估集试出来。面试里能讲出实验方法，比报一个固定数字更靠谱。

向量数据库选型要讲哪些维度？

常见维度是索引类型、过滤能力、更新频率、吞吐延迟、运维成本、权限隔离和生态集成。不要只比较名字。