线上更换嵌入模型前应该怎么做 A/B 或离线对比验证？
围绕“线上更换嵌入模型前应该怎么做 A/B 或离线对比验证”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确全量重嵌入后离线召回对比加小流量灰度、分数分布不可直接跨模型比较。
核心关键词更换嵌入模型 A/B测试 离线评估
面试知识索引 · 分类、标签与搜索
AI 开发面试题，262 道完整答案
AI 开发面试题第 1 页，显示第 1–50 题，共找到 262 道完整解析，可继续按分类、标签与关键词缩小范围。
262筛选结果
52技术分类
178检索标签
6索引分页
快速定位
清除全部筛选分类、标签与关键词搜索
第 1 页
本页面试问题
按稳定语义路径排序
- 0001
- 0002
近似最近邻搜索相比暴力精确搜索牺牲了什么、换来了什么？
围绕“近似最近邻搜索相比暴力精确搜索牺牲了什么、换来了什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确以可控召回率损失换取数量级的延迟与内存改善。
核心关键词近似最近邻 精确搜索 权衡 ANN - 0003
为什么有的嵌入模型要求查询和文档加不同的前缀（如 query:/passage:），不加会怎样？
围绕“为什么有的嵌入模型要求查询和文档加不同的前缀（如 query:/passage:），不加会怎样”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确非对称训练使模型靠前缀区分检索方向、缺前缀显著降低召回。
核心关键词查询前缀 文档前缀 E5 非对称检索 - 0004
嵌入向量做二值量化（binary quantization）后能省多少存储，代价是什么？
围绕“嵌入向量做二值量化（binary quantization）后能省多少存储，代价是什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确 32 倍压缩与重排序（rescore）配合才能保住召回。
核心关键词二值量化 嵌入 存储 精度损失 - 0005
文档切块大小如何影响嵌入检索质量，过大过小各有什么问题？
围绕“文档切块大小如何影响嵌入检索质量，过大过小各有什么问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确过小块丢上下文、过大块稀释语义且受模型输入长度限制。
核心关键词文档切块 chunk 大小 检索质量 - 0006
中英混排或夹带代码标识符的文本做嵌入时有什么特殊注意事项？
围绕“中英混排或夹带代码标识符的文本做嵌入时有什么特殊注意事项”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确子词切分对罕见标识符碎片化影响语义、必要时保留原始标识符或选代码友好模型。
核心关键词中英混合 代码标识符 嵌入 分词 - 0007
向量检索中余弦相似度和点积在什么条件下等价，什么时候结果会不同？
围绕“向量检索中余弦相似度和点积在什么条件下等价，什么时候结果会不同”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确两者在向量归一化后等价的数学条件及未归一化时排序差异。
核心关键词余弦相似度 点积 向量检索 区别 - 0008
中文查询召回不到英文文档，是多语言嵌入模型的问题还是检索配置的问题？
围绕“中文查询召回不到英文文档，是多语言嵌入模型的问题还是检索配置的问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确先确认模型是否声明跨语言对齐能力、再检查分数分布与阈值。
核心关键词跨语言检索 召回失败 多语言嵌入 排查 - 0009
高维空间中最近邻为什么会失去区分度，这对向量检索意味着什么？
围绕“高维空间中最近邻为什么会失去区分度，这对向量检索意味着什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确高维下距离趋于集中使精确近邻成本上升、近似索引成为必需。
核心关键词维度灾难 最近邻 区分度 高维 - 0010
嵌入维度越高检索质量一定越好吗？
本题解析嵌入维度与检索质量的关系，指出收益递减、维度灾难、存储延迟成本增加，并给出维度选择的工程判断方法。
核心关键词嵌入维度 检索质量 维度选择 - 0011
向量库报维度不匹配错误通常有哪些原因，如何排查？
围绕“向量库报维度不匹配错误通常有哪些原因，如何排查”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确模型版本混用、集合创建维度与当前模型不一致、截断配置不一致三类来源。
核心关键词向量维度不匹配 报错 排查 - 0012
源文档删除后向量库里的残留向量不清理会有什么后果，怎么处理？
围绕“源文档删除后向量库里的残留向量不清理会有什么后果，怎么处理”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确残留向量仍可能被检索返回造成引用失效内容、需按文档 ID 级联删除。
核心关键词向量删除 残留 清理 文档同步 - 0013
知识库里大量重复或近重复文档为什么会让 top-k 检索结果多样性崩塌，怎么缓解？
围绕“知识库里大量重复或近重复文档为什么会让 top-k 检索结果多样性崩塌，怎么缓解”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确近重复 chunk 临时标记挤掉多样结果、需入库前去重或检索后 MMR 重排。
核心关键词重复文档 top-k 多样性 去重 MMR - 0014
为什么公开嵌入模型榜单分数高不代表在你的数据上检索效果好？
围绕“为什么公开嵌入模型榜单分数高不代表在你的数据上检索效果好”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确领域分布漂移与任务类型（检索 vs 分类）差异，须用自有数据做召回评估。
核心关键词嵌入模型 榜单 领域迁移 评估 - 0015
嵌入向量检索时什么场景应该选欧氏距离而不是余弦相似度？
本题解释欧氏距离相对余弦相似度的适用场景：当向量模长包含语义信息（如未归一化模型输出）时欧氏距离更合适，并给出具体工程判断方法与失败边界。
核心关键词欧氏距离 余弦相似度 选择 嵌入检索 - 0016
没有现成标注时，如何构建检索质量评估用的黄金问答数据集？
围绕“没有现成标注时，如何构建检索质量评估用的黄金问答数据集”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确从真实日志抽样人工标注或合成问题并人工校验相关性标签。
核心关键词检索评估 黄金数据集 构建 标注 - 0017
向量检索加元数据过滤后召回率下降，可能是什么原因？
围绕“向量检索加元数据过滤后召回率下降，可能是什么原因”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确过滤缩小候选池使 ANN 在过滤后剩余点不足、需过滤感知遍历或先过滤后检索策略。
核心关键词元数据过滤 向量检索 召回下降 - 0018
线上延迟升高时调小 HNSW 的 efSearch 会发生什么，怎么验证影响？
围绕“线上延迟升高时调小 HNSW 的 efSearch 会发生什么，怎么验证影响”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确 efSearch 下降降低召回换取延迟、需用召回率基准验证。
核心关键词efSearch 召回率 延迟 调参 - 0019
如何估算 HNSW 索引的内存占用，为什么它比原始向量本身大？
围绕“如何估算 HNSW 索引的内存占用，为什么它比原始向量本身大”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确图邻接表每层连接带来的额外开销与 M 的关系。
核心关键词HNSW 内存占用 估算 图结构 - 0020
HNSW 索引的 M、efConstruction、efSearch 三个参数分别控制什么？
围绕“HNSW 索引的 M、efConstruction、efSearch 三个参数分别控制什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确图连接度、建索引质量、查询时搜索宽度三者的独立作用与内存/延迟权衡。
核心关键词HNSW 参数 M efConstruction efSearch - 0021
不允许停机的场景下如何平滑切换到重建后的向量索引？
围绕“不允许停机的场景下如何平滑切换到重建后的向量索引”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确新建影子索引双写或蓝绿切换、验证后切流量。
核心关键词索引热切换 蓝绿部署 向量库 - 0022
稀疏检索（BM25）和稠密向量检索混合时，两路结果怎么融合排序？
围绕“稀疏检索（BM25）和稠密向量检索混合时，两路结果怎么融合排序”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确分数尺度不可比需 RRF 等基于排名的融合或归一化加权。
核心关键词混合检索 BM25 稠密向量 RRF 融合 - 0023
文档内容更新后只重嵌入变化的 chunk，怎么保证索引与原文一致？
围绕“文档内容更新后只重嵌入变化的 chunk，怎么保证索引与原文一致”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确需要 chunk 级版本或哈希追踪增删改、避免孤儿向量。
核心关键词增量更新 嵌入 索引一致性 chunk - 0024
向量索引应该全量离线重建还是支持在线增量插入，怎么决策？
围绕“向量索引应该全量离线重建还是支持在线增量插入，怎么决策”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确数据变更频率与索引类型（IVF 需重训聚类、HNSW 可增量）决定策略。
核心关键词向量索引 离线重建 在线插入 决策 - 0025
十万级和亿级向量分别该选暴力、IVF 还是 HNSW，判断依据是什么？
围绕“十万级和亿级向量分别该选暴力、IVF 还是 HNSW，判断依据是什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确按数据量、更新频率、延迟与内存预算选型。
核心关键词向量索引选型 数据规模 HNSW IVF 暴力 - 0026
IVF 索引的 nlist 和 nprobe 怎么选，调大 nprobe 为什么能提升召回？
围绕“IVF 索引的 nlist 和 nprobe 怎么选，调大 nprobe 为什么能提升召回”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确聚类数控制分桶粒度、nprobe 控制查询探查桶数从而线性影响召回与延迟。
核心关键词IVF nlist nprobe 召回 调参 - 0027
为什么嵌入向量入库前常做 L2 归一化，不做会有什么后果？
围绕“为什么嵌入向量入库前常做 L2 归一化，不做会有什么后果”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确归一化使点积等价于余弦、消除模长对排序的干扰。
核心关键词L2 归一化 嵌入向量 目的 - 0028
超过嵌入模型最大输入长度的文档直接截断嵌入会丢什么，怎么处理？
围绕“超过嵌入模型最大输入长度的文档直接截断嵌入会丢什么，怎么处理”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确截断丢弃尾部语义造成偏置、应切块或选长上下文模型。
核心关键词嵌入模型 输入长度 截断 长文档 - 0029
ColBERT 式逐 token 向量的 MaxSim 与单向量余弦相似度有什么本质区别？
本题考察单向量与多向量检索的本质区别。MaxSim 通过逐 token 最大相似度求和保留词级匹配，代价是存储和计算放大。文中用具体工程场景说明收益，并讨论失效边界如长文本噪声与索引压缩。
核心关键词MaxSim 多向量检索 ColBERT 晚交互 - 0030
升级嵌入模型后为什么必须重建全部向量，能否新旧向量混用？
围绕“升级嵌入模型后为什么必须重建全部向量，能否新旧向量混用”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确不同模型向量空间不可比、混用导致相似度无意义。
核心关键词升级嵌入模型 重建向量 混用 - 0031
Matryoshka 嵌入为什么可以直接截断维度使用，截断后要注意什么？
围绕“Matryoshka 嵌入为什么可以直接截断维度使用，截断后要注意什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确其训练时嵌套结构使前缀维度自含信息、截断后需重新归一化。
核心关键词Matryoshka 嵌入 维度截断 MRL - 0032
MRR 和 nDCG 分别适合评估什么样的检索场景？
围绕“MRR 和 nDCG 分别适合评估什么样的检索场景”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确 MRR 只看首个相关结果位置适合单答案场景、nDCG 考虑多级相关性 graded relevance。
核心关键词MRR nDCG 检索评估 区别 - 0033
多语言知识库应该用一个多语言嵌入模型混存，还是按语言分开建库？
围绕“多语言知识库应该用一个多语言嵌入模型混存，还是按语言分开建库”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确多语言模型支持跨语言检索但同语言内精度可能不如单语模型、按业务是否需要跨语言命中决策。
核心关键词多语言嵌入 跨语言检索 分库 - 0034
对已经归一化的嵌入向量重复做 L2 归一化会有数值问题吗？
围绕“对已经归一化的嵌入向量重复做 L2 归一化会有数值问题吗”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确幂等性与浮点误差下的实际影响。
核心关键词重复归一化 嵌入向量 数值稳定性 - 0035
只归一化查询向量而不归一化文档向量，余弦检索结果会错吗？
单边归一化查询向量后，点积近似余弦的实际偏差来源是文档向量长度未消除，排序可能反转；需要双侧归一化或用文档范数显式计算，并给出适用边界。
核心关键词查询向量 归一化 文档向量 余弦 - 0036
小块嵌入检索、大块返回给生成模型的父子切块策略解决了什么矛盾？
围绕“小块嵌入检索、大块返回给生成模型的父子切块策略解决了什么矛盾”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确检索精度需要小块而生成上下文需要大块的矛盾及其映射实现。
核心关键词父子切块 小块检索 大块生成 - 0037
用 PCA 给已生成的嵌入降维会损失多少检索质量，什么时候值得做？
围绕“用 PCA 给已生成的嵌入降维会损失多少检索质量，什么时候值得做”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确线性降维对最近邻结构的保真有限、适合存储瓶颈场景且需离线验证召回。
核心关键词PCA 嵌入降维 检索质量 损失 - 0038
向量检索中前置过滤和后置过滤各有什么坑，怎么选？
围绕“向量检索中前置过滤和后置过滤各有什么坑，怎么选”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确后置过滤可能 top-k 全被滤掉返回过少结果、前置过滤依赖过滤选择性。
核心关键词前置过滤 后置过滤 向量检索 选择 - 0039
乘积量化压缩向量后为什么必须用原始向量重打分？
围绕“乘积量化压缩向量后为什么必须用原始向量重打分”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确量化距离是近似值、候选集放大后用精确距离重排恢复精度。
核心关键词乘积量化 重打分 rescore 召回 - 0040
评估检索系统的 recall@k 怎么计算，分母应该是什么？
围绕“评估检索系统的 recall@k 怎么计算，分母应该是什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确 k 内命中的相关文档数占全部相关文档数的比例及多相关文档场景的分母口径。
核心关键词recall@k 召回率 检索评估 计算 - 0041
向量检索后再接一个重排序模型（reranker）解决了什么、引入了什么成本？
围绕“向量检索后再接一个重排序模型（reranker）解决了什么、引入了什么成本”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确 ANN 召回用粗粒度双向量、reranker 用交叉编码器精排提升相关性但增加延迟，需放大召回候选数。
核心关键词reranker 重排序 向量检索 两阶段 - 0042
为什么有些向量数据库返回的相似度分数不在 0 到 1 之间，如何解释？
本文解释向量库中相似度分数超0-1范围的原因，区分余弦、内积和L2距离的值域，通过归一化状态和度量定义说明负分及大于1的来源，给出工程判断准则。
核心关键词相似度分数 范围 余弦 距离 解释 - 0043
RAG 检索中如何为相似度分数设定过滤阈值而不误伤召回？
本题说明RAG检索相似度阈值不能靠拍脑袋设定，需根据分数分布分位数或验证集校准，同时与top-k截断配合，区分分数过滤与数量保证，并注意不同嵌入向量库的分数尺度，防止误伤召回。
核心关键词相似度阈值 过滤 RAG 检索 设置 - 0044
用大模型自动生成检索评估问题再自动判相关性，有哪些系统性偏差？
围绕“用大模型自动生成检索评估问题再自动判相关性，有哪些系统性偏差”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确生成问题偏向文档表层表述、LLM 裁判对自身风格偏好导致高估。
核心关键词合成评估数据 LLM 偏差 检索评估 - 0045
为什么表格和代码直接切块做嵌入检索效果差，有什么改进手段？
围绕“为什么表格和代码直接切块做嵌入检索效果差，有什么改进手段”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确结构信息在纯文本嵌入中丢失、需按结构单元切分或转为描述性文本。
核心关键词表格 代码 嵌入检索 切块 改进 - 0046
RAG 答案漏掉明显相关的文档，为什么首先要怀疑 top-k 和检索阶段而非生成模型？
围绕“RAG 答案漏掉明显相关的文档，为什么首先要怀疑 top-k 和检索阶段而非生成模型”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确检索未召回时生成无法补救、应先在检索层验证文档是否进入候选。
核心关键词top-k 召回遗漏 RAG 诊断 - 0047
跨语言检索场景下，先把查询翻译成文档语言再嵌入，和直接用多语言嵌入相比各有什么优劣？
围绕“跨语言检索场景下，先把查询翻译成文档语言再嵌入，和直接用多语言嵌入相比各有什么优劣”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确翻译引入错误传播但可利用强单语模型、多语言嵌入简单但对齐质量受模型限制。
核心关键词查询翻译 多语言嵌入 跨语言检索 对比 - 0048
新 UI 或新助手上线首周效果应先跑 A/A 或延长观察来区分新奇效应吗？
围绕“新 UI 或新助手上线首周效果应先跑 A/A 或延长观察来区分新奇效应吗”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答需要围绕必须用 A/A 校验埋点和分配系统，并用分层首访/回访时间曲线判断效应是否衰减。
核心关键词A/A测试 新奇效应 首因效应 在线实验 - 0049
LLM 功能灰度 A/B 实验的主指标和护栏指标应怎样在实验前冻结？
围绕“LLM 功能灰度 A/B 实验的主指标和护栏指标应怎样在实验前冻结”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须区分北极星效果、延迟成本安全等护栏，并预设停止规则，防止事后挑指标。
核心关键词A/B实验 主指标 护栏指标 LLM灰度 - 0050
标注预算有限时主动学习的不确定性采样应在什么时候停止？
围绕“标注预算有限时主动学习的不确定性采样应在什么时候停止”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答需要围绕必须用验证集边际收益、类别覆盖和剩余风险决定停止，而非固定轮数。
核心关键词主动学习 不确定性采样 标注预算 停止条件