面试官问：向量数据库与语义搜索

📚 参考：向量数据库 | Embedding | RAG

1. 向量数据库和传统数据库的核心区别？

考察点：理解向量搜索 vs 关键词搜索，ANN 的概念。

详细信息

核心回答：

传统数据库按精确值查询：WHERE name = '张三'

向量数据库按语义相似度查询：找到与"便宜好用的手机"最相似的文档

传统搜索：用户输入"JavaScript 异步编程"
          ↓ 关键词匹配
          ✗ 搜不到 "JS async/await 详解"（关键词不匹配）

向量搜索：用户输入"JavaScript 异步编程"
          ↓ Embedding → 向量 → 语义相似度计算
          ✓ 返回 "JS async/await 详解"（语义相近）

核心差异：

维度	传统数据库	向量数据库
查询方式	精确匹配 WHERE	近似匹配 ANN
结果	精确结果	Top-K 最相似
索引	B-Tree/Hash	HNSW/IVF
典型场景	业务数据 CRUD	语义搜索/推荐/RAG

2. 向量数据库的相似度度量有什么？各自适用什么场景？

详细信息

方法	公式思想	值域	适用
余弦相似度	向量夹角	[-1, 1]	文本语义搜索（最常用）
欧氏距离	空间距离	[0, ∞]	图像/音频
点积	投影长度	取决于向量	Embedding 已归一化时用

// 余弦相似度：值越接近 1 越相似
function cosineSimilarity(a, b) {
  const dot = a.reduce((sum, ai, i) => sum + ai * b[i], 0)
  const normA = Math.sqrt(a.reduce((s, ai) => s + ai * ai, 0))
  const normB = Math.sqrt(b.reduce((s, bi) => s + bi * bi, 0))
  return dot / (normA * normB)
}

前端小规模搜索可直接用 JS 暴力计算，大规模需借助向量数据库的 ANN 索引。

3. 前端能用向量数据库吗？有哪些方案？

详细信息

方案对比：

方案	适用	特点
纯前端 WASM	小规模（< 10K 条）	Transformers.js + Voy/Arctic，离线可用
BFF + 向量库	中规模	后端 pgvector/Milvus，前端调 API
云服务	大规模	Pinecone/Weaviate Cloud，零运维

// 前端浏览器端向量搜索示例
import { pipeline } from '@xenova/transformers'
import { Voy } from 'voy-search'

// 1. 创建 Embedding 实例
const embedder = await pipeline('feature-extraction', 'Xenova/all-MiniLM-L6-v2')

// 2. 创建向量索引
const index = new Voy()

// 3. 插入文档
for (const doc of knowledgeBase) {
  const embedding = await embedder(doc.text, { pooling: 'mean' })
  index.add({ id: doc.id, title: doc.title, embedding: Array.from(embedding.data) })
}

// 4. 搜索
const queryEmbedding = await embedder(userQuery, { pooling: 'mean' })
const results = index.search(Array.from(queryEmbedding.data), 5)

4. pgvector 适合什么场景？和 Milvus/Pinecone 怎么选？

详细信息

方案	类型	优势	劣势	适用
pgvector	PostgreSQL 插件	无需额外运维、强事务	百万级以上性能下降	已有 PG 的中小型项目
Milvus	专用向量库	分布式、十亿级	运维复杂度高	大规模专用搜索
Pinecone	云服务	零运维、弹性伸缩	成本较高、厂商锁定	快速上线
Chroma	轻量嵌入式	开发体验好	生产级能力弱	原型/PoC
Qdrant	专用向量库	Rust 高性能	社区较小	性能敏感场景

决策：已有 PG → pgvector 起步；新项目快速上线 → Pinecone；大规模专用 → Milvus/Qdrant。

来源：向量数据库概念讲解