人工智能面试题 · 技术选型 · Vector Database
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 11 道 · 更新 2026-08-05
筛选题目已选：技术选型 · Vector Database
考察点
技术栈
第 1 题你的RAG项目采用了哪种检索方案？为什么这样选？ 考察检索策略选择与效果权衡第 2 题向量数据库的底层代码一直在迭代，你如何看待和应对这种情况？ 考察候选人对开源技术迭代的认知与工程实践中的应对策略第 3 题如果为Agent设计记忆的embedding和检索策略，你会如何选择embedding模型并配置检索参数？ 考察对embedding模型选择和检索策略设计的实际思考第 4 题向量数据库的选型如何考虑的？ 考察对向量数据库技术特性、适用场景及选型权衡的理解第 5 题请详细说明你如何实现一个基于RAG（检索增强生成）的问答系统？ 考察对RAG全流程、组件选型及优化策略的掌握程度第 6 题请结合实际场景说明 Elasticsearch 和向量数据库分别适合解决哪些问题，以及各自的核心使用方法和优缺点。 考察对 Elasticsearch 和向量数据库的适用场景、核心机制及选型判断能力第 7 题请详细介绍RAG（检索增强生成）系统的工作流程，以及各环节的关键细节。 考察对RAG系统完整流程的理解及关键环节的实现与权衡第 8 题如何利用一万个PDF构建垂直领域的大模型？ 考察RAG方案的整体设计与技术选型第 9 题在Agent系统中引入记忆机制时，为什么通常选择向量数据库来存储和检索历史信息？ 考察对向量数据库在Agent记忆场景中适用性的理解第 10 题请解释向量数据库的核心工作原理，并简要描述其基本机制。 考查对向量数据库底层原理（索引、相似度检索）的理解。第 11 题请解释向量数据库中 HNSW、LSH 和 PQ 这三种索引或压缩技术的含义，并说明它们的核心思路和适用场景。 考查候选人对向量数据库常用索引与量化技术的理解程度。