华为AI开发一面：向量数据库选型与并查集手撕

轮次: 一面
时间: 2026-09
来源: 牛客网

《面试题目》

做一下自我介绍。
讲一下项目的流程，以及不同模块的功能。
你们使用的是什么向量数据库？为什么选它？
还了解哪些向量数据库？
除了 HNSW 还知道什么索引？
关系型数据库用的什么？
会看慢 SQL 吗？
用了哪些开源的框架和组件？具体怎么用的？
自己做的项目上线用了吗？
is 和 == 的区别是什么？
对我们产品线有哪些了解？为什么选择我们？
手撕：并查集（给了 25 分钟）。

《参考解析》

向量数据库选型怎么讲：回答要落到「约束 → 候选 → 排除理由」。常见候选的能力边界：Milvus 是分布式原生、适合亿级规模与多租户，生态完整（支持多种索引与标量过滤），代价是部署重、运维成本高，小规模场景属于杀鸡用牛刀；Qdrant 是 Rust 实现，单机性能好、过滤能力（payload filter）强，部署轻，适合中小规模与需要复杂元数据过滤的场景；Weaviate 自带模块化与混合检索能力，开箱体验好但资源占用偏高；pgvector 直接把向量能力加进 PostgreSQL，最大优势是与现有关系数据同库同事务、不用引入新组件，代价是超大规模下的性能与索引选项有限；FAISS 是库不是服务，性能极强但要自己实现持久化、并发与过滤，适合嵌入到应用里做检索内核；Chroma 轻量、适合原型与本地开发。选型判断维度就是四条：数据规模与增长预期、是否需要复杂元数据过滤、是否要求与现有关系库强一致、以及团队能不能承担运维成本。讲的时候最后补一句「当时的规模是百万级、需要按用户和文档类型过滤，所以选了 X；如果规模涨到十亿级会重新评估 Y」，比单说「我们用 Milvus 因为性能好」有说服力得多。

向量索引除了 HNSW 还有什么：主要几类——IVF 系（倒排文件，先聚类分桶、检索时只查最近若干桶，用 nprobe 调召回）、PQ 与 IVFPQ（乘积量化，把向量分段量化压缩，省内存但精度有损，常与 IVF 组合）、Flat（暴力精确检索，作为基线与小规模首选）、DiskANN（磁盘驻留图索引，解决内存装不下的超大规模）、以及 IVF-HNSW 这类复合索引（先用 IVF 粗筛再用小图精查）。选型逻辑是三条约束的权衡：内存预算（PQ 省内存、Flat/HNSW 吃内存）、召回率要求（Flat 100%、近似索引可调）、以及查询延迟（HNSW 快、PQ 需要重排）。面试里能把这层「没有最好的索引，只有最合适的组合」讲出来就很稳。

慢 SQL 怎么看：先定位再看执行计划，最后按类型修。定位靠慢查询日志（slow_query_log、long_query_time）与 performance_schema，线上更实用的是 APM 的 SQL 耗时分布。看 EXPLAIN 的重点字段：type（要避免 ALL 全表扫描，ref/range/const 较好）、key 与实际 key_len（反推用到了联合索引的几列）、rows（预估扫描行数，与实际差太多说明统计信息过期）、filtered、以及 Extra（Using filesort 与 Using temporary 是重点优化信号，Using index 说明覆盖索引生效）。常见修法按收益排序：补或改联合索引让条件与排序都走索引、消除隐式类型转换、把 SELECT * 收窄成需要的列以促成覆盖索引、把复杂子查询改写成 join 或反之、深分页改游标分页、以及把统计类查询挪到离线或 OLAP。要补一句：EXPLAIN ANALYZE（MySQL 8.0.18+）能看到真实执行耗时，比 EXPLAIN 的估算更可靠。

is 与 == 的区别：== 比较的是「值是否相等」，会调用对象的 __eq__；is 比较的是「是否是同一个对象」，等价于比较 id()。因此两条要注意：一是 is 不能用来比较数字、字符串的内容——虽然 CPython 对小整数（−5 到 256）与部分字符串做驻留（interning）会让人误以为能用，但那是实现细节，超出范围或运行时拼接的字符串就不成立；二是判断 None、True、False、以及哨兵对象时必须用 is，因为它们是单例，is None 比 == None 更快也更安全（自定义类可能重写 __eq__ 让 == None 返回 True）。可变对象上两者的区别更直观：两个内容相同的 list，== 为 True、is 通常为 False。写代码的规范是「值比较用 ==，标识比较用 is」。

并查集手撕：核心是「用一个 parent 数组表示森林，每个元素指向自己的父节点，根节点指向自己」。三个操作：find(x) 沿父指针找到根，路径压缩（把沿途节点直接挂到根上）把均摊复杂度降到接近 O(1)；union(a, b) 先找两根，相同则已在同一集合，不同则把一棵树挂到另一棵下，按秩合并（或按大小合并）避免树退化；connected(a, b) 判断两根是否相同。模板：

class DSU:
    def __init__(self, n):
        self.parent = list(range(n))
        self.rank = [0] * n

    def find(self, x):
        while self.parent[x] != x:          # 路径压缩（迭代写法，避免深递归）
            self.parent[x] = self.parent[self.parent[x]]
            x = self.parent[x]
        return x

    def union(self, a, b):
        ra, rb = self.find(a), self.find(b)
        if ra == rb:
            return False                    # 已在同一集合
        if self.rank[ra] < self.rank[rb]:
            ra, rb = rb, ra
        self.parent[rb] = ra
        if self.rank[ra] == self.rank[rb]:
            self.rank[ra] += 1
        return True

常见考点与坑：用「按秩合并 + 路径压缩」后单次操作均摊 O(α(n))（反阿克曼函数，实际可视为常数）；只做路径压缩不做按秩合并也是均摊 O(log n)，笔试里通常够用。典型应用是连通分量计数、判断无向图是否有环、Kruskal 最小生成树、朋友圈/账户合并这类「把等价的元素归到一起」的题。写的时候最容易错的两处：find 写成递归且数据规模大导致递归超限（改成迭代最稳）；以及在 union 里忘记先比较根而直接比较元素本身。

「自己的项目上线用了吗」怎么答：诚实是第一位的，然后给出可验证的信息。如果上线了，说清上线形态（内部工具、给多少用户用、跑了多久）、以及你观察到的真实数据（调用量、成功率、用户反馈）——哪怕规模很小，真实运行的经历也比 demo 有说服力。如果没上线，就说明卡在哪一步（没有真实用户、合规限制、依赖的服务拿不到），以及你用什么方式逼近真实（做过小范围内测、压测、灰度演练），并讲清如果给你条件你会怎么推上线。这个问题背后考的是「你有没有把东西做到能被别人用」的意识，比技术细节更重要。

「对我们产品线有哪些了解」怎么答：这类问题必须提前做功课，现场编一定露馅。准备方式是查公司业务的公开信息（年报、官网、产品线、近期发布），挑与岗位相关的一到两条讲清楚：这条产品线解决什么问题、客户是谁、技术上的关键挑战可能是什么。然后把它和你的经历接上——比如你做过多模态/Agent/高并发系统，说明在哪个环节能直接用上。不要泛泛地说「贵公司平台大、发展好」，也不要为了讨好而夸大自己对公司内部细节的了解（说错反而更糟）。收尾可以问一个具体的、只有真研究过才问得出的问题，这会显著加分。

《面试题目》

《参考解析》

相关面经