某互联网公司 测试开发实习生一面（中国交易与广告方向）

《面试题目》

1. 先自我介绍一下吧。
2. 向量数据库和 RAG 它俩的区别是啥？
3. 向量数据库和 MySQL 的优劣势分别是什么？
4. 向量数据库里面用到的索引是啥？原理分别是什么，为什么要加那样的索引？那几种索引的优势是什么，什么情况下用哪种索引查询效率会变快？
5. 低延迟怎么理解？为什么会有低延迟这个概念？
6. 向量数据库在整个 RAG 的流程或架构里，一般会放到哪个环节？
7. 在检索增强这套流程里，什么时候会用到向量数据库？它的交互链路大概是怎么样的？
8. 向量怎么理解？
9. 解释一下正弦和余弦的差异。
10. 用 Python 写过什么工具或者脚本吗？
11. 介绍一下第二个项目，先整体说说背景，为什么要做这个项目？
12. 这个项目解决什么问题，整体的架构设计是怎么样的？除了这个问题还解决了什么？
13. 请介绍一下你整体的设计，最终实现的功能效果是怎么样的？
14. 你有什么问题要问我吗？（作者反问后，面试官借此讲了测开岗位做什么、需要具备哪些能力）
15. AI 会不会把各个职位模糊化，比如测开也能参与到开发，产品以后也要写一点简单代码？

《参考解析》

1. 向量数据库与 RAG 的关系：两者不在一个层次上——RAG 是一整套”检索加生成”的方法论，向量数据库只是其中负责语义召回的组件。不用向量库也能做 RAG（关键词检索、倒排索引都行），用向量库也未必是 RAG（去重、推荐、以图搜图都能用）。答这类题先划清层次，再讲各自的适用场景，比直接列定义清楚。
2. 向量库和 MySQL 的优劣势：MySQL 强在精确条件过滤、事务、join 与一致性，检索是等值或范围匹配；向量库强在高维向量的近似最近邻召回，能处理”语义相似但字面不同”的查询，弱在事务、频繁更新一致性与复杂过滤。工程上一般组合使用：向量库负责召回候选，业务数据和权限状态仍放 MySQL，过滤条件尽量下推到检索前，避免召回一堆又被权限过掉。
3. 向量索引的几类原理：常见是 IVF、HNSW、PQ。IVF 先对向量做粗聚类分桶，查询时只扫最近若干个桶；HNSW 建分层可导航小世界图，从稀疏的上层逐步跳到密集的下层逼近近邻；PQ 是乘积量化，把向量切段后用码本压缩，用精度换内存和速度。选型看数据规模、内存预算和召回率要求，数据大内存紧常用 IVF 加 PQ，追求高召回低延迟用 HNSW，代价是建索引慢、内存占用高。
4. 低延迟怎么理解：低延迟指请求进来到返回结果的耗时短，它既是体验指标也是成本指标；检索链路里向量召回、过滤、Rerank 每一级都会叠加延迟，所以常见做法是分层——粗召回用便宜快速的索引保证速度，精排只对少量候选算。回答时落到 P95/P99 而不是平均延迟，能立刻区分开”背过概念”和”真的压过指标”。
5. 正弦和余弦的差异：数学上它们是相位相差 90 度的同一条波形，sin(x) 等于 cos(x - π/2)。放到向量检索语境里，面试官多半是想引出余弦相似度——它衡量两个向量方向的夹角、对长度不敏感，所以文本 embedding 比较常用，而欧氏距离会被向量模长影响。先把数学关系说清，再补一句为什么检索里用余弦，答案就完整了。
6. 项目介绍怎么组织：按”背景、问题、架构、我的部分、效果”讲：先说为什么要做这个项目、成功标准是什么，再讲整体架构的数据流，然后明确哪些模块是自己写的、做了哪些技术决策、踩过什么坑，最后给实现效果。面试官追着问架构细节时，能把一次真实请求从头到尾讲完整，比铺开一堆技术名词可信得多。