假设你是一座“城市个性档案馆”的馆长，馆里存放着全城每位市民的“性格画像卡”。每张卡片上是一串数字，代表这个人的幽默感、责任心、冒险精神等特质在多个维度上的打分。忽然有一天，用户来找你：“帮我找出和这位姑娘性格最像的 10 个人。”如果卡片按姓名笔画排列，你得把全部卡片摊在地上，一张张人工比对——全城上千万张卡片，这得比对到猴年马月？ Qdrant 就是为这种“找相似”而生的智能匹配档案馆。它是当前最流行的开源向量数据库之一：用一串“数字画像”（向量）表示每条数据，用相似度尺子（余弦、点积、欧氏距离）衡量两条数据多像，再用 HNSW 分层索引让“翻遍全城”变成“快线直达”。它还能给画像贴业务标签（载荷），支持“先圈定人群再谈神似”的过滤检索；用分片和副本保证海量数据与故障场景下的高可用。 这篇文章会带你从零认识 Qdrant：先理解向量与相似度，再上手集合、点、索引、过滤、优化、高可用，最后用 Python 亲手搭一个迷你向量库。学完它，你就看懂了当下大模型应用中最热门的“检索底座”。

岗位关联

一句话价值：掌握 Qdrant，你就掌握了 RAG、语义搜索、智能推荐的检索底座——这是大模型落地时代最抢手的工程能力之一。

目录
  1. 可视化演示
  2. 基础概念：先给每个对象画一张“数字画像”
  3. 集合与点：档案馆里的登记册与卡片
  4. 近邻搜索：HNSW 的“快捷地铁网”
  5. 过滤检索：先圈定人群，再谈神似
  6. 优化策略：给档案馆瘦身提速
  7. 高可用架构：让档案馆永不闭馆
  8. 工程落地：让档案系统跑进真实业务
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

基础概念：先给每个对象画一张“数字画像”

老馆长上任后学的第一件事，是如何给市民“画画像”。他把一个人浓缩成 8 个分数：幽默感、责任心、冒险精神、表达欲……每一个分数都是一个维度。有了这 8 个分数，一个人就可以被看作 8 维空间里的一个点。画像画得越准，后面找“神似”就越靠谱。

在 AI 世界里，“画画像”这个动作叫嵌入（Embedding），画出来的数字列表叫向量（Vector）。文本、图片、音频都能被嵌入模型变成向量。Qdrant 不关心你的画像怎么画出来的，它只负责两件事：把画像保管好（存储），并快速找到“长得最像”的画像（检索）。这就需要一把尺子来度量相似度。

Qdrant 在创建集合时通过 distance 参数选择尺子。最常用的是余弦相似度：只看两个向量的方向是否一致，忽略它们的长度；点积适合用户偏好打分的推荐场景，数值越大越相关；欧氏距离衡量每个维度上的绝对差距，适合图像、音频等“整体差异”更重要的场景。三种尺子各有适用场景，选错会让检索结果失真。

想象相亲时，你不关心对方家境（向量长度），只关心三观方向是否一致——这就是余弦相似度的哲学。它天然适合语义文本检索：同一句话换个说法，向量方向依然接近；而欧氏距离更像“户籍距离”，一丁点数值波动都会被放大。

cos(A,B)=∑i=1nAi⋅Bi∑i=1nAi2⋅∑i=1nBi2\displaystyle \text{cos}(A,B)=\frac{\sum_{i=1}^{n} A_i \cdot B_i}{\sqrt{\sum_{i=1}^{n} A_i^2} \cdot \sqrt{\sum_{i=1}^{n} B_i^2}}
  1. 分子内积运算把两个向量对应位置的数值相乘再全部相加，衡量两张画像在每一个特质维度上的“同向程度”。
    ∑i=1nAi⋅Bi\displaystyle \sum_{i=1}^{n} A_i \cdot B_i
  2. 分母模长之积分别对每个向量求“长度”，即把各维度平方求和再开方，作用是消除画像“整体幅度”的影响。
    ∥A∥=∑i=1nAi2\displaystyle \|A\|=\sqrt{\sum_{i=1}^{n} A_i^2}
  3. 整体比值内积除以两个模长之积，得到落在 [-1,1] 之间的“方向贴合度”，与向量长度无关。
    cos⁡(A,B)∈[−1,1]\displaystyle \cos(A,B) \in [-1,1]

集合与点：档案馆里的登记册与卡片

档案馆场地有限，馆长把市民按职业片区分类，每个片区立一个大柜子，柜子里的登记册就叫“集合”（Collection）。打开任意一本册子，每一页就是一位市民的画像卡，Qdrant 里称之为“点”（Point）。

一张画像卡由三部分构成：ID 是卡片的唯一编号；向量是那串数字画像，负责“像不像”的计算；载荷（Payload）是贴在卡片上的便签，记录年龄、职业、城市等业务属性，负责条件筛选。创建集合时必须声明向量维度 size 和距离度量 distance，其中 size 必须与你使用的嵌入模型输出维度完全一致，否则数据写入直接报错。

集合是逻辑容器，底层由多个分段组成，数据先写小段再定期合并。集合级别还能配置分片数、副本数、HNSW 参数；Qdrant 甚至允许一个点携带多个命名向量（如稠密向量与稀疏向量并存），为混合检索铺路。载荷不像关系表那样有固定 schema，随写随加，想按某个字段过滤时再给它建索引即可。

登记册和画像卡设计好后，档案馆的骨架就搭好了。但真正的考验还在后面：如何在千万张卡片里，不翻遍全馆就找到最像的一张？这就要请出下一节的“快捷地铁网”。

d(A,B)=∑i=1n(Ai−Bi)2\displaystyle d(A,B)=\sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}
  1. 逐维差值把两个向量每个维度相减，得到每个“性格特质”上的差距，差距越大说明该特质越不像。
    Ai−Bi\displaystyle A_i - B_i
  2. 平方求和把所有维度的差距平方后加总，避免正负抵消，同时放大较大差距的权重。
    ∑i=1n(Ai−Bi)2\displaystyle \sum_{i=1}^{n} (A_i - B_i)^2
  3. 整体开方对平方和开根号，得到一个正的“空间直线距离”，数值越小表示两张画像越接近。
    ∑i=1n(Ai−Bi)2\displaystyle \sqrt{\sum_{i=1}^{n} (A_i - B_i)^2}

近邻搜索：HNSW 的“快捷地铁网”

馆长请来一位交通工程师，给画像卡设计了一张“地铁图”：每张卡片是一个车站，相似的卡片之间连上轨道。此外再修几条“快线”——快线上的站点极少、站距极大，一列快车可以瞬间从城南窜到城北；地面层则是密如蛛网的慢线，负责站点间的精细比对。搜索时先坐快线到达目标区域，再换慢线精确定位。

这就是 HNSW（分层可导航小世界图）的直觉，Qdrant 默认使用它作为向量索引。HNSW 借鉴了跳表的分层思想：高层的节点稀疏、连接更长，负责“远跳”定位；底层的节点密集、连接更短，负责“精查”打分。搜索从顶层入口出发，逐层下行，最终落到最底层给出 Top-K。

使用 HNSW 时，构建期有 m 和 ef_construct 两个关键参数：m 控制每个节点最多连接多少条边，越大图越稠密、内存越大；ef_construct 控制构建时考察的候选邻居数，越大索引质量越高、构建越慢。查询期则由 ef_search 控制候选列表大小，越大召回越准、延迟越高。需要说明的是，HNSW 是近似最近邻（ANN），并非 100% 精确；数据量小或要求绝对精确时，可以指定 exact: true 走暴力精确搜索。

从“翻遍全城”变成“快线直达 + 慢线精查”，这正是 HNSW 能让 Qdrant 在亿级向量上于几十毫秒内返回结果的原因。

P(ℓ=k)=(1−p)⋅pk,k≥0, 0<p<1\displaystyle P(\ell = k) = (1 - p) \cdot p^{k}, \quad k \ge 0,\ 0 < p < 1
  1. 层号 kk 表示节点被分到的层高，k 越大代表该节点位于越稀疏的高层，越接近“快线”入口。
    ℓ=k\displaystyle \ell = k
  2. 衰减因子 p^k每高一层，入选概率按比例缩减，因此层越高节点越少，这是“快线站少”的数学来源。
    pk\displaystyle p^{k}
  3. 归一化系数 (1-p)保证所有层的概率之和为 1，使层高成为一个合法的概率分布。
    ∑k=0∞(1−p)⋅pk=1\displaystyle \sum_{k=0}^{\infty} (1-p) \cdot p^{k} = 1

过滤检索：先圈定人群，再谈神似

用户又加需求了：“我要找和她性格最像的 10 个人，但只限养猫、住在城南、25 到 35 岁之间的。”馆长意识到，光“神似”不够，还得先“圈定人群”。

这在 Qdrant 里叫“过滤 + 搜索”：先用贴在画像卡上的便签（载荷）圈定候选人群，再在圈定的人群内做向量相似检索。过滤表达式由逻辑操作符组合而成：must 表示必须满足，should 表示满足则加权，must_not 表示排除——像给检索加了一份“硬性要求清单”。

过滤要快，依赖两件事。第一，给常用的载荷字段建索引，让“圈人”本身不慢；当过滤条件很强时，Qdrant 会先缩小候选集再算向量距离，省掉大量无效计算。第二，更进一步做混合搜索（Hybrid Search）：同一段文本既用稠密向量捕捉语义，又用稀疏向量捕捉精确关键词，两路得分再用加权求和或 RRF 融合，兼顾“懂意思”和“抠字眼”。

先“圈定猫奴片区”，再在片区内谈“性格神似”——过滤检索让向量搜索从大海捞针变成池中捞鱼。

RRF(d)=∑r∈R1k+rankr(d)\displaystyle RRF(d)=\sum_{r \in R} \frac{1}{k + rank_{r}(d)}
  1. 排序位置文档 d 在第 r 路检索结果中的名次，名次越靠前数值越小，1 表示最相似。
    rankr(d)\displaystyle rank_{r}(d)
  2. 倒数加权名次越小得分越高，加常数 k 是为了防止除零，并压低第一名带来的巨大差距，常用 k=60。
    1k+rankr(d)\displaystyle \frac{1}{k + rank_{r}(d)}
  3. 多路求和对稠密、稀疏两路分别求倒数再相加，两路都靠前的文档总分最高，从而同时兼顾语义与关键词。
    ∑r∈{dense,sparse}1k+rankr(d)\displaystyle \sum_{r \in \{dense, sparse\}} \frac{1}{k + rank_{r}(d)}

优化策略：给档案馆瘦身提速

档案馆的卡片越积越多，仓库快放不下了。馆长发现，很多数字的精度根本没人较真：“幽默感 0.876”和“幽默感 0.874”在实际匹配中毫无区别。那何不把小数都“四舍五入”成 0~255 的整数？

这个思路就是标量量化（Scalar Quantization）。Qdrant 可以把 float32 向量压缩成 8 位无符号整数（uint8），内存占用直接降为原来的四分之一。为了弥补精度损失，查询时可以配合 oversampling（多取一些候选）和重打分（用原始浮点向量对候选重新排序），让精度损失降到最低。

优化并不只有量化。规划容量时用内存估算公式 N×D×4 字节，能提前判断一台机器装不装得下；分段（Segment）机制让新数据先进入小段快速写入，定期与老段合并，避免频繁重建；调参时把 m、ef_construct、ef_search、量化四件套按“召回率-延迟曲线”组合选择，而不是无脑拉满。

瘦身之后，同样的仓库能塞下 4 倍画像卡，查询速度反而更快——这就是“用一点点精度换一大截成本和速度”的工程智慧。

q=⌊x−xminxmax−xmin×255⌋\displaystyle q = \left\lfloor \frac{x - x_{min}}{x_{max} - x_{min}} \times 255 \right\rfloor
  1. 归一化比例分子表示数值 x 在某一维度取值范围内离下限的距离，除以范围宽度后得到 [0,1] 的比例。
    x−xminxmax−xmin\displaystyle \frac{x - x_{min}}{x_{max} - x_{min}}
  2. 放大与取整把比例乘以 255 再向下取整，得到 0~255 之间的整数等级，这就是“四舍五入驻扎”的核心步骤。
    ⌊⋅×255⌋\displaystyle \left\lfloor \cdot \times 255 \right\rfloor
  3. 内存收益每个数从 4 字节变成 1 字节，整体内存降为原来的四分之一，是性价比最高的压缩方式。
    4 bytes1 byte=4\displaystyle \frac{4 \text{ bytes}}{1 \text{ byte}} = 4

高可用架构：让档案馆永不闭馆

档案馆开张后不能打烊。馆长的对策像银行：多开柜台分流（分片）、每家网点存双份账本（副本）、每天营业结束把账本封存归档（快照）。这样哪怕一个网点失火，其他网点照样营业。

Qdrant 的分片把集合按点 ID 哈希分布到多个分片上，写入和检索自动并行，容量可以横向扩展。副本因子可设为 2 或 3，每个分片保留多份拷贝，任一节点故障，请求自动切换到健康副本。快照则把整个集合备份下来，用于灾难恢复或环境迁移。

数据写入时，Qdrant 通过 WriteOrdering 控制一致性等级：weak 只要主副本确认就返回，速度最快但极端情况下可能丢数据；medium 等主副本确认并推进复制；strong 等所有副本确认，最安全但写入延迟最高。分布式集群模式下，节点的加入、探活与元数据由 etcd 协调管理。

多馆区、双账本、日归档，让档案馆的可用性从 99% 飙升到 99.9999%，代价是写入要多等几次副本确认——这正是所有分布式系统都要面对的一致性权衡。

Asystem=1−(1−a)r\displaystyle A_{system} = 1 - (1 - a)^{r}
  1. 单节点可用率 a例如 a=0.99 表示某台机器一年约 99% 的时间可用。
    a=0.99\displaystyle a = 0.99
  2. 单节点失效率1-a 即单台机器宕机的概率，例如 1%。
    1−a=0.01\displaystyle 1 - a = 0.01
  3. 多副本指数效应r 个副本全部同时失效的概率是 (1-a)^r，系统可用率就是 1 减去该值；副本越多，可用率越接近 100%。
    1−(0.01)3=99.9999%\displaystyle 1 - (0.01)^{3} = 99.9999\%

工程落地：让档案系统跑进真实业务

档案馆的一切准备就绪，最后一个问题：怎样把它接入城市的日常业务，让市民真正用起来？

最典型的落地是 RAG（检索增强生成）——给大模型配一个“外接记忆”。流程是：把企业文档切块（chunk）→ 用嵌入模型转成向量 → 批量写入 Qdrant；用户提问时，先把问题转成向量，在 Qdrant 里检索 Top-K 相关片段，把这些片段拼进提示词，再交给大模型生成带出处的答案。Qdrant 在其中扮演“记忆中枢”，决定了大模型“记得牢不牢、答得准不准”。

工程落地还要管住三件事：一是用好 Python 客户端（qdrant-client），批量 upsert 比逐条写入快一个量级；二是提前做内存规划，按估算公式为向量预留余量，并监控写入速率与延迟；三是把召回率、P99 延迟、分片状态纳入监控告警。数据量不大时，可以直接用 Qdrant Cloud 托管，一键建集群、免运维、专注业务。

至此，档案馆完成了从“收藏”到“服务”的转身。向量、索引、过滤、优化、高可用……这些零件组合起来，就是今天 AI 应用背后那个随时待命的记忆中枢。

Recall@k=∣relevant∩retrievedk∣∣relevant∣\displaystyle \text{Recall@k} = \frac{|relevant \cap retrieved_{k}|}{|relevant|}
  1. 相关文档集合relevant 是人工标注的、与查询真正相关的文档集合，是评估的“标准答案”。
    relevant\displaystyle relevant
  2. 检索返回集合retrieved_k 是向量搜索返回的前 k 条结果，是系统给出的“候选答案”。
    retrievedk\displaystyle retrieved_{k}
  3. 交集与比值用返回结果中命中相关文档的数量，除以相关文档总数，衡量“该捞上来的到底捞上来多少”。
    ∣relevant∩retrievedk∣∣relevant∣\displaystyle \frac{|relevant \cap retrieved_{k}|}{|relevant|}

AI 应用场景

企业知识库 RAG 问答

阶段：检索增强生成（RAG）

解决的问题：传统关键词搜索无法理解同义表述，员工搜“报销流程”找不到标题为“费用申请制度”的文档；大模型直接作答又容易凭空编造。Qdrant 将文档切片向量化，先做语义召回拿到 Top-K 上下文，再让大模型基于真实资料作答并附出处。

具体案例：某大型券商把 10 万份制度文档切片为 80 万条记录存入 Qdrant，客服机器人回答准确率从 61% 提升到 89%，平均响应时间从 3 秒降到 0.6 秒。

电商“猜你喜欢”向量召回

阶段：推荐系统的召回排序（Recall & Rank）

解决的问题：传统协同过滤冷启动差，基于类目标签的召回无法理解“轻薄+通勤+防晒”这类组合语义。Qdrant 用用户与商品的嵌入向量做 Top-K 相似召回，再把候选交给精排模型。

具体案例：某服饰电商对 500 万商品做图像与文本双模态嵌入，用 Qdrant 在约 5ms 内完成百万级向量的 Top-50 召回，点击率提升 23%。

内容平台语义去重

阶段：数据清洗与内容质量治理

解决的问题：搬运、洗稿产生的近似重复文章，用 URL 或哈希根本去不掉。Qdrant 用内容嵌入向量的相似度阈值判断“是否近似重复”，再批量删除，为平台节省大量审核人力。

具体案例：某资讯平台每天接收 200 万篇投稿，用 Qdrant 查询每篇文本向量最相似的历史文章，余弦相似度大于 0.92 即判定为重复，去重率达 31%。

Python 演示

python60 行
"""Qdrant 迷你演示: 玩具向量库实现余弦相似度 Top-K 检索"""import math  def text_to_vector(text):    """玩具版嵌入: 把字符哈希到 8 个桶, 得到 8 维向量"""    vec = [0.0] * 8    for ch in text:        vec[ord(ch) % 8] += 1.0    return vec  def dot(a, b):    return sum(x * y for x, y in zip(a, b))  def norm(v):    return math.sqrt(sum(x * x for x in v))  class MiniQdrant:    """山寨 Qdrant: 只实现 upsert 与相似度查询两个核心接口"""     def __init__(self):        self.points = {}        self.next_id = 1     def upsert(self, vector, payload):        """写入或更新一个点, 返回自动分配的 ID"""        point_id = self.next_id        self.next_id += 1        self.points[point_id] = {"vector": vector, "payload": payload}        return point_id     def query(self, vector, top_k=3):        """返回与 vector 最相似的 top_k 个点(含得分与载荷)"""        scored = []        for point_id, p in self.points.items():            denom = norm(vector) * norm(p["vector"])            cos = dot(vector, p["vector"]) / denom if denom > 0 else 0.0            scored.append((cos, point_id, p["payload"]))        scored.sort(key=lambda item: item[0], reverse=True)        return scored[:top_k]  def main():    db = MiniQdrant()    docs = ["智能客服机器人", "机器学习模型", "奶茶配方研究", "户外运动装备", "量子计算入门"]    for text in docs:        db.upsert(text_to_vector(text), {"title": text})     query_text = "AI 算法工程师"    results = db.query(text_to_vector(query_text), top_k=3)    print("查询:", query_text)    for score, point_id, payload in results:        print("  #%d %s 相似度=%.4f" % (point_id, payload["title"], score))  if __name__ == "__main__":    main()
目的：用纯 Python 实现一个迷你版 Qdrant，演示向量入库、余弦相似度计算和 Top-K 检索的完整流程，帮助理解向量数据库的本质。
  1. vec[ord(ch) % 8] += 1.0玩具版“嵌入”：把每个字符按哈希分到 8 个维度桶里，模拟真实嵌入模型输出向量。
  2. cos = dot(vector, p["vector"]) / denom if denom > 0 else 0.0一行实现余弦相似度公式：内积除以两个模长之积。
  3. scored.sort(key=lambda item: item[0], reverse=True)全库暴力排序取 Top-K；生产环境数据量大时由 HNSW 索引代替这一步。
  4. db.upsert(text_to_vector(text), {"title": text})对应 Qdrant 的 upsert 接口：向量与载荷一起写入集合。
  5. if __name__ == "__main__":可执行入口，保证脚本可以直接用 python 运行。

常见误区

误区刚开始我把 Qdrant 当关系型数据库用，总想先定义好字段结构再写入，结果发现创建集合只需要向量大小和距离度量，业务字段根本不用提前声明。

正解Qdrant 的集合只规定向量维度 size 和距离度量 distance。业务属性存放在载荷（Payload）中，随点写入、随时新增，不需要预定义 schema；如果要按某字段过滤，只需给该字段建索引就能提速。这就像档案馆先立柜子，卡片上贴多少张便签、写什么内容都随你，不必事先规定便签格式。

为何常见：关系型数据库“先建模后写入”的思维惯性太强，而向量数据库主打灵活的半结构化存储，两者设计哲学根本不同。

误区我以为既然叫“最近邻搜索”，那返回的 Top-K 一定是全库最相似的 k 条，一条都不会错。

正解HNSW 是近似最近邻（ANN）算法，它用“分层图 + 贪心下降”快速逼近，牺牲少量召回率换取对数级的速度。追求精确时可以用 exact: true 精确搜索，或调大 ef_search 提升召回；评估检索质量要用 Recall@k 这类指标，而不是盯着单条结果看。

为何常见：“近似”二字藏在全称里，文档默认索引又是 HNSW，不深入读文档很难意识到它不是暴力精确检索。

误区嵌入模型输出 1536 维还是 768 维，我觉得越大越能表达语义，于是盲目选择大维度。

正解维度越高表达力越强，但内存按维度线性增长（N×D×4 字节），而且高维空间存在“维数灾难”——距离区分度反而变差。正确做法是结合嵌入模型能力、数据量、内存预算综合选择，必要时用降维或量化控制成本。

为何常见：“信息越多越好”的直觉与高维空间反直觉的几何性质相悖，只有踩过内存的坑才会醒悟。

误区既然向量库既能存数据又能检索，那我还用 MySQL 干什么，全部迁过来就好了。

正解两者是互补关系。交易型业务（订单、账务）仍然需要关系型数据库的事务与强一致性；向量库擅长的是“语义相似检索”，通常由业务方先算好向量，再交给 Qdrant 做召回。它们配合而非替代，就像档案馆和账房各司其职。

为何常见：新技术宣传常让人误以为“我可以替代一切”，忽视了事务、聚合、权限等传统数据库擅长且向量库并不擅长的能力。

误区既然 ef_search 越大召回越准，那我直接把线上参数拉满，既准又快，何乐不为。

正解ef_search 越大，HNSW 搜索过程中考察的候选越多，召回率确实提升，但延迟会显著上升，高 QPS 场景下容易打爆 CPU。工程上要按 P99 延迟与召回率的平衡点来定，通常先用离线数据画出“召回率-延迟曲线”，再确定上线参数。

为何常见：调参时只盯着单个指标提升，忽略了延迟和资源成本这些隐形成本，属于典型的“局部最优”思维。

面试题

Q1. Qdrant 中一个“点”（Point）由哪三部分构成？

单选题 · easy

  • A.向量、索引、载荷
  • B.ID、向量、载荷← 正确答案
  • C.ID、索引、集合
  • D.向量、集合、分片

答案：B。点的三要素是 ID（唯一编号）、向量（数字画像）和载荷（业务便签）。索引是集合层面的结构，不是点的组成部分。可以想象一张画像卡：编号管身份，数字管相似，便签管筛选。

Q2. 创建 Qdrant 集合时必须指定哪两项配置？

单选题 · easy

  • A.向量大小与距离度量← 正确答案
  • B.分片数量与副本因子
  • C.索引类型与载荷字段
  • D.量化方式与压缩比例

答案：A。向量大小 size 必须与嵌入模型的输出维度一致，距离度量 distance 决定“像不像”的算法。分片、副本、索引都有默认值，属于可选配置；载荷字段根本无需预定义。就像立柜子前先确定卡片尺寸和比对标准。

Q3. 余弦相似度计算结果的取值范围是？

单选题 · easy

  • A.[0, 1]
  • B.[-1, 1]← 正确答案
  • C.[0, 255]
  • D.(0, +∞)

答案：B。余弦相似度是两个向量夹角的余弦值，方向完全一致时为 1，完全相反时为 -1，无关时为 0。它只衡量方向是否一致，与向量长度无关，所以不会取到超过 1 的值，更不会是负无穷。

Q4. 关于 HNSW 索引中 ef_search 参数，说法正确的是？

单选题 · mid

  • A.控制图中节点的最大连接数
  • B.控制索引构建时使用的线程数
  • C.控制搜索时候选列表的大小← 正确答案
  • D.控制量化压缩的等级数量

答案：C。ef_search 控制查询时动态扩展的候选列表大小，值越大召回越准、延迟越高；控制连接数的是 m，影响构建质量的是 ef_construct。候选列表越大，相当于地铁搜索时愿意多逛几个站，找到目标概率更高但更耗时。

Q5. 标量量化后，向量从 float32 压缩为多少位整数？

单选题 · mid

  • A.4 位无符号整数
  • B.8 位无符号整数← 正确答案
  • C.16 位有符号整数
  • D.32 位有符号整数

答案：B。标量量化把每个维度映射到 0~255 的整数等级，也就是 8 位无符号整数，内存从 4 字节降为 1 字节、整体降为四分之一。就像把小数画像四舍五入成整数评分，省库容但保留大致相似度。

Q6. 关于 HNSW 与精确搜索的对比，正确的是？

单选题 · hard

  • A.精确搜索在数据量大时更快
  • B.HNSW 在数据量大时更有优势← 正确答案
  • C.两种方式召回率完全相同
  • D.HNSW 不需要占用额外内存

答案：B。精确搜索是暴力计算，复杂度 O(n)，数据量大时极慢；HNSW 借助分层图把检索复杂度降到近似 O(log n)，因此数据量越大优势越明显。HNSW 是近似算法，召回率略低于精确搜索，且需要额外内存存储图结构。

Q7. 副本数 r=3、单节点可用性 a=0.99 时，系统可用性约为？

单选题 · extreme

  • A.99.00%
  • B.99.90%
  • C.99.99%
  • D.99.9999%← 正确答案

答案：D。按公式 A = 1 - (1-a)^r 计算：1 - 0.01^3 = 0.999999，即 99.9999%。三个副本同时宕机的概率只剩百万分之一。副本就像多存几份账本，只要有一份完好，档案馆就能继续营业。

Q8. Qdrant 支持的距离度量方式有哪些？

多选题 · mid

  • A.余弦相似度← 正确答案
  • B.点积相似度← 正确答案
  • C.欧氏距离← 正确答案
  • D.曼哈顿距离

答案：ABC。Qdrant 支持余弦、点积和欧氏三种距离度量，曼哈顿距离不在支持列表内。三种尺子各有适用场景：余弦看方向、点积看偏好、欧氏看绝对差距，创建集合时通过 distance 参数选定。

Q9. 关于 Qdrant 过滤检索，说法正确的有？

多选题 · mid

  • A.过滤条件可组合 must/should/must_not← 正确答案
  • B.载荷字段可以建立索引加速过滤← 正确答案
  • C.过滤发生在所有距离计算完成之后
  • D.过滤可以与向量检索同时完成← 正确答案

答案：ABD。must、should、must_not 是过滤表达式的三个逻辑操作符；给常用载荷字段建复合索引能显著加速过滤。Qdrant 会先做过滤再计算距离，而不是全部算完再筛，因此 C 错误。先圈定人群再谈神似，正是它的核心优化思路。

Q10. 关于混合搜索（稠密+稀疏）的说法，正确的有？

多选题 · hard

  • A.稠密向量擅长捕捉深层语义← 正确答案
  • B.稀疏向量擅长精确关键词匹配← 正确答案
  • C.混合搜索必须关闭所有过滤条件
  • D.多路结果可用排名融合公式合并← 正确答案

答案：ABD。稠密向量把文本映射为低维实向量，能理解“同义改写”；稀疏向量按词表计数，擅长“抠字眼”。混合搜索把两路得分用加权或 RRF 融合，且可以同时叠加过滤条件。C 说法没有依据，过滤与混合搜索是正交能力。