RAG向量数据库选型关键指标

RAG 系统中评估性能、索引类型与集成度的关键维度

原题：在构建基于大模型的检索增强系统时，如何评估和选择合适的向量数据库？请从性能、可扩展性、支持的索引类型、查询延迟、与现有技术栈的集成等方面进行详细说明。

评估与监控 · 京东真题

回答与解析

选型核心维度

1. 性能与索引类型

• HNSW：图索引，召回率高、查询快（1-10ms），但内存占用大，适合百万-千万级稠密向量

• IVF+PQ：倒排+乘积量化，内存省、支持十亿级，查询稍慢（10-50ms），适合大规模稀疏访问

• DiskANN：内存+SSD混合，平衡成本与性能，十亿级首选

2. 可扩展性

• 水平扩展能力：是否支持分片（sharding）和动态扩缩容

• 写入吞吐：批量导入速度、实时更新延迟（部分库写放大严重）

3. 延迟与成本权衡

场景	推荐方案
在线QPS>1万、延迟10亿）	自研或Elasticsearch 8.x的dense_vector

4. 技术栈集成

• 优先选有成熟Python/Go SDK、支持LangChain/LlamaIndex的

• 云原生：是否支持K8s operator、Serverless计费模式

京东场景建议

电商搜索对延迟极敏感，推荐Milvus/Zilliz或阿里自研Proxima：

• 商品向量千万级，用HNSW保证关键一句:多模态场景下，向量数据库是否支持多向量字段和跨模态检索

面试官还可能这样问

1. 问法 1 · 场景切入假设我们做一个电商搜索系统，每天千万商品向量要实时检索，用户点一下就要结果。你选向量数据库会重点看哪些指标？比如性能、延迟、扩展性这些，怎么权衡？
2. 问法 2 · 层层追问你觉得向量数据库选型主要看什么？……如果查询量很大，比如每秒上万次，延迟必须5ms以内，你优先考虑什么？……那数据量上亿了，内存放不下，怎么平衡成本和速度？
3. 问法 3 · 直球架构你负责给一个RAG系统选向量数据库，要求支持十亿级向量、查询延迟<10ms、能水平扩展。请从索引类型、性能、可扩展性、技术栈集成这几个维度，说说你的选型思路和理由。