面试题 12：向量数据库与传统关系型数据库在底层原理有什么不同？
一、 核心范式差异：精确匹配 vs 模糊相似度
传统数据库与向量数据库解决的是完全不同维度的问题：
传统关系型数据库（RDBMS，如 MySQL, PostgreSQL）：
设计哲学：基于关系代数，追求 100% 的精确匹配（Exact Match）。
运作方式：当你查询
WHERE name = 'Alice'时，数据库寻找的是字符串完全相等的记录。它无法理解“Alice”和“Alicia”在语义上的相似性。向量数据库（Vector DB，如 Milvus, Pinecone, Qdrant）：
设计哲学：基于高维空间几何，追求 近似相似度（Similarity Search）。
运作方式：文本、图像被转化为高维向量（如 1536 维的浮点数数组）。查询时，系统计算 Query 向量与库中向量的“空间距离”（如余弦相似度 Cosine Similarity、欧氏距离 L2），返回距离最近的 Top-K 个结果。它能理解“苹果”和“手机”在特定语境下的关联。
二、 底层数据结构与索引算法差异
这是面试官最看重的硬核技术点。
1. 传统数据库：B+ 树 (B+ Tree)
- 原理：一种自平衡的树形数据结构，数据按顺序存储在叶子节点。
- 特点：时间复杂度为 。非常适合一维数据的范围查询（如 `age > 20 AND age ）和精确查找。
- 局限：一旦维度升高（比如超过 10 维），B+ 树和空间索引（如 R 树）会遭遇“维度灾难（Curse of Dimensionality）”，检索效率急剧下降，退化成全表全量扫描（暴力穷举）。
2. 向量数据库：ANN 算法 (Approximate Nearest Neighbor)
为了在千万级的高维向量中实现毫秒级检索，向量数据库放弃了 100% 的准确率，采用“近似最近邻”算法。主流的索引结构包括：
HNSW (Hierarchical Navigable Small World, 分层导航小世界)：
目前最主流的向量索引。借鉴了“六度分隔理论”和“跳表（Skip List）”的思想。
构建多层图结构：上层节点稀疏，用于快速跨越大片空间（高速公路）；下层节点密集，用于精准定位目标。
IVF-PQ (倒排索引 + 乘积量化)：
通过聚类（K-Means）将空间划分成多个区域（Voronoi Cell），查询时只搜索最近的几个区域，大幅减少计算量；同时通过量化压缩向量体积，节省内存。
三、 总结对比矩阵
维度
传统关系型数据库 (MySQL)
向量数据库 (Milvus/Pinecone)
处理数据类型
结构化数据（数字、字符串、日期）
非结构化数据的表征（高维浮点数数组/Embeddings）
底层核心索引
B+ 树、Hash 索引
ANN（HNSW、IVF-PQ 等）
查询逻辑
标量精确匹配、范围查询
向量空间距离计算（余弦相似度、内积）
查询结果性质
绝对确定性（Deterministic）
概率性/近似性（Probabilistic, Top-K）
性能瓶颈点
磁盘 I/O（通常数据在磁盘上）
内存与 CPU/GPU 计算（向量通常需要全量加载入内存）
四、 面试高分答题话术（💡 划重点）
- 点出“维度灾难”：“传统数据库的 B+ 树在处理一维标量时天下无敌，但大模型的向量动辄上千维。在高维空间中，传统索引会遭遇‘维度灾难’，效率退化为全表扫描。这就是为什么我们必须引入专门的向量数据库。”
- 强调 Trade-off（工程权衡）：“向量数据库底层的核心是 ANN（近似最近邻）。它本质上是一个 ‘用精度换时间’ 的工程 Trade-off。它不保证找到绝对最近的点，但能在毫秒级返回 99% 准确的结果。”
- 结合实际架构：“在真实的 AI 应用中，我们通常采用混合架构（Hybrid Architecture）。MySQL 依然是核心，用来存储用户的账号、订单等绝对不能出错的标量数据；而向量数据库只用来存储文档的 Embedding。查询时，先在向量库做语义召回，再回 MySQL 查业务详情。”