微软AI工程师面试题：
“我们团队要在1千万文档上做RAG，选哪个向量数据库，为什么？”
答题关键不在“哪家功能最好”，而是“架构如何匹配你的查询模式”。
- 读多写少的原型期，选Chroma/Qdrant本地快速迭代；
- 云端托管、追求简单，Pinecone无敌；
- 高写入吞吐、数据实时更新，Weaviate更合适；
- 需要混合搜索和丰富元数据过滤，Elasticsearch不可替代。
别只看benchmark，别盲选“最快”数据库，ANN算法本质是召回率和延迟的折中。
性能讲得再好，没有结合你的业务场景和预算都没意义。
例如：
- Pinecone的pod架构毫秒级查询，但成本高昂；
- Qdrant基于HNSW算法，适合召回优先；
- Weaviate擅长基于元数据的倒排索引查询。
一个实用的业务匹配框架：
- MVP + 紧预算 → Chroma（免费本地）
- 规模化 + 易用性 → Pinecone（托管付费）
- 定制化基础设施 → Qdrant/Weaviate
- 已有搜索堆栈 → Elasticsearch/OpenSearch
大多数团队忽略的演进路径：
先用Chroma快速验证产品市场，
再用Pinecone承载用户负载，
最后用Qdrant/Weaviate精细控制成本，
必要时结合Elasticsearch发挥现有搜索能力。
面试重点回答：
“向量数据库不是好坏之分，而是约束与能力的匹配。
Chroma速度快，Pinecone运维简便，Qdrant控制成本，Weaviate支持混合搜索。
选哪个，取决于你最紧迫的业务限制，而不是单纯的性能排名。”
加分细节：
“我会先测量检索召回率、查询延迟、读写比例和预算，60%团队因为没测这些而选错数据库。”
——
完整讨论见原推文：
x.com/athleticKoder/status/1972649148257312894
这不仅是技术选型，更是工程思维与业务理解的结合。选对工具，才能事半功倍。欢迎评论交流！
