題目
你要用 Redis vector sets 做商品語意檢索，並按租戶、年份和庫存過濾。如何設計寫入、VSIM 查詢、索引容量和結果品質驗證？
場景與適用邊界
每個元素有字串 ID、固定維度向量和可選 JSON 屬性。Redis vector sets 使用 HNSW 做相似度搜尋，也支援用 FILTER 對屬性做簡單數學過濾。回答要涵蓋更新、刪除、冷啟動、記憶體上限、跨平台 FP32 編碼和搜尋降級；不要把它描述成自動保證業務級精確召回的黑盒。
面試官考察點
考察你能否把向量召回、結構化約束、資料生命週期和容量治理放在同一套服務契約裡。Redis 文件說明 VADD 可新增或更新元素，VSIM 可按向量相似度查詢，屬性過濾表達式決定候選是否保留；FP32 blob 需要小端位元組序，VALUES 形式可避免跨平台編碼差異。
回答前可以先確認：
- 向量維度、距離度量、每個租戶的資料量和更新頻率是多少？
- 過濾條件是強約束，還是允許擴大候選後在應用層補篩？
- 結果需要 top-k、相似度分數、屬性還是可解釋的過濾原因？
- 記憶體預算、持久化方式、故障恢復和跨可用區複製如何要求？
30 秒回答框架
先定義 key、元素 ID、向量維度和屬性 schema；再說明 VADD/VSETATTR 寫入與冪等更新、VSIM 的 top-k 和過濾；最後講容量估算、品質基準、不可用時的關鍵字或舊索引回退。
分步驟深入解答
- 資料契約：固定維度和模型版本，元素 ID 全域唯一或按租戶分 key，屬性只保存過濾所需欄位。
- 寫入路徑：先驗證維度與模型版本，再用冪等
VADD更新向量，單獨用VSETATTR更新屬性；刪除使用VREM。 - 查詢路徑：先驗證租戶邊界與過濾表達式，再用
VSIM請求略大於最終 k 的候選，返回分數和屬性供服務層稽核。 - 容量治理：估算向量、HNSW 鄰接和屬性記憶體，設定單租戶上限、淘汰策略與分片；避免把任意大的 JSON 放進屬性。
- 一致性與恢復：記錄模型版本和寫入事件，快照/恢復後驗證維度、元素數和抽樣召回；更新失敗不能留下半新半舊的屬性。
- 品質與降級：用標註集測 Recall@k、過濾後命中率和 p95 延遲；Redis 不可用或過濾表達式不支援時，切到關鍵字索引或舊版本快照。
高品質示範回答
我會按租戶和模型版本設計 key，元素 ID 保持穩定，向量維度固定。寫入時先驗證維度與模型版本，用 VADD 冪等更新向量，再用 VSETATTR 寫入年份、庫存和租戶屬性；刪除用 VREM。查詢先在服務層驗證租戶條件，再請求略大於 k 的候選：
VSIM products:{tenant}:{model} VALUES 3 0.12 0.08 0.44 COUNT 50 WITHSCORES FILTER ".year >= 2024 && .stock > 0"我會記錄維度、元素數、HNSW 資訊和屬性記憶體，按租戶設定容量上限。基準同時測 Recall@k、過濾後命中率、p95/p99 延遲、讀寫吞吐和恢復時間，並用精確暴力檢索作為品質基線。FP32 跨平台傳輸統一使用小端編碼，或使用 VALUES 避免 blob 位元組序差異。Redis 不可用、過濾不支援或模型版本不一致時，降級到關鍵字檢索或上一版快照，並記錄結果來源。
常見錯誤
- 只說「用 HNSW 很快」，沒有維度、k、過濾和品質指標。
- 把屬性過濾當成任意 SQL，忽略表達式能力和租戶隔離。
- 直接把模型輸出的任意維度向量寫入同一個 vector set。
- 忽略 FP32 位元組序、屬性 JSON 大小和 HNSW 記憶體成本。
- 沒有舊索引、關鍵字檢索或快照恢復的降級路徑。
評估時看能否把寫入、查詢、容量、一致性和品質驗證串成閉環，說明 Redis 原生命令的邊界，並給出可量化的降級策略。一般回答停留在「向量資料庫加過濾」，沒有資料契約和運行指標。
追問及應對
為什麼不把所有業務欄位都放進屬性？
屬性參與過濾並消耗記憶體；只保留候選篩選所需欄位，其餘詳情按 ID 從主儲存讀取，避免索引膨脹和隱私擴散。
模型升級導致維度變化怎麼辦？
為新模型建立獨立 key 或版本空間，雙寫並行評估，達到 Recall@k、延遲和成本門檻後切換，不能在同一集合混用不同維度。
過濾條件過嚴導致沒有結果怎麼辦？
先返回明確的零結果原因和指標，按產品允許的優先順序逐步放寬條件或切換關鍵字召回；不能靜默返回不符合租戶或庫存約束的結果。
面試作答要點
一句話總結
把 vector set 當成有明確維度、屬性和容量契約的召回元件，再用品質基線和安全降級保證可控搜尋。