知识点深化 · 向量检索
向量检索与相似度：余弦、点积与 Faiss/Milvus/HNSW
万物皆可向量。怎么在百万向量里 0.01 秒找到最像的那几个？这一页讲透余弦/点积/欧氏/汉明距离的区别，以及 Faiss、Milvus、HNSW 这些工具如何用「近似最近邻」把检索提速几个数量级。
① 小白第一课怎么学（4 步走，约 60 分钟）
万物皆可向量。怎么在百万向量里 0.01 秒找到最像的那几个？
1建立直觉（10 分钟）
读②③：相似度就是"两个向量离多近"，距离越近越像。
2记公式与工具（15 分钟）
读④：余弦/点积/欧氏/汉明距离，Faiss/Milvus/HNSW。
3手算例题（20 分钟）
精读⑤，亲手算一次余弦相似度。
4刷题纠错（15 分钟）
做⑦⑩，错题回⑥。
本课小目标学完你要能：① 手算余弦相似度；② 说清余弦和点积的区别；③ 知道 HNSW 这类近似索引为什么快。
② 一图看懂：向量检索体系
读法：先选"怎么算像不像"（距离公式），再选"怎么在海量向量里快速找"（索引/向量库）。
③ 本质直觉：距离就是"像不像"
每段话被 Embedding 模型变成一串数字（向量）。意思相近的两段话，向量在空间里挨得近。
余弦相似度看的是两个向量的夹角：方向一致就相似，不管长度。夹角 0° 时为 1（最像），反方向为 -1。
点积= 余弦×两个长度。如果向量都做了归一化（长度=1），点积就等于余弦。所以"归一化后用点积"很常见。
为什么不暴力全算？一百万条向量每条 768 维，每次查询都全比要算 768 万次乘法，太慢。HNSW 这类近似最近邻用图结构，只比少数几个候选就找到大概最近的，快几个数量级。
近似换速度HNSW 不保证找到绝对最近的，但在极短时间内找到非常接近的几个，工程上完全够用。
④ 完整体系：距离公式与索引对照
余弦相似度
cos(a,b) = (a·b) / (|a|·|b|) ∈ [−1,1]，越接近 1 越相似
欧氏距离（直线距离）
d(a,b) = √( Σ(ai−bi)² )，越小越近
| 距离/相似度 | 看什么 | 适用 |
|---|
| 余弦 | 方向夹角（不管长度） | 文本语义相似度最常用 |
| 点积 | 方向×长度 | 归一化后等价于余弦 |
| 欧氏 | 直线距离 | 图像/特征空间 |
| 汉明 | 二进制不同位数 | 二值向量，极快 |
索引/工具
| 名称 | 是什么 | 特点 |
|---|
| Faiss | Meta 的向量检索库 | 库级、快、适合研究/单机 |
| Milvus | 开源向量数据库 | 服务化、可扩展、生产级 |
| HNSW | 图结构近似索引 | 查询快、内存占用略高 |
归一化很关键比较文本相似度时通常先把向量归一化，这样点积=余弦，避免向量长度干扰。
⑤ 用法场景与典型例题
例1（手算余弦）a=(1,0)，b=(1,1)，cos(a,b)=？
套公式：点积除以模长乘积。
① a·b = 1×1+0×1 = 1。
② |a|=1；|b|=√(1+1)=√2。
③ cos = 1/(1×√2) = 1/1.414 ≈ 0.707。夹角 45°，比较相似。
例2（余弦 vs 点积）两个向量方向相同，但一个长度是另一个 3 倍，余弦怎么变？
余弦只看方向。
① 方向相同夹角为 0。
② 余弦 = 1，和长度无关。
③ 但点积会变大（=余弦×长度乘积）。
答案：余弦不变仍为 1；点积受长度影响。
例3（为什么用 HNSW）一百万向量暴力查询为何慢？
每次全量比较。
① 暴力要和每条都算距离，百万级×高维，延迟高。
② HNSW 通过图结构只探索少量候选。
答案：近似索引用少量比较换巨大提速。
Top-K检索返回最相似的 K 个结果，是搜索/RAG 的标准输出。
⑥ 高频错误诊断（4 条）
错误 1：不做归一化就用点积比文本相似度长句子向量长度大，会被误判为更"相似"。先归一化，或直接用余弦。
错误 2：混淆"距离小"和"相似度大"欧氏距离越小越近；余弦越大越像。方向别记反。
错误 3：以为近似索引一定 100% 找到最近HNSW 是近似，偶尔漏掉真最近邻，可通过调参数平衡召回率和速度。
错误 4：维度/模型不匹配硬比不同 Embedding 模型产出的向量不能直接比，必须同一套模型。
⑦ 考点真题演练（4 题）
考点分布
| 考法 | 出题形式 | 应对 |
|---|
| 余弦手算 | 给两个向量算相似度 | 点积除模长乘积 |
| 余弦 vs 点积 | 长度影响谁 | 余弦不管长度 |
| 索引 | 问 HNSW/Faiss 作用 | 近似最近邻，加速 |
真题基础1. 余弦相似度的取值范围是？
真题中档2. a=(1,0)，b=(1,1)，cos(a,b) 约为？
真题中档3. 两个向量方向相同、长度差 3 倍，余弦相似度？
真题拔高4. HNSW 这类近似最近邻索引的价值是？
⑧ 必背知识点卡
本质：意思近则向量近，用距离衡量相似度 最近邻
余弦：cos=(a·b)/(|a||b|)，[-1,1]，越大越像 看方向
点积：余弦×长度乘积，归一化后=余弦 含长度
欧氏：√Σ(aᵢ−bᵢ)²，越小越近 直线距离
汉明：二进制不同位数，二值向量快 比特比较
索引：HNSW 图结构近似最近邻，Faiss/Milvus 换速度
铁律：同模型才能比；文本先归一化 别跨模型
⑨ 应用输出：搭建一个语义搜索库
实战场景：在商品标题里语义搜索
① 建库：用同一 Embedding 模型把每个商品标题编码成 768 维向量。
② 归一化：把向量归一化，后续点积=余弦。
③ 入库：存入 Milvus，建 HNSW 索引。
④ 查询：用户输入"降噪耳机"也编码成向量，检索 Top-K 最相近的商品。
⑤ 调参：若召回不够准，调 HNSW 参数平衡速度与召回率。
口述"相似度就是两个向量像不像，文本用余弦、看方向不看长度；海量向量用 HNSW 近似索引快速找最近邻，Faiss/Milvus 是常用工具。"
⑩ 分层练习 16 题（基础 6 + 中档 5 + 拔高 5）
▍基础 6 题
基础1语义相近的两段话，向量在空间里？
挨得近。
基础3余弦看方向还是看长度？
看方向夹角，不管长度。
基础6HNSW 解决什么？
海量向量的近似快速检索。
▍中档 5 题
中档7向量 a=(3,4)，模长是多少？
√(9+16)=√25=5。
中档8欧氏距离越小代表？
两个向量越近、越相似。
中档9为什么文本检索常归一化？
消除向量长度影响，让点积等价于方向相似度。
中档10Milvus 和 Faiss 的区别？
Faiss 是库；Milvus 是服务化向量数据库，更生产级。
中档11汉明距离用于什么向量？
二进制/二值向量，比不同比特位数。
▍拔高 5 题
拔高12为什么不同 Embedding 模型的向量不能直接比？
各模型坐标系不同，距离没有可比性。
拔高13近似索引为何可能漏掉真最近邻？
它只探索部分候选，用精度换速度；可调参数提高召回。
拔高14余弦为 0 说明什么？
两向量正交、方向无关，语义上基本不相关。
拔高15Top-K 在 RAG 里指什么？
返回最相似的 K 个文档块喂给大模型。
拔高16高维向量的"维度灾难"对检索意味着什么？
高维下所有点距离都差不多，区分度下降，更依赖好索引和归一化。
⑪ 记忆口诀 + 7 天复习计划
三句口诀
① 语义近则向量近，距离衡量相似度。
② 余弦看方向不管长度，归一化后点积等于余弦。
③ 海量向量用 HNSW 近似索引，Faiss/Milvus 来装。
| 天 | 任务 | 自检 |
|---|
| 第 1 天 | 读②③④，背余弦公式 | 说清余弦看什么 |
| 第 2 天 | 背知识点卡 + 基础 1-6 | 基础全对 |
| 第 3 天 | 做中档 7-11，手算余弦 | 算对 a=(1,0),b=(1,1) |
| 第 4 天 | 做拔高 12-16 | 懂近似索引取舍 |
| 第 5 天 | 做⑦真题 4 题 | 限时每题 2 分钟 |
| 第 6-7 天 | 合上书口述距离与索引 | 不看资料全说对 |
← 返回算法与AI总览