向量数据库（Chroma / Milvus）

课程目标

1. 理论：ANN、相似度度量、召回与延迟的权衡。
2. 实践：Chroma 快速原型 + Milvus（或 Milvus Lite）可对比。
3. 集成：metadata 过滤 + RAG；能解释何时选 pgvector。
4. 运维：数据量增长、备份、资源估算。

认知地图

12 天学习路径

Day1：向量与相似度

• 任务：cosine / L2 / inner product 各适用什么归一化；手写 2 个向量算相似度。
• 验收：能解释「维度灾难」在工程里如何被 ANN 缓解。

Day2：Embedding 与维度

• 任务：选一款 embedding 模型；记录维度与是否需归一化。
• 验收：同一文档不同 chunk 策略的向量差异（直观理解即可）。

Day3：Chroma 入门

• 任务：入库 50~200 段文本；where metadata 过滤查询。
• 验收：打印 Top-K 与 distance。

Day4：Chunk 策略实验

• 任务：固定长度 vs 语义切分（若工具支持）；3 个查询比较命中率。
• 验收：结论写入 chunking-notes.md。

Day5~6：Milvus 基础

• 任务：collection schema；插入；构建索引（资源不足可用 Lite/小规模）。
• 验收：解释 FLAT vs IVF vs HNSW 的取舍（延迟/内存/召回）。

Day7：过滤与混合

• 任务：向量检索后接 metadata 过滤 vs 先过滤再检索（按引擎能力）。
• 验收：延迟对比数字。

Day8：与 RAG 对接

• 任务：检索结果带去重、score 阈值、空结果降级。
• 验收：trace 里能看到 top_doc_ids。

Day9：评测

• 任务：20 条问句；记录 Top3 是否包含正确答案段落（人工判）。
• 验收：命中率 + 典型失败模式。

Day10：运维与成本

• 任务：估算磁盘：向量数 × 维度 × 精度；备份策略。
• 验收：一页运维笔记。

Day11：pgvector 对照（可选）

• 任务：读官方 README；列「事务内检索」场景。
• 验收：面试题：何时 pgvector 胜过专用库。

Day12：面试

• 任务：白板：索引选型 + 慢查询排查流程。

面试高频

• 为何要 partition / collection 分片？
• 索引如何随数据量演进？
• 检索慢：是索引、网络、embedding 还是 post-filter？

常见陷阱

• metadata 高基数导致过滤极慢。
• 无 score 阈值，噪声进上下文拖垮模型。
• 训练与线上 embedding 模型不一致。

实操验收

• Chroma vs Milvus（或 Lite）小样本对比：vector-db-benchmark.md
• 含 metadata 与至少一种索引类型的可复现步骤

最新资料（2026-05 校验）

• Milvus 文档
• Chroma 文档
• pgvector