4. 金融领域Embedding与向量库面试题

在金融RAG岗位面试中，Embedding与向量库是区分“会调API”和“懂检索系统”的关键分水岭。面试官通常不会只问“你用过哪个模型”，而是沿着选型依据→微调策略→索引结构→召回评估→工程落地这条链路连续追问。本章帮你把这条链路拆成可复述的回答框架，并给出大厂侧重点的应对策略。

一、核心原理：Embedding与向量库在金融RAG中的定位

Embedding负责把金融文本映射到语义空间，向量库负责在这个空间中做近邻搜索。金融场景的特殊性在于：术语密度高、数字与实体敏感、文档结构复杂（财报、公告、研报、合同）。通用Embedding模型在“净利润同比”“质押率”“久期”这类词上容易混淆，因此选型不能只看MTEB榜单，而要看领域内检索准确率。

向量库的核心指标是召回率、延迟、吞吐、成本。FAISS是库，适合离线实验和嵌入式检索；Milvus是服务，适合在线高并发、多租户、动态增删。面试官问“为什么选Milvus”，本质是在问你对工程化边界的理解。

二、方法流程：从选型到上线的五步法

1. 基线选型：先用BGE、M3E、text-embedding-3等通用模型跑通链路，记录Recall@10与MRR。
2. 领域微调：构造正负样本对，正样本来自“问题-答案段落”，负样本用BM25硬负例和同文档跨段负例。
3. 索引构建：小规模用Flat，中等规模用IVF+PQ，在线低延迟用HNSW。
4. 召回评估：用标注集计算Recall@K、NDCG，并做A/B对比。
5. 上线监控：监控召回率漂移、延迟P99、索引重建耗时。

三、案例/场景：金融公告检索的微调与索引选择

假设场景：某券商需要从年报中检索“研发费用资本化率”相关段落。通用模型会把“资本化”与“费用化”混在一起。解决方案是构造对比学习样本：同一段落的问句为正，其他段落为负，加入数字扰动负例。

# 微调数据构造示例
query = "研发费用资本化率是多少"
pos = "公司本期研发投入资本化金额为1.2亿元，资本化率18.5%"
neg = "公司本期研发费用全部费用化，计入当期损益"
# 训练目标：让query与pos的余弦相似度高于neg

索引选择上，若文档量在百万级、要求P99低于50ms，优先HNSW；若内存受限且可接受略低召回，用IVF_PQ。Milvus中可配置：

index_params = {
  "index_type": "HNSW",
  "metric_type": "IP",
  "params": {"M": 16, "efConstruction": 200}
}
search_params = {"ef": 64}

四、误区/复盘：面试中常见的三个坑

复盘建议：准备一个STAR项目表达，把“模型选型→微调→索引→评估→上线”串成一条线，并量化每个环节的提升。大厂侧重点不同：字节重工程与规模，腾讯重合规与多模态，蚂蚁重金融风控与隐私计算。回答时先判断公司画像，再调整案例侧重点。