4.0 KiB
id, title, type, domain, stack, tags, level, related, week
| id | title | type | domain | stack | tags | level | related | week | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| backend.elasticsearch.interview | Elasticsearch 面试题 | interview | backend |
|
|
intermediate |
|
|
Elasticsearch 面试题
基础
【基础】什么是倒排索引？
参考答案：从“词”到“包含该词的文档列表（及位置、词频）”的映射。写入时对文本分词建立倒排表，查询时分词后查表求交并、算分，所以全文检索快。
追问：为什么 ES 写入后不能立即搜到？→ 近实时：写入先进内存缓冲，refresh（默认约 1 秒）后生成新的段才可搜索；可以 refresh=wait_for 但会影响写入性能。
【基础】text 和 keyword 的区别？
参考答案：text 会分词，用于全文检索；keyword 不分词，用于精确匹配、过滤、排序和聚合。同一字段可以用多字段（fields）同时建两种。
追问：对 text 字段做 term 查询会怎样？→ 往往查不到，因为存储的是分词后的词项，而 term 查询不分词。
【基础】must 和 filter 的区别？
参考答案：都要求匹配；must 参与相关性算分，filter 不算分并且可以被缓存，适合租户、权限、状态、时间范围等条件。
追问：权限条件应该放哪里？→ filter，并且在向量检索中也要通过 knn.filter 传入。
进阶
【进阶】混合检索怎么做？为什么常用 RRF？
参考答案：关键词（BM25）和向量（kNN）分别召回，再融合。BM25 分数无上限、与查询相关，向量相似度在固定区间，直接加权需要归一化且不稳定；RRF 只用名次 1/(k+rank) 求和，简单稳健。融合后再用重排模型精排。
追问：服务端 RRF 和应用层 RRF 怎么选？→ 服务端少一次往返、写法简洁，但受版本和许可证限制；应用层灵活、可以融合来自不同系统（例如 ES + pgvector）的结果。
【进阶】映射需要修改怎么办？
参考答案：已有字段的类型和分词器不能修改。新建索引（新映射）→ _reindex 或从数据源重新导入 → 追平增量 → 校验 → 原子切换别名 → 保留旧索引以便回滚。
追问：重建期间的增量写入怎么处理？→ 双写到新旧索引，或者重建完成后按时间戳 / 版本号补齐差异再切换。
【进阶】中文分词怎么做？
参考答案：常用 IK 插件：写入用细粒度（ik_max_word），查询用粗粒度（ik_smart）；维护业务词典和同义词；插件版本要与 ES 一致。内置 cjk 分析器按二元切分，可以作为没有插件时的方案。
追问：词典更新后要做什么？→ 新写入的数据按新词典分词，已有数据需要重建索引才会生效。
场景题
【场景题】RAG 知识库对型号、错误码检索不准，怎么改？
参考答案：引入关键词检索与向量检索混合（ES BM25 + kNN，RRF 融合 + 重排）；业务词典保证型号不被切碎；权限作为 filter；同步链路保证数据新鲜；用标注集评估召回率。详见知识库混合检索场景。
追问：怎么证明改进有效？→ 固定标注集，对比改动前后的召回率@K、MRR 以及最终回答的正确率。
【场景题】数据库中的数据怎么可靠地同步到 ES？
参考答案：常用方案：业务事务内写 outbox 表 → 投递到消息队列 → 幂等消费者写 ES（数据库主键作为 _id、带版本号防止旧数据覆盖新数据）；或者用 CDC（读取数据库日志，如 Debezium / MongoDB 变更流）。失败重试 + 死信 + 定期对账。
追问：消息乱序导致旧版本覆盖新版本怎么办？→ 使用外部版本号（version_type=external）或写入前比较更新时间，只接受更新的版本。