团队要做 1 亿条向量的近邻检索，每次返回 top-50，P99 延迟预算 20ms，数据每天新增约 1000 万条，业务要求召回率尽可能高。有人提议直接用精确 KNN 暴力检索，理由是「最准、没有近似损失」。你怎么判断、给什么方案？并说清维度升高之后 KNN 会发生什么。
面试官在考什么
考察对 KNN 查询复杂度、维度灾难与近似最近邻工程取舍的理解，能否把算法问题落到检索系统的设计与运维上。
回答框架 · 前两步
- 精确 KNN 查询复杂度随样本数线性增长，1 亿条 × 20ms 的预算下不可行，必须走近似最近邻。
- 维度灾难：高维下距离集中、区分度下降，基于空间划分的树/哈希方法退化，需要降维或改用图索引、量化方法。
还有 3 条答案要点、 3 层追问、 5 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「机器学习基础」方向页
同一能力域的其他题
- GBDT 和 XGBoost 的关系是什么？XGBoost 相比 GBDT 做了哪些工程与数学上的改进？
- 特征重要性你一般怎么看？树模型的 gain 重要性和 permutation importance 各有什么局限？
- 你在做一个点击率预估模型，训练集 2000 万条，真实正样本率是 1%。你用带截距的逻辑回归训练完之后，验证集 AUC=0.78（看起来正常），但把验证集上的预测概率求平均得到 0.29。请说出你会按什么顺序排查，每一步的判据是什么。
- 某推荐场景有 3 亿条训练样本、2 万维特征（约 95% 的取值为 0，以稀疏 one-hot 为主）。业务要求：全量重训能在 2 小时内跑完，线上单次预测 p99 < 10ms，资源只有 CPU 集群、没有 GPU。现在有三个方案：(A) 逻辑回归 + FTRL 在线学习，边服务边更新；(B) 逻辑回归 + L-BFGS 离线全量重训，每天一次；(C) 直接换成 2 层 MLP。请给出你的选型，并说清楚在什么监控信号出现时你会推翻它。
- 线上一个 LR 二分类模型，每天全量重训，离线训练 AUC 稳定在 0.790，但近 7 天线上 AUC 从 0.780 单调掉到 0.762；模型容量、特征列表、样本量都没有改动。PM 要求本周内把模型换成 XGBoost 来提效果。你作为模型负责人，第一周会做什么？请给出你的归因顺序和判断依据。
- 一个 5 万样本、50 维的二分类任务，你直接用 SVC(kernel='rbf') 训练，跑了一小时没跑完、内存也吃紧。换成 LinearSVC 后 3 分钟训完，但验证集 F1 掉了 4 个点。请说明 RBF 核在这里慢在哪，并给出 2~3 条能同时保住效果的替代方案。