大模型面试里相似度函数是 RAG、向量检索相关的高频考点，核心就是用数学方法衡量两段文本 Embedding 向量之间的语义相近程度，面试重点考察余弦相似度、点积、欧氏距离这三种，还要分清各自适用场景、优缺点，很多面试官会追问向量归一化对相似度函数结果的影响。文本经过 Embedding 模型会转为高维向量，语义相近的文本对应的向量在空间上更靠近，不同相似度函数衡量的角度不一样；余弦相似度只关心向量方向，不受向量长度影响，是大模型语义检索最常用；点积同时受向量方向和向量模长影响，归一化之后点积等价余弦相似度；欧氏距离衡量空间直线距离，对向量模长敏感，在文本向量检索场景使用偏少。面试答题一般思路为先讲 Embedding 作用，再分别介绍三种相似度函数，对比差异，最后结合 RAG 向量数据库场景说明选型理由，部分面试还会要求手写简单 Python 代码实现。
一、三种主流相似度函数核心信息清单
- 余弦相似度 Cosine Similarity
- 点积（内积）Dot Product
- 欧氏距离 Euclidean Distance（L2 距离）
公式：cosθ = (A・B) / (||A|| × ||B||)
取值范围：[-1,1]，越接近 1 代表越相似
特点：只看向量夹角方向，对向量长度不敏感
适用场景：RAG 语义检索、文本 Embedding 相似度计算
公式：A・B = Σ(ai × bi)
取值范围：无固定上下限
特点：同时受向量方向和向量模长影响；向量归一化后，点积 = 余弦相似度，计算速度更快
适用场景：向量已经归一化的 Embedding 检索，向量数据库 FAISS 常用
公式：d=∑(ai−bi)2
取值范围：≥0，数值越小向量越接近
特点：衡量空间两点直线距离，对向量长度敏感
适用场景：图像向量、数值特征向量；文本语义检索很少直接使用
二、面试高频对比表格
| 相似度函数 | 关注点 | 归一化后变化 | 文本 RAG 推荐度 |
|---|---|---|---|
| 余弦相似度 | 向量方向 | 不变 | ⭐⭐⭐⭐⭐ |
| 点积 | 方向 + 向量长度 | 等价余弦相似度 | ⭐⭐⭐⭐ |
| 欧氏距离 | 空间直线距离 | 依然受模长影响 | ⭐⭐ |
三、面试答题步骤参考
- 先说明背景：文本经过 Embedding 转为高维向量，相似度函数用来量化向量之间语义相似度，是 RAG 召回的基础。
- 逐个介绍余弦相似度、点积、欧氏距离的定义与特点。
- 对比三者差异，解释为什么文本检索优先用余弦相似度。
- 补充向量归一化知识点，说明归一化后点积和余弦相似度的关系。
- 结合向量数据库场景说明选型，回答优缺点。
- 拓展：高维空间下距离失效问题，高维向量欧氏距离区分能力下降。
【相关 FAQ】
问题 1：大模型 LLMs 基础面试中，相似度函数为什么 RAG 场景优先选择余弦相似度？
回答 1：大模型 LLMs 基础面试里，RAG 场景选择余弦相似度，是因为余弦相似度只关注向量方向，不受文本长短带来的向量模长影响，长文本和短文本只要语义相近，就能得到较高相似度分数，更适合文本 Embedding 语义匹配，是检索场景的默认选择。
问题 2：大模型 LLMs 基础面试，相似度函数中点积和余弦相似度什么时候结果相等？
回答 2：大模型 LLMs 基础面试知识点里，当两个向量都做了 L2 归一化，向量模长等于 1，此时相似度函数里的点积计算结果和余弦相似度完全相同，点积计算省去除以模长的步骤，计算速度更快，向量库常使用这个特性加速检索。
问题 3：大模型 LLMs 基础面试，相似度函数中欧氏距离为什么不适合文本 Embedding 检索？
回答 3：大模型 LLMs 基础面试中，相似度函数里的欧氏距离衡量向量空间直线距离，对向量模长很敏感；两段语义完全一样、长度不同的文本，生成向量模长不一样，欧氏距离会很大，容易误判为不相似；同时高维空间欧氏距离区分效果变差，因此很少用于文本 Embedding 检索。
【参考资料】
[2026-08-23]（AI Engineering Interview Prep — Part 1: LLM Fundamentals & Context Engineering）Vikas Srivastava
[2026-07-23]（RAG 核心概念与原理：Chunking、Embedding、相似度、HNSW 与多路召回）腾讯云开发者社区
[2026-06-01]（LLM Engineering Interview Q&A）SynfraCore
[2026-04-09]（RAG Interview Questions (2026): The Complete Guide with 41 Answers）gitGood.dev
【免责声明】
本文是大模型 LLMs 基础面试相似度函数科普内容，用于面试学习备考；相似度函数选型还需要结合 Embedding 模型、向量数据库特性、业务场景综合判断，实际项目结果会受向量归一化、量化、索引算法影响。本内容不构成工程落地唯一方案，面试回答可结合自身项目经历灵活调整。
本文来自作者[磁频织序者]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/rgzn/202611/455.html
评论列表（4条）
我是环球科技潮的签约作者“磁频织序者”！
希望本篇文章《大模型 LLMs 基础面试相似度函数知识点讲解》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：大模型面试里相似度函数是 RAG、向量检索相关的高频考点，核心就是用数学方法衡量两段文本 Embedding 向量之间的语义相近程度，面试重点考察余弦相似度、点积、欧氏距离这三种，还要分清各自适用场景、优缺点，很多面试官会追问向量归一化对相似度函数结果的影响。文本经过 Embedding 模型会转为高维向量，语义相近的文本对应的向量在空间上更靠近，不同相似度函数衡量的角度不一样；余弦相似度只关心向量方向，不受向量长度影响，是大模型语义检索最常用；点积同时受向量方向和向量模长影响，归一化之后点积等价余弦相似度；欧氏距离衡量空间直线距离，对向量模长敏感，在文本向量检索场景使用偏少。面试答题一般思路为先讲 Embedding 作用，再分别介绍三种相似度函数，对比差异，最后结合 RAG 向量数据库场景说明选型理由，部分面试还会要求手写简单 Python 代码实现。