向量数据的质量怎么监控？Embedding 漂移怎么发现？
面试怎么回答
向量可能出现生成失败、模型版本混用、输入是空或乱码、和文档不同步、以及数据或提问的分布漂移。入库时检查维度、NaN、全零、范数是否正常，记录模型版本并保证同一索引版本一致，片段文本长度正常。定期做一致性检查：文档、片段、向量数量对账，没有孤儿向量；抽样重算向量和已存的比较，相似度不够高说明模型或预处理变了；文档更新时间晚于向量生成时间的说明没同步。分布上监控新入库向量的平均向量、平均相似度和聚类分布，以及用户提问向量里和现有文档都不相似的比例。最终标准是固定检索评测集的 Recall@K，加上线上最高相似度分布、未找到答案的比例和负评率。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
RAG 系统上线几个月后，检索效果慢慢变差，却没有任何告警。传统的数据质量规则（空值、唯一性、范围）对向量几乎不起作用：一个 1024 维的浮点数组，怎么判断它「对不对」？面试官问这题，想看你能不能为向量这种新型数据设计质量监控。
向量可能出的问题
- 生成失败：向量是空的、全零、维度不对、包含 NaN；
- 模型版本混用：一部分向量是旧模型生成的，一部分是新模型，彼此不可比；
- 输入有问题：片段文本是空的、乱码、解析失败的内容，生成的向量没有意义；
- 数据不同步：文档更新了，向量没更新；文档删除了，向量还在；
- 分布漂移：新入库的数据和原有数据的主题、语言、格式发生了变化，或者用户提问的分布变了，检索效果下降。
基础的质量检查（入库时）
- 维度正确、没有 NaN 和无穷值、不是全零向量；
- 向量的范数在正常范围（如果模型输出是归一化的，范数应该接近 1）；
- 每条向量记录模型版本，检查同一索引中模型版本一致；
- 对应的片段文本长度正常、不是乱码。
一致性检查（定期）
- 文档、片段、向量的数量对账：每个有效文档都有片段，每个片段都有向量，没有孤儿向量；
- 抽样重算：随机抽一批片段重新生成向量，和存储的向量比较相似度，应该非常接近，否则说明模型或预处理发生了变化；
- 更新时间检查：文档更新时间晚于向量生成时间的，说明没有同步。
分布监控
- 统计特征：对新入库的向量，计算平均向量、向量之间的平均相似度、聚类分布，和历史基线对比；
- 主题分布：对向量聚类，观察各个簇的大小变化，发现新的主题出现或旧主题消失；
- 查询侧：用户提问的向量分布变化，比如出现了大量和现有文档都不相似的问题，说明知识库覆盖不足。
效果监控（最终标准）
- 固定的检索评测集，定期跑，监控 Recall@K 的变化；
- 线上指标：检索结果的最高相似度分布（整体下降说明匹配变差）、「未找到相关信息」回答的比例、负评率。