一句话总结：向量库运维核心三件事——备份恢复（快照/增量段导出）、一致性对账（向量库 vs 元数据库每日核对 + 幂等 Upsert）、热温冷分层（热层在线/温层对象存储/冷层归档），外加定期碎片整理。

备份恢复（各库姿势）

库	方式
Milvus	collection 快照 / milvus-backup 增量导出段到 S3（只导变更段）+ 备份 etcd+MinIO
Qdrant	原生 snapshot
Chroma	直接复制持久化目录
pgvector	SQL 备份
FAISS	无内置——手动 faiss.write_index()

一致性检查（日常作业，面试默写）

• 向量库 chunk 数 == metadata DB chunk 数
• 每 chunk 的 content_hash 在 metadata DB 有对应 row
• 每 doc 的 chunk_count == metadata DB 记录数
• 软删除超 90 天的 chunk 硬清理
• 不一致 → alert + 人工复盘；周期性全量重建兜底

关系库-向量库同步（双写一致性）

1. 写入顺序：先关系库，再向量库
2. need_resync 标记 + 定时对账任务
3. Upsert 而非 Insert（幂等）
4. 定期比对两库记录数

热温冷分层

• 热层：实时查询（RAM/SSD）
• 温层：MinIO 对象存储（30-365 天），查询未命中异步拉取（TTL=10min 临时分片）
• 冷层：Glacier 归档（365 天+），仅合规审计不服务在线

碎片与维护

• 频繁删除 → 索引碎片 → 查询退化：定期 VACUUM + 索引重建
• 归档堆积拖慢 checkpoint → 影响写入吞吐
• 核心运维动作：索引生命周期（构建/合并/删除/重建）自动化

面试要点

• 能说各库备份方式（Milvus 快照/Qdrant snapshot/FAISS 手动）
• 能默写一致性检查四项
• 能讲双写顺序（先关系库再向量库）+ Upsert 幂等
• 能画热温冷分层与碎片维护

相关概念

• [AI-Agent-向量数据库选型与索引调优](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库选型与索引调优) — 选型
• [AI-Agent-RAG缓存与索引运维](/学习笔记/AI技术/AI Agent/AI-Agent-RAG缓存与索引运维) — 增量索引衔接
• [AI-Agent-向量数据库分片与成本优化](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库分片与成本优化) — 扩容
• [AI-Agent-生产部署](/学习笔记/AI技术/AI Agent/AI-Agent-生产部署) — 线上服务