今天鸭鸭在脉脉刷到一条帖子，越看越沉默。
他从今年 1 月开始面试，年前还觉得机会挺多，甚至有一家大厂已经走完了 五轮面试，都到薪酬环节了。
结果年后整个画风直接变了。
原本已经快发 offer 的大厂，突然开始缩 HC，审批一个多月都没消息；另外一些公司，约面越来越少，好不容易面完几轮，面评说还不错，转头还是给挂了。甚至都到 HR 面了，面完一周多，消息直接石沉大海。
说实话，今年找工作最难受的，已经不是“我不会，所以没过”。
而是： 你明明感觉自己答得还行，对方也没有明显负反馈，流程甚至都快走完了，最后却还是没有结果。
这种感觉，才是真的磨人。
以前找工作，大家最怕的是一面就挂。 现在很多人更怕的是：
- 面过了，但 HC 缩了
- 到薪酬环节了，但 offer 卡住了
- HR 面完了，但突然失联了
- 反馈说不错，但最后还是没坑位
你会开始怀疑是不是自己不够好，怀疑是不是哪一轮答崩了，甚至怀疑是不是自己方向不对、年纪大了、市场不需要你了。
但现实往往更扎心： 很多时候，问题可能根本不在你。
而是在于今年不少公司的招聘，本来就处在一种很拧巴的状态。
业务想要人，部门也想招人，流程照样在走，面试照样在面，但真正到发 offer 的时候，HC 又卡得死死的。
所以现在的互联网求职，最让人破防的，已经不是被面试官当场挂掉，而是给了你希望，再慢慢把这个希望拖没。
底下高赞评论里，也有人直接说： 现在 AI 已经把整个互联网行业都干得不轻，企业不怎么招人了，程序员严重过剩。
还有人补了一刀： 不是你一个人有这种感觉，现在很多岗位都是“只出不进”。
鸭鸭写这篇帖子，不是为了贩卖焦虑，而是提醒大家一件事：
今年找工作，真的不能再用前两年的体感去判断市场了。
你以为自己只是偷偷看看机会，结果一脚踏进去才发现，很多机会看起来还在，真正能落到 offer 上的，却少了很多。
面试流程变长、HC 变少、反馈变慢、临门一脚缩水，这些事，很可能都会慢慢变成常态。
所以如果你现在也在一边上班一边刷 Boss，一定别太早把一次“面评不错”当成稳了。
在 offer 真正落下来之前，任何环节都还有变数。
大家怎么看？ 你最近找工作，有没有遇到“明明面得不错，最后却还是没结果”的情况？欢迎在评论区和大家聊聊～
……
今天和大家分享一篇面经。
【向量数据库中，常见的向量搜索方法：余弦相似度、欧几里得距离和曼哈顿距离分别是什么？有什么区别？ 】
回答重点
向量搜索的核心就是衡量两个向量有多"像"，三种方法各有侧重：
余弦相似度只看方向不看长度，两个向量夹角越小、值越接近 1，说明方向越一致。文本向量检索基本都用它，因为我们关心的是语义方向，一篇 100 字的文章和一篇 1000 字的文章只要讲的是同一个主题，余弦相似度就会很高。取值范围 -1 到 1，1 是完全同向，-1 是完全反向。
欧几里得距离算的是空间中两点之间的直线距离，就是勾股定理那一套。图像检索、人脸识别这类场景用得多，因为像素特征向量本身就有"绝对位置"的含义，两张图的特征向量在空间里离得越近，长得就越像。取值 ≥ 0，越小越相似。
曼哈顿距离把各维度的差值绝对值加起来，像在城市街区里沿着街道走，不能斜着穿。网格数据、稀疏特征向量用得比较多，比如地图坐标计算、高维稀疏文本特征。取值 ≥ 0，同样越小越相似。
三种方法的选型逻辑：文本、推荐系统首选余弦相似度；图像、视频检索首选欧氏距离；网格坐标、稀疏高维数据考虑曼哈顿距离。
扩展知识
数学公式与计算复杂度
假设有两个 n 维向量 A 和 B：
1）余弦相似度的公式是两个向量的点积除以模长的乘积，计算量主要是 n 次乘法加 n 次加法，再算两个模长。Faiss、Milvus 这类向量数据库内部会对归一化后的向量做优化，归一化之后余弦相似度就等价于点积，省掉模长计算。
2）欧氏距离是各维度差值平方和再开根号。实际检索时经常省掉开根号这一步，直接比较平方和就够了，能省不少计算。
3）曼哈顿距离是各维度差值绝对值之和，计算最简单，没有乘法和开方，在高维稀疏场景下效率有优势。
篇幅有限，更多 AI 相关面试题可以进入面试鸭（mianshiya.com）进行查阅。
