匹配正文：…话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检索通用场景 RR融合或线性加权，兼顾语义与精确匹配质量影响：召回率决定答案上限，需平衡速度与精度（Top-K通常取…

#阿里云#重排与优化#向量检索

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：检索失败的核心原因语义层面查询与文档的语义空间不对齐：用户口语化表达 vs 文档正式表述多义词、歧义查询导致向量"撞车"（如"苹果"指水果还是公司）数据层面文档本身质量差：冗余、过时、包含矛盾信息分块策略不当：关键信息被截断或上下文丢失系统层面 Top-K阈值设置不合理，正确答案被挤出单一向量检索的召回率瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：为什么需要重排向量检索（双塔模型）追求效率，用内积/余弦相似度快速召回，但存在两个局限：表示瓶颈：query和doc压缩成单一向量，细粒度语义丢失交互缺失：query-doc没有早期交互，难以捕捉复杂匹配关系重排模型正是弥补这个gap，在小范围候选集上做精准排序。两阶段检索架构 Query → 向量检索（召回Top-K，K=100~1000） → 重排模型（精排Top-N，N=5~10） → 生成第一阶段：追求召回率，用ANN快速过滤第二阶段：追求准确率，用重排…

← 上一页第 10 / 22 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排收益与成本

匹配正文：…在较小候选集（如Top-100→Top-5）上做精确排序，牺牲延迟换取精度对生成质量的具体提升维度提升效果相关性过滤剔除向量相似但主题偏离的"伪相关"文档，减少无关信息干扰事实准确性确保进入上下文的文档真正包含答案依据，降低幻觉风险信息密度优先排序信息完整、结构清晰的文档，提升上下文利用效率多跳推理对需要组合多个文档的场景，重排能更好识别互补性文档工程实践要点模型选择：轻量场景用Cross-Encoder（如bge-reranker），复杂场景用LL…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：答案要点说明两阶段检索的动机（召回vs精度的权衡）解释向量检索的局限性（语义粗粒度、无法利用交互信息）阐述Rerank的核心作用（细粒度语义匹配、计算资源后置）提及常见的Rerank模型（Cross-Encoder、ColBERT等）为什么需要Rerank 向量检索的固有缺陷双塔架构（Query-Document独立编码）只能捕捉粗粒度语义，缺乏细粒度交互 Embedding维度受限（通常768/1024维），信息压缩导致精度损失无法利用Query和Docume…

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…权衡在线场景（<100ms）：HNSW索引 + 粗排截断Top-K 离线/准实时：可接受IVF-PQ的精度损失换内存成本约束向量维度、索引类型直接决定内存占用；百亿级需考虑分片+磁盘索引方案性能优化策略索引层量化压缩（PQ/SQ）：内存降80%，精度损失可控分层索引：高频走内存HNSW，低频走磁盘IVF 检索流程两阶段检索：向量召回Top-100 → 轻量重排模型精排Top-10 查询改写：HyDE、Query2Doc扩展，解决短查询语义缺失系统层结果缓存…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…文档Top-K → 拼接Prompt → LLM生成答案关键设计：检索结果作为**上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法核心思想适用场景 Dense Retrieval 双塔Embedding（Query/Doc各编码）语义匹配、长尾Query Sparse Retrieval BM25、TF-IDF词项匹配精确匹配、高频术语混合检索(Hybrid) Dense+Sparse结果融合（RRF/线性加权）通用…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…" 举例典型应用场景差异核心区别维度 Prompt Engineering Context Engineering 目标优化模型输入的表达方式优化模型输入的信息质量操作对象提示模板、指令结构、示例格式外部知识的选择、排序、压缩、组织核心问题 "怎么问" "给什么" Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…ccuracy或RAGAS框架（context precision/recall, answer relevance等）二、检索模型优化双路召回策略稀疏检索（BM25）：关键词匹配，对专有名词、ID类查询效果好，可解释性强稠密检索（Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对…

#360#召回质量评估#RAG 召回优化

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：… 解析并清洗文档，保留来源、版本、权限和时间等元数据。按结构或候选分块策略生成 chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、余弦或距离检索。点积同时受方向和模长影响；向量做 L2 归一化后，点积排序与余弦排序等价。模型质量取决于训练域、负样本和文档切分。融合与评估可对两路候选取并集去重后用 RRF 按名次融合；也可校准两路分数后加权，或交给 cross-encoder 重排。RRF 不要求原始分数同尺度，但仍需调节候选深度和常数；分数加权必须防止尺度漂移。应分别报告 BM25、Dense 与 Hybrid…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：…理解item A和item B的语义关联，生成隐式交叉特征快手实践：用LLM解析短视频标题/ASR文本，生成结构化标签，喂给双塔模型 2. 召回层（探索中）方案原理挑战语义向量召回 Item→LLM Embedding→向量库推理成本高，需离线预计算生成式召回 LLM直接生成候选item ID或描述需微调适配ID空间，幻觉问题对话式交互用户query→LLM理解→扩展语义召回适合搜索推荐联动场景 3. 排序层（谨慎切入）重排序阶段：用LLM做精排后的多…

#快手#LLM推荐系统#LLM 推荐系统

面试题·检索· 快手

LLM怎么融入推荐系统？序列建模与排序

匹配正文：…义增强 ID → 文本映射：将物品ID、用户行为转为自然语言描述（如"用户A最近浏览了红色连衣裙"） LLM编码：用LLM提取文本embedding，替代或补充传统ID embedding 关键挑战：ID信息丢失、文本描述质量依赖、embedding空间对齐 2. 序列建模：长行为序列处理方案做法问题直接输入将N条行为拼成超长prompt 上下文窗口限制、推理成本爆炸摘要压缩 LLM先压缩历史为兴趣标签信息损失、压缩策略设计分层架构传统模型做短期，LLM做长…

#快手#LLM推荐架构#LLM 推荐系统

面试题·检索· 小红书

中文知识库检索选型

匹配正文：…案关键词强相关（电商搜索） BM25为主语义理解优先（问答、客服）稠密检索+微调通用场景 Hybrid：BM25召回+稠密向量重排，或两路召回融合小红书UGC场景的特殊性：内容口语化、多模态（图文），稠密向量建议用对比学习微调，负样本采"难负例"（同batch其他样本+BM25高分离散样本）。学习建议建议先掌握信息检索基础，再深入学习稠密与稀疏检索模型原理及典型实现。

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：…略（增量vs重建）提及实际工具选型（FAISS/Milvus/Pinecone等） ANN索引构建完整流程 1. 数据准备阶段向量归一化：统一维度，处理缺失值，L2归一化（余弦相似度场景）数据分区：按业务维度分片（如按用户/类目），降低单次搜索规模采样分析：评估向量分布密度，指导后续算法选择 2. 算法选择（核心trade-off）算法适用场景特点 HNSW 百万-千万级，高召回要求图索引，查询快，内存占用高 IVF 亿级以上，内存受限倒排+聚类，构建快，需…

#拼多多#ANN索引构建#ANN 索引构建

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：…似度。真实引擎返回的是相似度还是距离、是否越大越好，都要先确认。连排序方向都没有对齐时，加权结果更谈不上可解释。当然，也可以缩小向量路的权重，抵消这次放大。但这恰好说明，原始权重与分数尺度绑在一起。脱离分数定义，单独说“关键词占七成，语义占三成”，并没有交代实际偏好。更换模型或改了打分接口后，即使权重文件没动，融合行为也可能需要重新检查。压到同一区间，还没校准相关性一个容易实现的处理，是分别在各路当前候选里做Min-Max：减去本路最小值，再除以最大值与最小值的差。这样…

#RAG#混合检索#RRF

项目实战·RAG

RAG 智能问答系统

匹配正文：… 从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.11独立环境。原requirements使用版本范围，不是完整锁文件，也不保证不同平台今天安装都得到同一组合。macOS/Linux可从这份已…

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…。文中不预填项目规模、个人职责与效果数字；练习时只能使用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cro…

#RAG#项目深挖#教学复原

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…版本回退和索引恢复记录真实页数、文件大小、日处理量和人工复核容量下一步：extension。配套学习：RAG 文档怎么存储和向量化?。 11. extension · extension 如果增加多语言手写扫描件且日处理量扩大十倍，分流、缓存、GPU 调度和人工复核怎样调整？考察重点：测试约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：RAG 中表格图片怎么处理?。评分与复盘 dimension：owne…

#模拟面试#简历项目#连续追问

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…实检索场景】的混合召回与重排，承担【真实模块和决策】。需要准备：查询与语料场景；职责边界；候选生成与排序工件。使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。需要准备：基线；融合参数；消融结果；工程代价。逐层练习 1. ownership · ownership 简历原句是“【自己的真实项目描述】”。BM25、向量召回、融合和重排中，哪些组件及参数由你负责？考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。 …

#模拟面试#简历项目#连续追问

系统教程·检索

重排与检索优化面试题大全

匹配正文：…der 的代价，以及如何用指标证明重排真的有收益。重排会不会拖慢线上接口？会，所以要讲 topK 控制、batch 推理、轻量模型、缓存和降级策略。好的答案不是“加重排”，而是“在可接受延迟内提升有效上下文”。混合检索和重排怎么配合？混合检索负责扩大候选，重排负责统一相关性判断。常见做法是 BM25 + 向量召回后 RRF 融合，再用 reranker 精排前几十条。继续学习 RAG 面试题大全与知识体系系统设计：把检索链路做成可评估系统

#专题学习#重排与检索优化面试题大全

系统教程·知识图谱

知识图谱与 GraphRAG 面试题大全

匹配正文：知识图谱不是每个 RAG 都要加，但在复杂关系、多跳推理、强结构业务里很容易成为加分项。面试关键是讲清什么时候需要图谱，以及图谱和向量检索怎么配合。配套教程 RAG 面试题大全与知识体系大模型系统设计：复杂知识检索怎么拆知识模块知识图谱、GraphRAG 与结构化检索知识图谱、GraphRAG 与结构化检索常见问题 GraphRAG 适合什么场景？适合实体关系密集、需要多跳关联或全局结构总结的场景。普通 FAQ 或短文档检索不一定需要图谱，先把基础 RAG 做好…

#专题学习#知识图谱与 GraphRAG 面试题大全