匹配口述回答：…似度，匹配更细。不过代价是存储和检索都更重，所以小规模业务用通用模型加[[Hybrid Search]]其实更划算。检索阶段，纯向量检索有个老毛病，对专有名词和数字不敏感。比如用户搜「订单号2024AB123」，向量可能把它当成噪音忽略掉，但关键词检索能精准命中。所以我会把向量检索和关键词检索结合起来，也就是Hybrid Search，用[[BM25]]走稀疏路，用[[Dense Retrieval]]走语义路，最后加权合并。权重怎么调？我一般离线跑一批测试query，看召…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配口述回答：…同样用那个 Embedding 模型把问题转成向量，去库里做相似度搜索，召回 Top-K 个相关片段。这里有个常见的失败场景：纯用向量检索，碰上关键词匹配的场景容易翻车。比如用户问“订单号 ERR-2024-001”，向量检索可能因为语义不相似而漏掉精确匹配的文档。所以真正上线我一般用 [[Hybrid Search]]，把向量检索和 [[BM25]] [[稀疏检索]]结合起来，比如线性加权或者 RRF [[重排]]。举个业务场景：电商客服处理退款，用户说“我买的东西降价了，…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

RAG检索方法选型原因？

匹配追问：…理解“订单延迟”这个语义，又要精确匹配订单号。你实际会怎么设计检索策略？层层追问 RAG里你一般怎么从文档里找答案？……如果只用向量检索，碰到“iPhone15”这种精确型号会不会漏？那你怎么把精确匹配加进来？……两个结果怎么融合？直球架构在RAG系统中，你采用了哪些检索方法？请说明选型原因，并讨论至少两种优化策略，包括索引、查询或重排序方面的具体手段。

← 上一页第 11 / 11 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#评估与监控#RAG 检索方法

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配追问：…相关的？……如果用户问‘工伤认定’，数据库里既有‘工伤保险条例’又有‘职业病防治法’，你怎么让最准的那个排前面？……再具体点，光靠向量检索不够吧？结合关键词或者知识图谱怎么做？直球架构设计一个医疗领域的RAG系统，数据预处理、检索优化、生成优化三个环节你分别怎么实现？重点说检索优化里的混合检索和重排序方案，还有生成优化里怎么避免幻觉。

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配口述回答：…检索能把两类结果都捞上来。这里有个坑：如果query和文档的语义gap特别大，比如用户说‘订单异常’但文档里写的是‘交易失败’，纯向量检索可能漏掉。这时候我会用查询改写，比如HyDE先生成一个假设文档再检索，或者做query expansion。接下来是[[向量数据库]]选型。索引算法上，HNSW是图索引，IVF是聚类倒排索引，不能按内存型/磁盘型二分；编码、落盘、召回和延迟取决于具体变体及参数。我会根据数据规模和延迟要求选。量化压缩也很关键，从FP32压到INT8能省不少…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配口述回答：这套架构分三步：BM25 与向量检索并行召回，候选去重和排名融合，再用 Cross-Encoder 重排有限候选。 BM25 擅长专有名词、编号和必须字面命中的查询；向量召回擅长同义表达与语义近似。两路互补，但都可能漏召或误召。每路取多少候选要根据证据 Recall 曲线、语料规模和延迟预算确定，不能固定为各 Top-100，也不能宣称召回阶段绝不漏任何相关文档。融合时，RRF 只依赖排名，避免直接比较不同系统的原始分数，是稳健基线。若有可靠标注，也可以用归一化加权或学习排…

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配口述回答：…]]的话，我会关注索引算法，[[HNSW]] 在中等规模下表现稳定，但数据到千万级就得考虑 [[IVF]] 分区了。这里有个前提：向量检索只能做语义相似，没法做精确关键词匹配，所以单纯靠向量容易漏掉那些带特定订单号或错误码的查询。所以检索模块我一般走[[混合检索]]。粗排阶段，同时跑稠密向量和 [[BM25]] [[稀疏检索]]，然后用 RRF 或者倒数排名融合把结果合并。举个例子，用户问“我的退款订单 AB123 处理到哪了”，向量可能把“退款”相关的文档都召回，但 BM…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 高德

语义检索向量数据库构建流程

匹配追问：…景切入假设你在做一个电商客服系统，用户问“上次买的那个红色连衣裙还有吗”，你需要从海量商品描述里快速找到相关商品。你怎么构建这个向量检索流程？从文本清洗到最终返回结果，一步步说说。层层追问语义检索的向量数据库，你整体怎么搭建？……文本预处理那块，分块有什么讲究？……嵌入模型你怎么选，考虑哪些因素？……索引用哪种，HNSW还是别的？……存储和查询优化还有哪些坑？直球架构描述一下构建语义检索向量数据库的完整流程，包括文本预处理、嵌入模型选择、向量索引构建、存储方案和查询…

#高德#评估与监控#向量数据库构建

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：…个很实际的选择：用关键词还是向量。关键词检索像 [[BM25]]，对专有名词、订单号这类精确匹配特别稳，可解释性强，但语义理解弱。向量检索 [[Embedding]] 语义能力强，但领域不匹配时效果会崩。真正落地我倾向 [[混合检索]]，把 BM25 和向量分数加权融合，或者用 RRF 合并排名。举个例子，在企业SOP合规文档场景，员工问“报销流程”，关键词可能漏掉“费用申请”这种同义词，向量能补上；但如果搜“合同编号123”，关键词更准。所以两条腿走路更稳。这里有个前提，…

#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

匹配口述回答：…库]]或搜索引擎。在线阶段先进入检索。用户问题进来后，也会被转成向量，到向量库里找 TopK 相似片段。实际项目里我一般不会只靠向量检索，因为专有名词、编号、缩写这类问题，[[BM25]] 反而更稳。所以会用 hybrid search，把向量召回和关键词召回合并，再用 reranker 做精排，把真正能回答问题的内容排到前面。检索之后是增强。这个阶段表面上是拼 prompt，本质上是上下文选择和上下文治理。要把重复片段去掉，把低相关片段过滤掉，把来源信息保留下来，还要控…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配口述回答：…公平。所以在搜索、知识库、[[RAG]] 的稀疏召回里，BM25 到现在仍然非常常用。在 RAG 里，BM25 的价值尤其明显。向量检索擅长语义相似，但遇到专有名词、型号、错误码、订单号这类精确匹配时，不一定稳定；BM25 对这类词非常敏感，而且不需要训练。所以我一般会把 BM25 和向量召回做 hybrid search，再用 reranker 统一排序。参数上，k1 常见范围大概在 1.2 到 2.0，b 常用 0.75，但我不会迷信默认值。标题、短 query、短文…

#美团#BM25#BM25 算法原理

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…前提：如果你的业务场景对精度极其敏感，比如医疗诊断，那量化压缩就要慎用，得先做A/B测试。再一个，相关性提升。我见过很多团队只靠向量检索，结果关键词匹配一塌糊涂。实际上，真正落地的方案往往是[[混合检索]]，[[Dense Retrieval]]加[[Sparse Retrieval]]一起上。比如用户搜“退款”，向量能召回“退货”“赔付”这些语义相近的，但[[BM25]]能精准命中“退款流程”这个短语。所以我会把两条路的结果做加权融合，权重根据场景调。然后还有查询优化，比…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配追问：…你平时做检索一般用什么方式……如果只用BM25，遇到“苹果”和“水果”这种同义替换是不是就丢了？那你怎么补上语义理解……那如果只用向量检索，遇到罕见词比如“三羧酸循环”会不会搜不到？直球架构混合检索在RAG里几乎成标配了，你给我讲讲为什么需要混合？分别说一下Sparse检索和Dense检索的原理，还有各自用的相似度度量是什么？

#美团#Hybrid Retrieval#混合检索

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配追问：…g召回了一批结果。那你能给我讲讲，从用户输入文本到拿到相似向量，这中间到底发生了什么？核心步骤有哪些？层层追问现在很多场景都用向量检索来找相似内容，你觉得它背后的原理是什么？……那文本是怎么变成向量的？……向量存到数据库之后，怎么快速找到相似的？……相似度怎么算？直球架构请你解释一下基于embedding的相似性检索，重点讲向量化、索引构建和相似度计算这三个环节，包括你常用的索引类型和相似度度量，以及它们各自的适用场景。

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：…uery好。复杂问题我会拆成子查询分别检索再合并，这样能提高召回。再一个是检索侧增强。最基础也最有效的方案是[[混合检索]]，把向量检索和[[BM25]]关键词检索结合起来。向量擅长语义匹配，BM25强在精确匹配，比如订单号、错误码这些，向量可能跑偏，但BM25能精准命中。实际落地时，我会先用混合检索做粗筛，再上轻量重排比如[[Cross-Encoder]]精排，把最相关的几篇顶到前面。这里有个坑，Cross-Encoder效果虽好，但延迟高，所以一般只对粗筛后的top 5…

#字节#检索故障诊断#检索质量优化

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…百万级以内，团队也小，我倾向用PostgreSQL加pgvector插件，统一存储。优势是事务一致，运维简单，一条SQL就能同时做向量检索和业务过滤，比如SELECT * FROM docs WHERE category='售后' ORDER BY [[embedding]] <=> '[0.1,0.2,0.3]' LIMIT 10。但有个前提：你的向量维度不能太高，并发量也别太大，否则pgvector性能会崩。如果数据千万级以上，或者需要高并发低延迟，我会选分离架构，比如M…

#安克科技#知识库存储架构#RAG 知识库存储