匹配正文：…模板的优化，Context Engineering聚焦外部信息的筛选与组织阐述Context Engineering的三层架构（检索-重排序-压缩）说明两者协同关系：Context Engineering为Prompt Engineering提供高质量"原料" 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…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 美团

推荐结果多样性怎么控制?

匹配标题与标签：推荐结果多样性怎么控制? 生成式推荐系统中避免重复与单调的 3 种技术方案检索美团多样性控制推荐多样性生成式推荐系统推荐结果去重 MMR 美团

← 上一页第 11 / 27 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

#美团#多样性控制#推荐多样性

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配正文：…景选择依据（数据规模、延迟要求、准确性要求、可解释性要求）核心区别维度两阶段架构（召回+精排/生成）端到端单次生成流程检索 → 筛选 → 生成直接生成答案可控性高，可干预中间环节低，黑盒过程延迟较高（多轮计算）较低（单次推理）成本检索+生成双重开销仅生成开销准确性依赖检索质量，上限可控依赖模型能力，幻觉风险高选择依据选两阶段架构的场景：知识库规模大（百万级以上文档），必须靠检索缩小范围对事实准确性要求高（医疗、法律、金融），需要可…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：答案要点能清晰区分检索阶段与生成阶段的评估差异掌握常用检索评估指标（Recall@K、MRR、NDCG）理解稠密检索与稀疏检索的优缺点及混合策略知道重排序模型的作用与典型实现能提出具体可落地的数据优化方案一、评估维度与指标检索阶段 vs 生成阶段检索评估：关注"找得准不准"，用Recall@K（答案是否在TopK）、MRR（首个相关文档排名）、NDCG（考虑相关度分级）端到端评估：用Answer Accuracy或RAGAS框架（context precis…

#360#召回质量评估#RAG 召回优化

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：…备深层语义理解和上下文感知能力生成阶段需要综合多维度信息做最终决策核心原因：向量相似度存在本质局限 1. 相似度≠相关性向量检索基于Embedding空间距离，只能捕捉浅层语义相似问题："如何防止过拟合" 与文档："过拟合的危害" 向量相近，但可能无法直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Embedding模型的能力边界训练目标限制：对比学习优化的是"语义相近"，而非"任务有用" 领域适配问题：通用Embedding在专…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：答案要点向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：RAG 的完整链路 RAG 由离线知识准备和在线问答两部分组成。检索能提供外部证据，但检索结果和生成都可能出错，因此整条链路要可评估、可追踪和可回滚。 1. 离线准备解析并清洗文档，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…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…输入输出输入：用户Query（可能经过改写/扩展）输出：Top-K相关文档片段（doc_id + 文本 + 相似度分数）两大检索范式类型原理代表模型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embeddi…

#字节#Retriever#RAG Retriever

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…Faiss、Pinecone）或近似最近邻索引（HNSW、IVF） HNSW：图索引，查询快、精度高，适合动态更新场景 3. 查询检索（在线）查询向量化：同一Embedding模型编码，保证查询-文档同空间 ANN检索：Top-K近似最近邻，非暴力全量计算相似度计算：余弦相似度 = (A·B)/(||A||·||B||)，值域[-1,1]，实际取Top-K 关键优化点优化方向具体手段召回质量混合检索（向量+关键词BM25）、查询改写、多向量表示精度提升两阶段检…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：…t{avgdl})} 实践中常用非负 IDF 变体，例如 \log(1+(N-n_i+0.5)/(n_i+0.5))；具体公式应与检索引擎实现保持一致。相比基础 TF-IDF 的改进词频饱和：同一词继续出现时，边际增益逐渐减小；k1 越大，通常饱和越慢。长度归一化：b 控制文档长度相对平均长度对得分的影响。b=0 表示不做这部分归一化，b 增大并不等于对所有长文档固定扣同样分数。概率检索框架：BM25 从概率相关性模型演化而来；TF-IDF 也有多种归一化变体，因此只…

#美团#BM25#BM25 算法原理

面试题·检索· 哔哩哔哩

召回 vs 粗排怎么分工?

匹配题目：在推荐系统或信息检索 pipeline 中，召回和粗排阶段分别承担什么功能？它们在整个排序流程中的定位、目标和协同关系是什么？请结合实际场景说明其设计意义。

#哔哩哔哩#召回与粗排#召回与粗排区别

面试题·检索· soul

召回阶段怎么选方法?

匹配正文：召回阶段的核心作用召回是推荐/检索系统的**"漏斗第一层"，核心目标是从百万/亿级候选集中快速筛选出千级相关候选**，关键约束是延迟敏感（通常<50ms）。本质是效率与效果的权衡——不求最准，但求不错过潜在相关项。四类召回方法对比方法核心原理优势局限典型场景协同过滤用户-物品交互矩阵，找相似用户或物品无需内容特征，挖掘群体智慧冷启动差、稀疏性问题、热门 bias 成熟业务、行为丰富的场景向量召回（双塔）用户塔+物品塔分别编码，向量内积近似泛化能力强…

#soul#多路召回#召回方法对比

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配正文：…log((N-n+0.5)/(n+0.5))，也有 log(1+(N-n+0.5)/(n+0.5)) 等非负变体。回答时应说明所用检索引擎的定义，不能把一种实现当成唯一公式。相比基础 TF-IDF BM25 的词频项会饱和，同一词继续出现时边际增益下降；长度归一化由 b 显式控制，而不是对所有长文档固定扣分；基础 TF-IDF 常用线性词频，但 TF-IDF 也有对数 TF、向量归一化等变体，不能笼统说它完全不处理长度。 k1、b 的默认值只是起点。分词、字段权重、停用…

#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?

匹配正文：一、检索效率优化索引结构层面 HNSW图索引：平衡召回率与查询速度，适合中等规模；超大规模时采用IVF-PQ或ScaNN降低内存占用量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，PQ码长由子向量数和每码位宽决定；总索引另计结构，质量变化必须实测，不固定4–8倍。磁盘索引：FAISS的IndexIVFPQ + ondisk模式，牺牲部分延迟换取容量工程架构层面分片（Sharding）+ 路由层，支持水平扩展预过滤（metadata filter）…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

召回模型怎么搭建?

匹配正文：整体架构：双塔模型（DSSM）推荐召回的核心是向量检索，主流方案是双塔结构：User塔和Item塔分别编码，点积计算相似度，线上通过ANN快速检索。关键环节设计 1. 特征工程塔核心特征设计要点 User塔用户ID、画像标签、历史行为序列行为序列用Pooling或Transformer压缩，避免长序列直接输入 Item塔物品ID、类目、标签、文本/视觉内容内容特征需预训练（如BERT、CLIP），保持与User塔维度一致关键权衡：ID特征记忆性强但泛化差，…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 小红书

多路召回 vs 排序模型怎么分工?

匹配标题与标签：多路召回 vs 排序模型怎么分工? 推荐系统中召回与排序的流程、实现及优缺点检索小红书多路召回与排序多路召回排序模型推荐系统架构小红书

#小红书#多路召回与排序#多路召回

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：… 元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，过滤低质结果 3. 生成阶段上下文组装：按相关性排序，控制token预算 LLM生成：结合检索内容作答时效性优化方案核心思路：让"新"文档在相似度计算中获得隐性加分方案实现方式适用场景 …

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配标题与标签：Embedding升级后向量对齐方案知识库增量更新场景下新旧向量对齐的 3 种方案检索抖音向量检索 Embedding 升级向量不一致知识库增量更新向量对齐字节

#抖音#向量检索#Embedding 升级

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配标题与标签：LLM怎么融入推荐系统？特征提取与召回特征提取、召回排序、用户意图理解三路径详解检索快手 LLM推荐系统 LLM 推荐系统大模型推荐推荐系统特征提取 LLM 召回排序用户意图理解快手

#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

匹配标题与标签：LLM怎么融入推荐系统？序列建模与排序特征表示、序列建模、召回排序中的技术路径与挑战检索快手 LLM推荐架构 LLM 推荐系统大模型推荐序列建模召回排序快手

#快手#LLM推荐架构#LLM 推荐系统

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配正文：选型向量数据库，核心看场景匹配度，不能只看 benchmark 数字。 1. 检索性能与索引类型延迟敏感场景（实时对话）选 HNSW，召回率高、查询快，但内存占用大海量数据（十亿级）选 IVF 系列或磁盘索引，牺牲部分召回换存储成本务必关注 filter 下推能力——先元数据过滤再向量检索，避免全量扫描 2. 可扩展性与运维数据量 < 1亿：单节点 Milvus/Pinecone 足够数据量 > 10亿或高并发：需原生分布式（Milvus、Weaviate）或云托…

#京东#向量检索#向量数据库选型