匹配口述回答：…段落上。再一个就是向量索引和检索。[[Embedding]]模型选型上，通用域用BGE或者M3E就够了，但如果业务很垂直，比如金融合同或者医疗文献，我会考虑在领域数据上微调一下，否则相似度计算会偏。索引结构，百万级用[[HNSW]]，内存够快；亿级就得用[[Faiss]]的[[IVF]]或者上分布式数据库。但纯向量检索有个问题：用户写个订单号或者错误码，向量相似度经常找不到，因为语义空间和字面匹配是两回事。所以我倾向做**[[混合检索]]**，把[[BM25]]关键词召回和…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配口述回答：…的退款政策”，效率和准确率都能提升。然后是[[向量化]]。Embedding模型直接拿来用，在通用领域还行，但到垂直领域，比如金融合同、医疗病历，效果会明显下降。所以前提是要有领域数据，做对比学习微调，不然向量距离不准，检索就是空中楼阁。这里有个常见失败场景：很多人花大量时间调检索参数，但其实问题出在Embedding没对齐业务语义。检索环节，我通常会做 [[混合检索]]，就是 [[BM25]] 关键词匹配加向量检索并行。为什么？因为向量检索擅长语义相似，但精确匹配比…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…ng模型和切分策略的配合，需要领域适配或引入GraphRAG补足语义。面试官可能会追问：领域适配具体怎么做？GraphRAG怎么融合？或者怎么评估召回质量？

← 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…。然后用同一个[[Embedding]]模型，比如BGE或者M3E，把每段文本编码成稠密向量。这里有个前提：如果领域很特殊，比如金融合同或者医疗病历，通用模型可能有分布偏移，先建立领域评估集，再比较直接使用、数据清洗、微调等候选，不能预设必须微调。切块也不是一刀切，固定长度适合通用场景，但要是文档结构性强，像操作手册或者法律条款，我会优先用语义切分，按段落或者标题来，避免把完整的概念切碎。向量存进[[向量数据库]]，比如[[Faiss]]或者Milvus。索引我一般选[[H…

#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

匹配口述回答：…约4分钟 BM25 在 RAG 里不是过时方案，而是和向量检索互补，尤其适合实体、编号、专有词。 Hybrid Search 怎么融合分数，BM25 和向量召回冲突时怎么排序。

#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：…“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，比如用户问“订单异常怎么办”，我会先生成一个假设文档“当订单状态为异常时，用户应联系客服并提供订单号”，用这个假设文档去检索是HyDE思路；也可能偏题，需与原query作消融并记录额外模型成本。结果出来之后，是否加精排要比较质量收益和延迟成本，不能一概要求。我通常用两阶段：先向量召回Top-200，再用[[…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配口述回答：…跑偏。而向量模型擅长语义理解，比如同义词、近义表达。所以真正落地时，我会把BM25和向量检索一起上，用Hybrid Search做融合。这里有个风险点：BM25依赖词频统计，如果文档集合很小或者分布不均匀，IDF算出来可能不准。另外它对同义词、多义词无能为力，比如用户搜“苹果”，分不清是水果还是公司。所以上线前我会特别关注召回结果的多样性，避免BM25只召回字面匹配的，漏掉语义相关的。常见失败场景是纯用BM25做知识库问答，用户表达稍微变化就召回不对，这时候必须配合语义检索…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…有名词场景下可能不如关键词，比如订单号、错误码，所以我会加上[[BM25]]做[[Hybrid Search]]，用规则或学习权重融合。说到混合检索，其实这里有一个延伸点：向量检索和关键词检索的权重怎么融合？是手动调参还是用学习模型动态决定？我倾向用轻量级模型学习权重，因为不同query对向量和关键词的依赖差别很大，比如“退货政策”更依赖语义，“订单12345”更依赖精确匹配。最后总结一下我的取舍：我更倾向于把embedding检索看成召回阶段，而不是最终答案。它的价值是…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配口述回答：…底了。我会在Prompt里显式告诉LLM：当前没有检索到相关知识，请基于自己的知识谨慎回答，并明确标识这是推测。高风险场景，比如金融合同或者医疗问答，我倾向于直接拒绝，返回「知识库未覆盖该问题」，宁可不答不能错答。这其实是业务容忍度的取舍，客服场景容错率低，就得保守；通用闲聊可以宽松一些。最后是用户侧闭环。我会把失败的Query记录下来，触发离线分析，看看是不是知识库缺失，然后补充。同时在界面给个「未找到答案，提交人工反馈」的入口，让用户能参与进来。但说实话，这些策略里有…

#百度#小鹏#美团