匹配口述回答：…[RAG]]不是银弹，它可为知识密集任务提供外部证据，也能结合IRCoT等迭代检索服务多步推理；是否有效需分解检索与推理失败。如果知识库频繁更新，或者查询高度依赖精确匹配，我会搭配关键词或者甚至用微调模型。上线前我会特别关注召回率指标，比如Recall@K，还有延迟，确保在用户容忍范围内。如果效果不行，优先查分块策略和Embedding模型是否匹配领域，而不是盲目调参数。本质定位：端到端语义匹配流程拆解：离线分块+向量化，在线检索+重排落地优化：混合检索、领域微调、效率…

#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：… 和 TF-IDF 相比，BM25 的改进就集中在这两点：词频饱和让它更抗关键词堆砌，长度归一化让它对长短文档更公平。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…

#美团#BM25#BM25 算法原理

面试题·检索· 美团

混合检索为什么优于单一检索?

…忽略的点，混合检索的代价是系统复杂度翻倍。索引要维护两套，延迟和资源都要额外考虑。所以如果业务场景本身对精确匹配要求不高，比如内部知识库问答，可能纯稠密就够了，没必要强行混合。所以我的判断是：混合检索不是银弹，而是一个工程取舍。我更倾向先理解业务场景的匹配需求，如果字面匹配是刚需，那混合检索是必选项；如果语义理解就够了，就别给自己找麻烦。面试官可以追问一下：在资源受限的场景下，你会怎么简化混合检索？比如只保留稀疏检索，或者用 [[ColBERT]] 这种端到端模型替代两阶…

← 上一页第 14 / 14 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

匹配口述回答：

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配追问：场景切入假设你在做电商客服RAG，用户问‘我的订单怎么还没到’，你从知识库召回退换货政策。但有时候召回的结果不相关，比如用户其实想问物流延迟。你会怎么优化召回链路，让语义匹配更准、速度也快？层层追问 RAG系统的召回你怎么做的？……如果召回结果不准，你能想到哪些方向改进？……进一步，数据量涨到千万级，检索延迟怎么控制？还有增量数据怎么实时更新？直球架构设计一个RAG召回系统，要优化检索效率、相关性、可扩展性。从索引结构、多路召回、精排到工程架构，你会怎么选型和组合？关…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“上次那个蓝色的充电宝还有吗”，但知识库里只有商品描述“BluePower 10000mAh”。你怎么让系统能把这俩对上？层层追问 RAG系统的召回你是怎么做的？……如果只用向量检索，遇到长尾或精确匹配问题怎么办？……那索引结构上，亿级数据怎么保证延迟？……查询重写用过吗？比如用户问“它”这种指代？直球架构请完整阐述RAG召回链路的优化方案，包括检索器选择（多路召回）、索引结构（HNSW/IVF等）、查询重写（HyDE…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配口述回答：这道题其实是在问，怎么让大模型既能拥有最新知识，又不会因为知识库过时而胡说八道。[[RAG]]的本质就是给大模型配一个外挂知识库，让它能实时查资料再回答。先说RAG的完整流程。用户提一个问题，我们先用 [[Embedding]] 模型把它转成向量，然后去[[向量数据库]]里做相似度检索，召回最相关的Top-K片段。这一步核心是从语义上匹配，不是关键词匹配。召回来后通常会加一个 [[Rerank]] 步骤，把最精准的排到前面，然后把这些片段和用户问题拼在一起，作为上下文送给大…

#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?

匹配追问：…昨天的文章也有去年的。你拿RAG去召回应优先返回哪个？怎么让系统自动给新内容加权，别老把旧东西翻出来？层层追问你平时用RAG做知识库问答，流程大概是怎样的？……那检索的时候，如果用户问的是实时信息，怎么保证召回的是最新的？……如果我想让时间越近的文档得分越高，具体在向量数据库里怎么实现？直球架构描述一下RAG的完整工作流程，从离线建库到在线检索生成。另外，针对信息时效性问题，你会怎么设计向量检索库，让新文档在召回时获得优势？

#字节#向量库时效性#RAG 工作流程

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配追问：场景切入假设你要给电商客服做一个知识库问答，用户问“我的订单什么时候到”，需要从几百万条商品和物流数据里找答案。你选向量数据库时会考虑哪些因素？层层追问做RAG的时候向量数据库怎么选？……如果数据量从百万涨到十亿，你的选型会变吗？……那实时性要求高，比如用户对话延迟要控制在200毫秒内，你优先看哪些指标？直球架构给一个RAG应用选向量数据库，从性能、扩展性、索引类型、集成难度这几个维度，说说你的评估要点和取舍逻辑。

#京东#向量检索#向量数据库选型

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配口述回答：…索引不一定减半，近邻排序与质量变化不能承诺1%以内。所以整体上，我不会把向量数据库看成银弹，它更适合语义匹配场景，比如客服问答、知识库检索。如果用户 query 很短或者依赖精确匹配，比如订单号、错误码，那传统关键词搜索反而更靠谱。我的取舍是：优先保证领域匹配度和数据质量，然后根据业务场景决定要不要加混合搜索。本质是语义匹配问题模型选型要看领域匹配度向量化流程和分块策略检索机制和混合搜索落地风险和优化取舍约4分钟混合搜索中 RRF 比加权融合更鲁棒，因为不依赖…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 美团

Embedding 模型结构选型

匹配口述回答：… 里，线上只做近似搜索。但它的缺点是句子间的交互被压缩到向量比较这一步，有些细粒度语义会丢。比如客服场景里用户说“退款没到账”，和知识库里“退款到账时间说明”这两句话，双塔可能觉得差不多，但实际含义差很多。所以纯双塔适合粗排或者召回阶段，精排还得用交互式的 [[Cross-Encoder]]。另一个是 SimCSE，分无监督和有监督两个版本。无监督版特别巧妙，同一句话过两次 Dropout 当正样本，batch 里其他样本当负样本，就能学到不错的语义空间。这对冷启动很友好…

#美团#向量检索#Embedding 模型结构选型

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：…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。还有一个实操细节，就是k1和b的调参。不同领域最优参数差异很大，比如客服退款场景，用户问题短、关键词集中，k1可以设小一点让饱和更快；而技术文档场景，关键词重复多，k1需要大一点保留区分度。这个调参过程一般用网格搜索加NDCG评估，没有固定值。所以整体上，我更倾向把BM25看作信息…

#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：…N索引里检索，拿到Top-K候选，最后用更精确的模型或规则重排序，返回结果。这里有个坑：索引构建好之后，如果业务数据频繁更新，比如知识库里的文档不断新增和修改，那索引的增量更新就非常关键。我见过很多项目上线后召回率突然下降，就是因为只做了全量构建，没处理增量。我的做法是维护一个base索引加一个delta索引，查询时合并，定期重建base。另外，纯向量检索在短文本或专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]…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…决于子向量数与每码位宽；8倍不是固定压缩比，总内存还含ID、码本与图。质量变化不能预设在1%以内。还有一个容易忽略的点是增量索引，知识库频繁更新时，全量重建代价太高。我会把更新分成新增、修改、删除三类：新增直接增量插入，修改当软删除加新增，删除不原地动图索引，而是维护一个删除标记，后台异步重建。整体用 base 加 delta 双索引，查询时合并过滤。Faiss的HNSW不支持直接删除，软删除与重建是一种方案；其它向量库是否支持修复图结构后的删除，要看具体实现，不能一概断言直…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配口述回答：…以百万级以内、内存够用的话，我首选HNSW。那落到真实业务场景，比如[[RAG]]系统里，用户问一个客服退款问题，我们得从百万级知识库里召回相关片段。这时候不会只用一种算法。典型做法是：先用[[IVF]]做粗筛，快速排除大部分不相关的向量，然后用PQ压缩节省内存，最后用HNSW精排。说白了，工业落地的核心不是选一个算法，而是混合方案。这里有个前提：高维[[Embedding]]下，比如768维，纯HNSW的构建和查询延迟会明显上升，必须配合量化。如果数据量到了十亿级，单机…

#百度#ANN索引#向量检索方法

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配追问：场景切入假设你在做电商客服知识库，用户问‘这款手机保修多久？’系统要检索相关文档。你怎么把一份几十页的产品手册切成合适的片段，既保证不遗漏关键信息，又让检索又快又准？层层追问 RAG里文档分段你一般怎么处理？……如果直接用固定长度切，遇到句子被截断怎么办？……那你怎么设计重叠窗口来保留上下文？……再比如，分段颗粒度太细召回率高但可能信息不全，太粗又可能引入噪声，你怎么权衡？直球架构设计一个RAG文档分段模块，要求支持固定长度、语义和结构感知三种策略，并实现重叠处理。你…

#小鹏#文本分块优化#RAG 文本分段

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配追问：场景切入我看你做过知识库问答。假设用户问'今年双十一活动规则'，你从向量库召回相关段落时，是直接全量计算相似度吗？怎么在毫秒级响应下保证召回质量？层层追问 RAG系统里检索这一步你怎么做向量匹配？……余弦相似度你用过吧，为什么选它？……那数据量大了之后，全量计算太慢，你怎么加速？直球架构解释一下RAG系统里向量匹配的完整实现，包括相似度计算方法、ANN算法的选型理由（比如HNSW和IVF），以及你实际中怎么平衡检索精度和效率？

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配追问：场景切入我看你做过RAG相关的项目。假设用户输入一个查询，你要从百万级知识库里快速找到相关片段，这时候你会怎么设计检索流程？核心依赖的是什么技术？层层追问向量检索的基本原理你能讲讲吗？……文本怎么变成向量的？……两个向量怎么比较相似？……如果数据量特别大，怎么保证检索速度？直球架构解释一下基于embedding的相似性检索的基本原理和工作机制，包括离线索引构建和在线查询的完整流程。

#美团#Embedding检索#Embedding 相似性检索