匹配口述回答：…会这样设计：检索层用向量库做语义召回，拿到 Top-K 后，再用关系库做元数据精确过滤，比如按时间、类目、权限筛一遍，最后用 [[重排]] 模型比如 [[Cross-Encoder]] 精排，再把结果喂给 LLM。这个流程里，向量库负责召回率，关系库保证精确率，重排提升排序质量。这里有个坑，就是元数据怎么跟向量关联。常见做法是在向量入库时把结构化标签作为属性存进去，比如 {"doc_id": "xxx", "category": "售后", "valid_until": "…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…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[[Cross-Encoder]]或者[[ColBERT]][[重排]]到Top-10。重排不扩展输入候选集合，可改善最终Top-K排序；它无法找回漏召回的文档。不同K的Recall、排序质量与延迟须实测，不能固定说提升10–1…

#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？

匹配口述回答：…则图会乱，所以我会用软删除加异步重建。然后是查询重写。用户 query 通常短、有歧义，跟文档表述不一致。HyDE 的思路是用大模型先生成一段伪答案，再拿伪答案去向量检索，效果不错，但前提是生成质量不能太差，否则引入噪声。另一个常用的是子查询分解，比如用户问“满减和优惠券能叠加吗”，我会拆成“满减规则”和“优惠券规则”两个子问题分别检索，再合并结果。这种策略对复杂查询很有效，但代价是增加了一次大模型调用和多次检索，延迟会上升。说到延迟，我其实更关注一个容易被忽略的点：[[…

← 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#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· 拼多多

ANN 索引怎么构建?

匹配题目：在大模型RAG应用中，请描述构建近似最近邻(ANN)索引的完整流程和关键技术选择

#拼多多#ANN索引构建#ANN 索引构建

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配口述回答：…。如果业务对召回精度要求极高，比如医疗或法律文档，可比较更高精度码长、扩大候选后用原始向量重算距离，或用Cross-Encoder重排。PQ常用非对称距离计算保留query高精度；对称距离还量化query，会增加量化误差，不能说成普遍补偿方案。蒸馏小模型也需要单独评测，不能预设恢复损失。所以整体上，我更倾向于把向量匹配看作一套系统工程，不只是选个算法。具体选型要结合数据规模、延迟预算和精度要求，没有银弹。本质是召回精度与效率的工程权衡余弦相似度为什么适合语义匹配 HNS…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·文档处理· 百度

RAG ANN 索引优化

匹配口述回答：…灰度切换验证新版本，避免重建期间读到不一致结果。用精确搜索建立召回基线索引类型与参数形成质量成本权衡 ANN候选后可用原向量或模型重排更新过滤和版本迁移同样影响线上质量约90秒索引优化要以精确近邻为基线，在召回、尾延迟、内存和更新成本之间寻找Pareto前沿。可继续讨论HNSW扫参、量化重排和过滤执行顺序。

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 字节

医学论文与法律条文切块

匹配口述回答：…k或者加大重叠。所以整体上，我更倾向把chunk策略看成检索质量的基础设施，它不是一次设定就完事的，需要根据文档类型、查询场景和模型能力持续调优。如果面试官想问，我可以再聊聊怎么用[[Rerank]]来提升召回后的排序质量，或者怎么评估chunk策略的好坏。这道题本质问的是语义完整性与检索效率的平衡先讲通用分块策略，划清边界：固定长度 vs 结构感知 vs 语义分块重点讲专业领域特化：法律条文按条款硬切，医学按IMRAD结构切落地风险：重叠窗口、chunk大小与em…

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：…。第三级是[[知识图谱]]，用来做关联推理，比如查某个药的禁忌症，或者某个判例的引用链。三级索引一起上，检索时先并行召回，再用[[Rerank]]做融合排序。合规性保障是另一个大头。每个回答都必须强制溯源，附带原文片段、文档版本和页码，让用户能点回去核实。权限控制也要做，不同角色看到的内容可以不同，比如医生能看到完整临床指南，患者只能看到摘要。审计闭环必须完整，用户查询、检索片段、生成结果全链路日志留存，方便事后追溯。最后加个边界提示，明确说这是辅助参考，不构成专业建议。 …

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配口述回答：…用于精排，粗粒度用于生成。具体说，检索阶段用小的chunk，比如200 token，保证召回的每个片段都精准、噪音少，这样 [[Rerank]] 的时候效率也高。但生成阶段，如果只给大模型一个200 token的片段，它可能缺少背景信息，答非所问。所以我通常会同时把包含这个小chunk的[[父文档]]或者更大范围的上下文也带上，比如用 Parent Document 的方式，让大模型有足够的上下文去生成答案。这样既保住了检索的精确度，又保证了生成的完整性。落地时我倾向一套…

#小鹏#文本分块优化#RAG 文本分段