匹配正文：核心矛盾分析三个指标的冲突本质： CTR↑ 追求高点击 → 可能吸引低质量流量 CVR↑ 追求高转化 → 可能过滤掉潜在高价值用户 ROI↑ 追求单位收益 → 可能牺牲规模模型层解决方案多任务学习（MTL）共享底层 + 独立塔结构（MMoE/PLE），让CTR/CVR/ROI任务共享表示关键：设计任务权重动态调整机制，避免某个任务主导梯度多目标优化框架帕累托最优：寻找不损害任一指标的最优解集约束优化：如 max ROI s.t. CTR ≥ threshold…

#哔哩哔哩#CTR/CVR/ROI多目标#CTR CVR ROI 冲突

面试题·RAG· OPPO

现代 RAG 架构怎么变?

匹配口述回答：…索]]，比如DPR、Contriever这种[[双塔]]模型，生成器也会做适配。更关键的是连接方式变了，不再是简单的文本拼接，而是向量层面的交互。比如Fusion-in-Decoder，它把检索回来的文档分别编码，然后在decoder的每一层通过cross-attention把信息融合进去，不是只在开头拼一下。再一个就是信息融合的位置。早期只在输入层融合，受限于上下文长度，文档一多关键信息就被淹没了。现代RASG系统把融合点挪到了中间层，甚至输出层。像[[Self-RAG]…

← 上一页第 16 / 17 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

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG· 小红书

ROI 问题怎么影响推荐效果?

匹配正文：…、自回归生成的短视性 Overfitting（过拟合）对训练集中的热门物品过度拟合，长尾物品召回困难表现：冷启动用户/物品推荐质量差，泛化能力不足 Lack of diversity（多样性不足）推荐结果同质化严重，覆盖的类目、风格、话题狭窄用户视角：信息茧房；平台视角：流量分配失衡对推荐效果的影响问题核心损害 Repetition 用户体验疲劳，点击率虚高但满意度下降 Overfitting 马太效应加剧，创作者生态恶化 Lack of diversity 长…

#小红书#推荐多样性#ROI 问题

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配口述回答：这道题其实问的是，当知识库不断往里加新文档的时候，怎么保证检索质量不掉。核心矛盾在于，增量更新会破坏一个隐含的假设，就是查询和文档的[[embedding]]应该来自同一个分布。一旦这个假设不成立，检索偏差就来了。具体来说，成因主要有几个。一个是模型版本漂移，比如你之前用旧版模型编码了十万篇文档，后来模型升级了，新文档用新版编码，两个向量空间根本不对齐，检索时近邻搜索就会乱。再一个是时间衰减，领域知识在变，同一个词含义可能不同了。还有就是索引碎片化，局部更新导致向量空间密度…

#美团#增量更新检索偏差#RAG 知识库更新

面试题·RAG· OPPO

内容热门度怎么量化?

匹配口述回答：…融合。再一个，全局热门和圈层热门得分开。比如一个二次元视频在B站全局热度不高，但在二次元圈子里很火。所以我会结合用户画像，用[[Embedding]]做分层热度，或者简单点，先算全局分，再乘以一个圈层相关性系数。落地时最大的风险是刷量。常见失败场景是上线后热门榜被机器人刷爆，比如一个低质量帖子因为刷了点赞冲上首页。我的做法是：对每个行为加置信度权重，比如新用户的行为权重低，同IP下的操作降权。同时做异常检测，用滑动窗口统计行为分布，偏离均值太多就临时降权。前提是日志系统要…

#OPPO#热门度量化#搜索排序指标

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：… Research是自主迭代，模型自己决定下一步查什么，查完再分析，再查，反复很多轮。具体来说，RAG的流程是：用户提问，从[[向量库]]里召回相关文档，[[重排序]]，然后生成答案。它本质上是一次性的，检索次数通常就一两次。而Deep Research呢，它会先拆解问题，比如你问“某行业未来三年趋势”，它会自己生成子问题，像政策、技术、市场各是什么情况，然后分别去检索，把结果整合起来，再决定要不要继续深挖。整个过程可能涉及几十次甚至上百次检索，最后输出一份带引用的研究报告…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配口述回答：…企业合规助手，内部SOP文档经常更新，如果检索到过期版本，生成结果就是错的，所以元数据里时效性字段特别重要。这里有个风险：如果文档质量本身差，比如扫描件模糊，解析精度不够，后面全链路的收益都会打折。接下来索引构建。我的做法是混合召回，不只用一种。稠密向量擅长语义匹配，比如同义词泛化，但专业术语精确匹配不行，比如法律条文编号“第X条”必须精确命中，这时候稀疏向量比如[[BM25]]配合领域词表扩展就管用。还有一类跨文档的逻辑关联，比如医疗里药物相互作用，靠向量可能不够，我会…

#字节#重排与优化#RAG 链路优化

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配口述回答：…度打分，确保最终结果既快又准。先说为什么必须重排。你想想，召回阶段用的是 Bi-Encoder，query和doc各自独立编码成向量，然后算相似度。好处是doc向量可以离线算好，线上只算query，所以能到毫秒级。但代价就是缺乏细粒度交互，两个向量之间没有token级的匹配，容易把语义相关但实际不精准的文档也召回来。比如用户搜“苹果”，可能是水果也可能公司，双塔很难区分，但 Cross-Encoder 把query和doc拼接在一起过Transformer，通过注意力机制能…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…是，当你把一个[[RAG]]系统从能跑到跑好，你会从哪里下手。本质上，RAG的迭代不是把每个环节单独调到最优，而是在检索精度、生成质量和系统延迟之间找平衡。我一般会沿着检索、[[重排序]]、上下文融合、生成这条线走，但真正落地时很多决策是耦合的。先说检索。很多人一上来就堆向量，但实际业务里，向量检索对高频实体和精确匹配反而弱。比如客服场景里，用户问‘订单号12345退款失败’，关键词[[BM25]]直接命中订单号，向量可能因为语义偏移排到后面。所以我会优先做[[Hybrid…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：…；[[BM25]] 精确匹配好，但同义改写“退款”和“退钱”它就不认识。所以真正落地常常是 [[Hybrid Search]]，把向量和关键词加权融合，召回Top-K，比如100条，追求高召回率，允许带一些噪声。这里有个前提：如果知识库里的文档本身质量不行，比如切分太碎或语义不完整，召回再多也没用。所以 [[Chunk]] 策略很关键，我一般会先试固定大小加重叠，再根据业务场景调整，比如合同条款按段落切，FAQ按问答对切。召回之后是[[重排]]。为什么要重排？因为[[双塔…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配口述回答：…个管效率，一个管精度。真正落地，一定是两者结合，而不是二选一。举个例子，电商客服场景，用户问“我买的东西降价了，能退差价吗？”。向量检索先从知识库里召回一批相关文档，可能包括“价格保护政策”、“退款流程”、“优惠券使用规则”等等。但这里面有些文档可能只是沾边，比如提到了“价格”两个字但实际讲的是促销活动。这时候重排模型上场，它会仔细比对 query 和每个文档的语义相关性，把真正讲“降价退差价”的文档排到最前面。这样下游的生成模型拿到的上下文质量就高很多，回答也更精准，首问…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：…重排]]的职责分离，为什么不能一步到位。我的理解是，召回阶段追求效率，用[[Bi-Encoder]]把query和doc分别编码成向量，然后近似检索，这个阶段能快速拿到几百个候选，但精度有限。因为向量相似不总是等于真实相关，比如用户搜“退款流程”，向量可能召回“退货地址”，语义上相关但实际不是用户要的。重排就是专门解决这个问题的，用更精细的模型在几十毫秒内把这批候选重新打分排序。具体来说，重排有几个关键作用。首先是语义精排，召回用的双塔模型把query和doc独立编码，交互…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…要模块，才能看清收益来自哪里。生产中还要保存 query 变换、过滤条件、各路候选、融合名次、重排结果、最终上下文和引用。语料、embedding、索引、reranker、Prompt 与模型分别版本化，灰度时同时看质量、拒答、延迟、成本和越权风险。查询改写可能造成意图漂移，上下文压缩可能丢掉限定条件，多轮检索会积累错误；这些都应有专门切片和停止条件。分类的价值就在这里：它帮助团队描述链路复杂度和风险，但最终采用哪一层，仍要由目标数据和可复现实验决定。点题：RAG分类本质…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配口述回答：…然后用 [[Cross-Encoder]] 做 [[重排]]，把最相关的 3 到 5 个片段挑出来。这里有个关键点：重排模型必须跟向量模型解耦，否则容易陷入局部相似性。比如向量模型认为“价格”和“金额”相似，但重排模型能识别出用户问的是“满减价格”而不是“原价”。最后是生成阶段。检索结果拼成上下文后，Prompt 怎么写直接影响回答质量。我会明确告诉模型：“如果参考信息里没有，就说不知道，不要自己编。” 同时要求它引用来源片段编号，方便溯源。但光靠Prompt不够，比如用户…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：…ERT]]这种Late Interaction方案，在效率和效果之间做平衡。所以，我更倾向于把Rerank看成RAG系统里的一个质量把关者，而不是性能瓶颈。落地的时候，我会先评估业务对精度的要求有多高，如果只是随便问问，Top 1够用，那甚至不需要重排；但如果涉及到客服退款、合规审查这种风险敏感场景，重排就是必须的。我的取舍是：宁可多花几十毫秒做重排，也不让用户看到无关结果。本质：召回与精度的两阶段协同向量检索的局限性：粗粒度与信息压缩 Rerank的核心：细粒度交互与…

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…效率可控，召回快，重排只处理小量数据；精度能提上去，因为重排模型能捕捉细粒度语义；而且召回和重排可以独立优化，比如换个更好的 [[Embedding]] 模型或者换一个重排器。但缺点也得心里有数。最核心的风险是误差累积，如果召回阶段把重要文档漏掉了，重排阶段再怎么排也找不回来，这就是召回率天花板。另外系统复杂度上去了，要维护两套索引和两个模型，运维成本高；而且两阶段串行，总延迟是叠加的，对实时性要求特别高的场景需要注意。所以实际落地时，我会特别关注召回阶段的质量，比如用 […

#字节#两阶段检索#RAG 重排序

面试题·检索· 百度

RAG Query 改写方法

匹配口述回答：…，并行检索后再去重聚合。这是最稳的。如果问题很专业，比如医疗领域，我会用 HyDE，让模型先生成一个假设答案，再用这个答案的 [[Embedding]] 去检索。你可能会想，这不引入[[幻觉]]了吗？对，所以前提是你的领域知识库足够封闭，生成的假设答案不会跑偏。再一个，复杂多跳问题，像‘2024年X公司营收多少，它CEO是谁’，我会拆成子问题链，先查营收再查CEO，逐层检索。但真正落地时，我不会只用一种。比如电商客服场景，用户问‘为什么我的订单退款还没到’，既模糊又涉及多步，…

#百度#小鹏#美团

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…答机制，返回“当前信息不足以回答”，而不是让模型硬猜。这能显著降低 [[幻觉]] 风险。不过，RAG不是万能的。它的前提是知识库质量够高，如果文档本身就有错，或者分块把关键信息切碎了，检索再强也白搭。所以我会把RAG看成一种“快速扩展知识边界”的方案，适合知识频繁更新的场景，比如实时政策、产品手册；但如果是需要深度推理或常识性知识，我更倾向结合微调或[[知识图谱]]。总结下来，RAG落地的核心不是哪个环节最酷，而是整个链路的一致性：从分块策略、Embedding选型、检索…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…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]]关键词召回和向量召回两条路并行，再合并排序。这能明显提升召回率，尤其在客服退款、订单异常这类场景。在线检索流程里，我特别看重精排这一步。粗召回我一般拉100到200条，然后用[[Cross-Encoder]][[重排]]，只留前5到10条送进上下文。重排对最终答案质量影响非常大，它能把语义相关但不太匹配的文档压下去。但重排是计算密集的，延迟敏感场景下，我会考…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：…页这些格式不一样，表格和图片还得[[OCR]]。接下来是清洗，去噪、脱敏。最关键的其实是[[Chunk]]分块，怎么切直接决定检索质量。固定按512个字符切，简单但容易把语义切碎。我倾向用语义边界检测，按段落或标题层级来切，同时加一点[[滑动窗口]]重叠，保证上下文连贯。分完块之后做[[Embedding]]，把文本转成向量，存到[[Vector Database]]里，比如Milvus或者[[Faiss]]。在线检索的时候，光靠向量检索不够，因为语义相似不一定能匹配到精确…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配口述回答：…幻觉]]。整个流程分成离线构建和在线推理两段，我分别说一下。先说离线构建，也就是建知识库。核心步骤是文档解析、[[分块]]、[[向量化]]、存索引。这里面最容易出问题的是分块。你可能会想，不就是把文档切成一段段嘛。但切多细、按什么切，直接影响检索质量。固定长度切分最简单，但容易把一句完整的话拦腰切断，导致检索时语义不连贯。我更倾向用语义分块，比如按段落或句子边界切，再配合一定的重叠窗口，保证上下文不丢。块大小一般256到512 token，具体看你的文档类型。比如企业SOP…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配口述回答：…场景，怎么在语义理解和关键词精准命中之间做取舍。说白了，没有银弹，真正落地往往是两条腿走路。先说[[密集检索]]，也就是用 [[Embedding]] 模型把 query 和文档都转成向量，依赖语义匹配。它的好处很明显，用户说“轿车”你能联想到“汽车”，口语化的表达也能对上。但它有个前提：你的语料质量够好，Embedding 模型得覆盖你的领域。如果用户查的是“退款流程”，但你的文档里全是“退货政策”，向量距离可能就不够近。再说[[稀疏检索]]，就是传统的 [[BM25]…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 架构组件与失败场景

匹配口述回答：…icsearch适合已经有ES基础设施的团队，这个选择没有绝对好坏，取决于你的运维能力和规模。再来看检索。这里有个常见误区：只做向量检索。其实很多业务场景，比如搜订单号、错误码，精确匹配比语义更重要。所以我会用**[[混合检索]]**，把[[BM25]]关键词检索和向量检索结合起来，两条路都走，然后合并结果。检索完还有一个关键步骤是[[重排序]]，用[[Cross-Encoder]]模型对Top-K结果精排，这一步能大幅提升召回质量。我见过一个失败案例：只靠向量检索，用户问…

#字节#RAG组件协同#RAG 系统架构

CTR/CVR/ROI 冲突怎么协调?

推荐不准的分层诊断

现代 RAG 架构怎么变?

ROI 问题怎么影响推荐效果?

动态增量更新怎么防检索偏差?

内容热门度怎么量化?

Deep Research vs RAG 怎么选?

专业领域RAG链路优化陷阱

RAG 为什么需要 Re-ranking?

RAG 系统迭代优化方向有哪些?

RAG 完整工作流程怎么跑?

RAG 中 Re-ranking 怎么用?

RAG 重排作用与实现

Naive RAG vs Advanced RAG 区别?

RAG 流程：检索、融合、生成

RAG 为什么需要 Rerank?

两阶段检索 vs 直接重排?

RAG Query 改写方法

RAG增强与生成如何衔接？

RAG 技术实现流程怎么走?

RAG 文档处理与检索策略怎么搭？

RAG 组件功能与数据流向?

RAG检索方法选型原因？

RAG 架构组件与失败场景