匹配正文：…拼接输入）计算离线计算文档向量实时计算查询-文档交互复杂度 O(1) 向量相似度 O(n) 深度交互计算目标高召回、低延迟高精度、强相关性核心优势：交叉注意力能捕捉"查询词与文档词"的细粒度匹配关系，准确判断真正相关的内容。对生成质量的影响过滤噪声：剔除表面相似但实际无关的文档，减少幻觉提升相关性：确保送入LLM的上下文高度契合用户意图优化Token效率：重排后取Top-3即可，避免冗长上下文稀释注意力典型方案轻量：Cross-Encoder（如B…

#字节#重排与优化#RAG 重排

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…过滤：先用关键词/NER匹配缩小候选集，再向量检索查询扩展：用LLM改写用户问题，生成多个检索query 落地权衡场景策略延迟敏感（<200ms）纯HNSW，放弃重排序；或本地部署小模型精度优先交叉编码器+多路召回（向量+关键词+图谱）长记忆（>10万条）分层存储：热数据内存向量库，冷数据磁盘索引学习建议建议系统学习该知识点

#高德#Agent#向量数据库 Agent

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：…适用场景交叉编码器（Cross-Encoder） Query+Doc拼接输入，Transformer输出相关性分数精度要求高、延迟可接受 ColBERT 延迟交互，token级相似度计算，兼顾效率和精度中等延迟、长文档场景多路融合向量检索 + BM25 + 稀疏向量（如Splade）结果融合数据分布复杂、单一通道不足 LLM-based重排用GPT-4/Claude等直接打分或生成排序理由极高精度需求、成本不敏感工程实践要点候选集大小：通常取向量检索Top…

← 上一页第 17 / 25 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：…输入，注意力层充分交互，效果最好但慢 Late Interaction ColBERT、ColBERTv2 保留token级向量，延迟交互，效率与效果平衡轻量重排 MiniLM、蒸馏版边缘部署， latency敏感场景实际落地要点截断策略：重排输入不宜过长，通常对doc做滑动窗口或关键片段提取级联过滤：可先过轻量模型（如ColBERT）再过重模型，控制成本领域适配：通用重排模型在垂直领域往往需微调，可用点击/人工标注数据字节等厂的实际系统中，重排基本是标配，尤其…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 哔哩哔哩

召回和粗排为什么不能跳过?

匹配正文：…深度模型，特征交叉、实时性要求高为什么不能跳过？ 1. 计算复杂度不可承受精排模型通常涉及高维特征交叉、复杂网络结构，单次推理延迟10-100ms级对百万候选集全量打分：延迟从百毫秒级→百秒级，完全无法满足在线 serving 要求 2. 特征获取成本精排依赖实时特征（用户实时行为、上下文），全量候选的特征拼接和存储成本极高召回/粗排可用离线预计算特征（如用户向量、物品向量） 3. 样本选择偏差与训练效率精排训练数据来自曝光样本（即经过召回/粗排筛选后的"被看见"…

#哔哩哔哩#评估与监控#推荐系统召回

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…场景的问题解决率）五、工程架构要点模块化设计：检索、重排、生成独立服务，便于A/B实验缓存策略：高频query结果缓存，降低延迟和成本失败降级：检索失败时切换纯生成或提示用户澄清实际落地建议：先抓大头，通常检索质量和领域SFTROI最高；评估体系必须先行，否则优化方向模糊。学习建议建议系统学习该知识点

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：…"伪相关"：向量相似≠真实答案相关解耦设计的好处召回阶段：广撒网，保召回率，毫秒级响应重排阶段：精筛，保准确率，接受百毫秒级延迟重排的核心作用作用说明语义精排用交互式模型捕捉query与doc的细粒度匹配多路融合统一打分不同来源的候选（向量/BM25/图谱）业务过滤加入时效性、权威性、用户偏好等特征去重截断合并相似片段，控制上下文长度常见实现方式 1. Cross-Encoder（交叉编码器）输入：[CLS] query [SEP] doc […

#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?

匹配正文：…分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，模型可在受控条件下决定是否再次检索。适合多步或多源任务，但必须限制步骤、权限和预算，避免循环与错误累积。教学假设假设电商政策问答既包含自然语言问题，也包含订单号和时间条件。可以从 Naive 基线开始，再分别加入实体抽取、BM25、向…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…索不足时）降低幻觉，提升可信度关键权衡召回 vs 精度：粗排用大模型Embedding保证召回，精调用Rerank提升精度延迟 vs 质量：实时性要求高时，可跳过Rerank或用小模型替代成本 vs 效果：HyDE用一次LLM调用换检索质量，需评估ROI

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…召回不足/噪声多混合检索、元数据过滤、查询扩展生成幻觉、不遵循上下文引用约束生成、细粒度Prompt、COT提示端到端延迟高检索缓存、流式生成、异步预检索

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…ding或重排序模型离线评估：定期用标准问答集测试召回率、答案相关性关键取舍手段成本收益场景重排序 +10-100ms延迟召回质量差、噪声大 HyDE +1次LLM调用用户query短、表述差多轮检索延迟×2-3 复杂推理、多跳问题微调embedding 高领域术语特殊、通用模型失效实际落地建议：先做好分块和重排序这两个高性价比优化，再视情况上自适应流程。

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…召回阶段的核心作用是快速缩小候选集（从百万级到千级）明确重排序模型计算成本高，无法直接作用于大规模语料能对比单阶段vs两阶段在延迟、精度、成本上的权衡提到实际工业中的常见配置（如向量召回+Cross-Encoder重排）核心原因：计算成本与精度的权衡为什么必须分两阶段？阶段处理规模模型特点核心目标召回（Retrieval）百万~亿级文档轻量、快速（如向量相似度、BM25）快速筛选，从海量中捞出Top-K候选重排序（Rerank）百~千级候选重型…

#字节#两阶段检索#RAG 重排序

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…景"）历史会话改写多轮对话场景结合上文指代消解，生成独立完整的 standalone query 关键取舍：改写次数 vs 延迟——通常线上用1-2层改写，复杂场景走异步多路召回。检索后提示词构建结构模板（按优先级排序）：【角色】你是{领域}专家，基于提供的参考资料回答问题【约束】仅使用<reference>内容，无法回答时明确说明【参考资料】 <reference> [1] {标题}: {内容片段}... [2] ... </reference> 【用户问题…

#百度#小鹏#美团

面试题·检索· 高德

RAG 的检索、增强与生成如何可靠衔接？

匹配正文：…名次、过滤原因、去重键和版本。权限必须由服务端执行，不能在生成后才删除越权引用。若需要重排，先确认正确证据已经进入候选，并评估新增延迟。 3. 上下文增强上下文组装不只是把前几段拼进提示。它要：去重并保持必要的标题、表格、时间和父子关系；在 token 预算内保留支持结论的完整证据，避免从否定句或条件句中截断；给片段分配稳定引用 ID，并保存组装前后映射；显式传入问题、证据、回答格式和“证据不足时如何处理”的规则。单个相似度分数通常未校准，不能仅凭固定阈值判定拒答…

#RAG#知识库#检索

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…机制：检索结果相关性均低于阈值时，不编造答案关键权衡召回率 vs 精确率：业务问答优先精确率（宁可少答），知识探索优先召回率；延迟敏感场景可牺牲精排深度。

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…商/搜索场景：商品ID、品牌名需精准匹配 → 必须保留Sparse 成本权衡：全Dense需GPU资源，Sparse在CPU即可低延迟服务关键优化策略层级具体手段索引优化 HNSW参数调优（ef_construction/ef_search）、量化（PQ/IVF）降存储查询优化 Query改写（HyDE生成伪文档）、意图分类路由不同检索策略结果优化两阶段检索：粗排（Top-K召回）+ 精排（Cross-Encoder Rerank）数据优化文档分块策略（按语…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…向量领域适配（M3E/BGE/自研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） …

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…案、权限过滤及新旧版本。先分别建立 BM25 与向量基线，报告 Recall@K、MRR/nDCG、无权限结果率、P95/P99 延迟和成本。只有失败类型互补，混合才有价值。三类一阶段检索 BM25/词法检索：擅长精确词项、编号、专名和可解释字段加权；同义改写和概念匹配可能漏召回。它仍有索引、存储、分词、同义词和运维成本，不能称为零成本。稠密/稀疏语义检索：能跨表述召回，但质量依赖嵌入模型、领域、切分和索引参数。短查询并非必然更差，ID、数字和新实体才是常见薄弱点，需在目…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：答案要点能列举至少3种检索方法（向量检索、关键词检索、混合检索等）并对比优缺点阐述技术选型的核心考量维度（数据特征、延迟要求、精度要求、成本）给出具体的性能优化手段（索引优化、重排序、缓存策略）体现工程权衡思维，而非单纯罗列技术常用检索方法对比方法核心机制优点缺点适用场景稠密向量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…：一个文档生成多个向量（摘要、关键词、详细内容）稀疏-稠密混合：结合BM25和向量检索的优势 3. 向量检索核心问题：召回率和延迟的权衡优化策略：索引优化：HNSW参数调优（ef_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 + 关键词检索 + 知识图谱并行召回查询扩展：用LLM生成同义查询，提升覆盖度 4. 重排序（Rerank）核心问题：粗排结果精化优化策略：交叉编码器：用ColBERT等模型计算查询-文档细粒度…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…uery]" 四、关键优化点混合检索：稠密向量+稀疏向量+倒排索引，兼顾语义和精确匹配检索缓存：高频Query直接走缓存，降低延迟多路召回融合：不同检索策略结果用RRF（Reciprocal Rank Fusion）合并动态分块：根据Query意图调整chunk粒度（细粒度事实 vs 粗粒度综述）

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…不精准，建议按段落/语义边界元数据过滤：结合时间、来源等标签预过滤，减少搜索空间缓存策略：热门query结果缓存，降低向量检索延迟

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Prompt → LLM生成答案关键设计：检索结果作为**上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：真实性边界问题要求说明“在项目中应用 RAG”的技术细节。检索延迟、端到端延迟、准确率和幻觉率只能来自真实项目；通用架构示意不能包装成个人上线结果。回答框架知识库：数据来源、解析、分块、元数据、权限、版本与更新方式。检索器：稀疏/稠密模型、索引、Top-K、过滤、融合和查询改写。重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。 …

#美团#知识库构建#RAG 检索器设计