匹配正文：设计步骤定义目标与约束：明确相关性、点击、转化、停留、多样性或时效性，并区分预测目标与展示约束。构造信号：文本或向量相关度、质量、流行度、新鲜度、用户偏好和上下文等；检查缺失值、时间穿越和在线可用性。统一尺度：BM25、余弦、概率和计数不能直接相加。可使用分位数、z-score、Platt 或 isotonic 校准，也可在学习排序模型中共同学习。学习组合：数据少且需要解释时可用带约束线性或逻辑模型；有排序标签时可用 RankNet 或 LambdaMART；深度模型…

#OPPO#多信号排序#评分函数设计

面试题·RAG· OPPO

现代 RAG 架构怎么变?

匹配正文：…、独立索引稠密检索（DPR、Contriever）、双塔编码生成器固定LLM，仅把检索文本当prompt 可训练或适配的生成模型连接方式字符串拼接，显式上下文窗口潜在空间交互，隐式信息融合典型代表：Facebook的RAG模型（2020）首次将检索器和生成器联合预训练，而非简单拼接。 2. 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt，受限于上下文长度，容易信息淹没中间层融合（现代）：检索得到的向量通过cross-attention注入de…

← 上一页第 18 / 22 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

生成式推荐的序列原理

匹配正文：…分数分布建模：P(y|x) 完整序列分布优化方式独立样本的BCE/MSE损失序列级别的交叉熵（MLE）物品关系隐式通过Embedding学习显式通过自注意力捕获长程依赖输出形式 Top-K排序列表可直接生成ID、解释文本、甚至推荐理由灵活性任务特定模型统一架构处理多种推荐任务关键优势与挑战优势：天然融合内容信息（标题、图文），缓解ID冷启动统一框架支持多任务（推荐+解释+对话）利用预训练LLM的泛化能力挑战：推理延迟：自回归生成 vs 向…

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…上下文依赖等问题，提升召回率和相关性。三类创新方法及优势 1. 同义扩展（Lexical Expansion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语义重写（Semantic Rewriting）做法：用Seq2Seq或LLM直接改写Q…

#京东#Query改写#Query 改写

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配正文：问题成因分析核心矛盾：增量更新破坏了知识库的"语义一致性假设"——即检索时query与doc的embedding应来自同一分布。具体成因：模型版本漂移：新旧文档使用不同版本的embedding模型，向量空间不对齐时间衰减效应：领域知识演化导致相同词汇语义变化（如"新冠"在2019 vs 2023的含义）索引碎片化：局部更新导致向量空间密度不均，近邻搜索出现"断层" 缓解策略策略核心思路适用场景版本隔离新旧文档分索引存储，检索时多路召回+重排序融合模型升级…

#美团#增量更新检索偏差#RAG 知识库更新

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控制chunk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠密向量存储：FAISS、Milvus等向量数据库 + 可选的倒排索引混合 2. 检索（Re…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = sc…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：…结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 擅长字面、实体和编号匹配，稠密向量擅长语义近似，可用 RRF、归一化加权或学习排序融合。随后只对有限候选使用 Cross-Encoder 等重排模型。具体候选数由 Recall、nDCG、吞吐和延迟预算决定，不使用固定通用值。 3. 检索后：上下文选择对候选做权限和元数据过滤、去重、证据片段抽取、上下文压缩与排序，保留引用关系。块大小和压缩策略取决于文档结构、查询类型与模型窗…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：RAG完整工作流程四阶段架构：阶段核心任务关键组件索引构建文档→Chunk→Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀疏检索（BM25）互补，降低单路失效风险索引优化语义滑窗切分、关键实体提取、文档质量预过滤 2. 重排序层向量重排：用更强的embedding模型（如gte-large）二次精筛交叉编码器：ColBERT/BGE-reranker计算query-doc细粒度交互，捕捉字面匹配信号动态截断：根据分数分布自适应调整k值，避免硬…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 什么时候需要重排？

匹配正文：…、延迟和成本决定，不是 RAG 的必选配置。召回与重排的分工第一阶段的目标是在预算内生成覆盖率足够的候选。它可以是关键词、稠密向量、稀疏向量、结构化查询或多路组合，不一定是双塔模型。第二阶段读取查询与候选的更多信息重新排序，例如 Cross-Encoder 对每个 query-document 对联合编码，因此通常比预计算文档向量更贵。先检查候选 Recall@K：若正确证据不在候选中，增加重排不会改善结果；应先查语料、权限、查询、索引、过滤和候选深度。若正确证据经常在…

#RAG#重排#Cross-Encoder

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…查询侧优化：Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Encoder精排To…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 哔哩哔哩

精排精度高，为何不跳过召回粗排？

匹配正文：核心原因：候选规模与交互计算不匹配 Cross-Encoder 会把 query 和每个候选文档联合编码，文档侧表示通常不能像双塔向量那样预计算并复用。若对全库 N 个候选逐一精排，就需要 O(N) 次 query-document 前向计算和对应的数据读取；在大规模语料上，延迟、吞吐和成本都不适合在线服务。分层漏斗阶段典型方法主要目标召回 BM25、稠密向量 ANN、规则召回用索引快速取得高召回候选粗排（可选）双塔分数、轻量模型、业务特征在较低成本下进一步…

#哔哩哔哩#两阶段排序#召回粗排精排

面试题·检索· 哔哩哔哩

直接精排所有候选，为何不可行？

匹配正文：核心原因：计算复杂度与系统架构的根本矛盾 1. 计算效率角度复杂度鸿沟召回/粗排：O(1) 哈希查找、O(log n) 向量检索、或轻量双塔模型精排：O(n) 深度交叉特征，单次推理 10-100ms 级候选池规模：百万/千万级，精排全量打分 → 单次请求耗时小时级，完全不可接受算力成本精排模型通常是大模型或深度网络，GPU显存和计算密集全量打分成本 = 候选数 × 单次推理成本，业务无法承受 2. 系统架构角度延迟与吞吐的权衡阶段延迟要求候选规模模型…

#哔哩哔哩#召回粗排精排#推荐系统架构

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配正文：…消解 Query分解：复杂问题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encoder：Query+Document拼接输入，输出相关性分数，精度高但计算慢精排Top-N：…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…-200），追求高召回率，允许一定噪声 3. 精排/重排序（Rerank）使用交叉编码器（Cross-Encoder）或轻量重排模型对召回文档精细打分，筛选Top-N（通常3-10）送入生成关键作用：弥补双塔向量检索的语义鸿沟 4. 上下文构造格式组装：按相关性排序，添加文档标识（如[Doc 1]）长度控制：截断、摘要压缩、或分层检索（摘要→全文）去重与连贯性：处理重复段落，保证上下文逻辑流畅 5. 生成答案构造Prompt：系统指令 + 检索上下文 + 用户问…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…信度过滤低质量片段上下文压缩：用LLM提取关键句，解决上下文窗口冗余四、工程权衡线上部署需平衡效果与延迟，常见做法：重排序模型蒸馏为轻量版，或异步离线预计算分层检索：先快速粗排，再精排Top-K 缓存热门查询的检索结果核心思路是多路召回+精排过滤，不要依赖单一向量相似度。学习建议建议系统学习该知识点

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 为何还要重排?

匹配正文：为什么需要重排？初步检索的局限向量检索（如Embedding+ANN）追求速度快、召回率高，但牺牲精确度双编码器（Bi-Encoder）独立编码查询和文档，无法捕捉细粒度交互 Top-K结果中常混入"语义相关但内容不匹配"的噪声文档重排模型的作用机制维度初步检索（召回）重排（精排）架构双编码器（分别编码）交叉编码器（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…

#字节#重排与优化#RAG 重排

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：为什么需要重排序？向量检索（双编码器）存在固有缺陷：打分不可比：余弦相似度是绝对值，跨查询波动大粗粒度匹配：query和doc分别编码，丢失细粒度交互信息 Top-K截断风险：好的文档可能因向量相似度略低被漏掉重排序作为两阶段检索的第二阶段，用更高精度的模型对候选集（通常100-1000条）精细打分，显著提升最终Top-N的相关性。主流重排序方法方法原理适用场景交叉编码器（Cross-Encoder） Query+Doc拼接输入，Transformer输出相…

#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：三阶段分工阶段核心功能候选集规模模型特点召回从百万/亿级池子中快速筛选千级候选 10⁶~10⁸ → 10³ 轻量模型（双塔、向量检索）、用户兴趣粗粒度匹配粗排对召回结果快速预筛选，为精排减负 10³ → 10² 轻量精排模型或排序模型，平衡效率与效果精排精细打分，决定最终展示顺序 10² → 10¹ 复杂深度模型，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 …

#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：…关键信息冗余存储；多粒度索引（段落+句子）查询改写 Query扩展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top-K重排，比向量相似度更准多路融合：不同召回源（KG、向量、倒排）按置信度加权动态截断：根据query难度自适应调整送入LLM的文档数三、生成层优化（最终输出）上下文…

#字节#RAG评估闭环#RAG 系统优化

多信号评分函数原理与陷阱

推荐不准的分层诊断

现代 RAG 架构怎么变?

生成式推荐的序列原理

Query 改写有哪些创新方法?

动态增量更新怎么防检索偏差?

RAG 技术原理与核心组件详解

医疗法律 RAG 架构关键环节

RAG检索质量提升5法

专业领域RAG链路优化陷阱

RAG 瓶颈在哪一步

RAG 检索偏差怎么系统性解决?

RAG 什么时候需要重排？

RAG 原理与核心架构

RAG 系统迭代优化方向有哪些?

精排精度高，为何不跳过召回粗排？

直接精排所有候选，为何不可行？

RAG 流程各阶段怎么拆?

RAG 完整工作流程怎么跑?

RAG 检索优化:重排序怎么用?

RAG 为何还要重排?

RAG 重排序怎么选?

召回和粗排为什么不能跳过?

RAG 系统怎么持续迭代?