匹配正文：…表示层面：LLM作为增强编码器核心思路：利用LLM的语义理解能力，将非结构化内容（商品标题、视频描述、用户评论）转化为高质量稠密向量。物品侧：用LLM编码item文本，替代或补充传统ID embedding，缓解冷启动用户侧：聚合用户历史行为的文本描述，生成动态用户画像向量融合方式：LLM特征与ID特征双塔并行，后期拼接或门控融合关键挑战：LLM特征维度高、推理慢，需蒸馏到轻量模型或离线预计算。二、用户意图理解：从匹配到推理传统推荐是"相关度匹配"，LLM可实现…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配正文：结论：可以，这是动态RAG的典型应用场景核心实现思路层级关键设计数据层流式数据接入（Kafka/Flink）→ 增量构建向量索引，避免全量重建检索层多路召回（向量+关键词+规则）+ 实时性加权，新数据优先排序融合层检索结果注入Prompt，标注数据来源时间戳，让模型感知时效性反馈闭环用户点击/转化数据回流，动态调整索引权重和切分策略相比纯模型/静态RAG的优势时效性：分钟级数据可见，解决大模型知识截止问题准确性：数据分布漂移时，检索结果自动跟随变化…

#美团#外挂数据库增强#外挂数据库

面试题·RAG· OPPO

多信号评分函数原理与陷阱

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…

← 上一页第 19 / 24 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

#OPPO#多信号排序#评分函数设计

面试题·RAG· OPPO

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：… 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decoder各层，如Fusion-in-Decoder (FiD) 输出层/自适应融合：Self-RAG让模型自己决定何时检索、用多少检索结果 3. 端到端训练传统：检索器固定（Elasticsearch）→ 生成器固定（GPT-3）→ 零梯度流动现代：检索编码器 + 生成器联合优化 - 挑战：检索…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配正文：…4-01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动标注（"根据…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 淘天

偏好数据如何收集与建模?

匹配正文：…建模为图结构，捕捉"问A→看B→买C"的跨域关联。二、偏好建模架构用户输入 → Context Encoder → [用户画像Embedding] + [实时会话状态] ↓ 偏好融合网络（Attention-based） ↓ 生成回复 / 商品推荐（多任务输出）静态偏好：用户长期画像（价格敏感度、品牌偏好、风格标签）→ 存向量库动态偏好：当前会话意图漂移检测（用KL散度监控话题转移）群体先验：相似用户簇的偏好作为冷启动回退三、训练优化流程阶段目标方法 SFT…

#淘天#用户偏好建模#偏好感知对话系统

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· 小红书

用户兴趣模型：数据与特征取舍

匹配正文：…方式"标签体系（穿搭、家居、旅行等细分类目）三、算法选型：召回→粗排→精排召回层双塔模型（User塔+Item塔）：用户兴趣向量实时更新，Item向量天级更新多路召回：兴趣标签召回、协同过滤、图神经网络（社交关系）精排层多目标优化：点击+互动+关注+时长，用MMoE或PLE结构序列建模：DIN/Transformer捕捉短期兴趣，长期兴趣用记忆网络冷启动策略新用户：基于相似人群（Lookalike）+ 热门兜底新内容：内容理解模型（图文多模态）预打标签，快…

#小红书#用户兴趣建模#用户兴趣模型

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· 字节

大模型输出怎么检测和过滤?

匹配正文：…置response_format={"type": "json_object"}或工具调用接口 Prompt工程在Prompt中嵌入Few-shot示例，明确输出格式要求添加"请确保输出为合法JSON，不要添加markdown代码块标记"等约束二、多层级校验机制层级检测内容处理方式语法层 JSON合法性、字段完整性、类型匹配异常捕获+重试/解析修复语义层数值范围、枚举值有效性、逻辑一致性规则引擎校验，失败则重生成业务层是否符合业务规则、用户权限、场景…

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…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（Retrieval）稠密检索：向量相似度（余弦/IP）稀疏检索：BM25关键词匹配重排序：Cross-Encoder精排，过滤低质结果查询改写：HyDE、Query Expansion提升召回 3. 生成…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…结构化研究报告（带引用）技术原理差异 RAG 架构：Retriever → Reranker → Generator 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 …

#Deep Research#RAG#Deep Research vs RAG

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：一、检索偏差的成因分析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、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…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…？ RAG通常采用两阶段架构：召回（Retrieval）+ 重排（Re-ranking）。召回阶段用双塔模型（如BGE、GTE）做向量相似度检索，追求毫秒级响应；但双塔模型的精度天花板明显——query和doc分别编码，缺乏细粒度交互，容易召回语义相关但不够精准的文档。重排的核心作用维度召回阶段重排阶段模型架构双塔（Bi-encoder）交叉编码器（Cross-encoder）交互方式无交互，独立编码拼接输入，深度交互计算成本低（可预计算doc向量） …

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…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 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的…

#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

LLM怎么融入推荐系统？意图理解与生成

外挂数据库怎么提升大模型准确性?

多信号评分函数原理与陷阱

推荐不准的分层诊断

RAG 模型分类有哪些?

现代 RAG 架构怎么变?

时间窗口对话系统：约束与取舍

偏好数据如何收集与建模?

生成式推荐的序列原理

用户兴趣模型：数据与特征取舍

Query 改写有哪些创新方法?

动态增量更新怎么防检索偏差?

大模型输出怎么检测和过滤?

RAG 技术原理与核心组件详解

Deep Research vs RAG 怎么选?

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 为什么需要 Re-ranking?

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？