搜索大模型内容

RAG 工作原理与核心组件

匹配正文：…：稠密检索：语义匹配好，但可能漏关键词稀疏检索（BM25）：精准匹配关键词，补充稠密检索混合检索：稠密+稀疏融合，线性加权或RRF重排 3. 生成阶段上下文组装：检索结果 + 用户Query构造Prompt 大模型生成：基于提供的上下文作答，典型Prompt模板包含"仅根据以下信息回答，不知道就说不知道" 关键优化点环节优化手段检索质量查询改写（HyDE）、多路召回、重排序（Cross-Encoder）上下文利用长上下文压缩、信息去重、相关性过滤端到端 …

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

#百度#RAG核心组件#RAG 工作原理

RAG 文档处理与检索策略怎么搭？

匹配正文：…合检索策略：用户Query → Embedding编码 → 向量相似度检索（Top-K） ↓ 关键词BM25检索 → 结果融合（RRF加权） ↓ 精排模型（Cross-Encoder重排序）→ 最终Top-N片段关键优化点： Query改写：扩展同义词、澄清指代多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder比双塔更准，但 latency 高三、生成集成层上下文组装：检索片段按相关性排序，拼接为上下文控制总长度（通常占模型上下文30%-5…

#百度#RAG检索策略#RAG 系统架构

RAG检索方法选型原因？

匹配正文：…Dense + Sparse并行召回融合策略：线性加权（α·Dense_score + (1-α)·Sparse_score）或RRF倒数排序融合选型原因（字节场景）内容平台场景：用户query口语化严重，需要语义理解 → Dense为主电商/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/e…

#字节#评估与监控#RAG 检索方法

RAG 核心实现原理是什么?

匹配正文：…合检索、检索结果过滤、引用溯源落地关键挑战检索精度：Embedding语义漂移、领域术语匹配差 → 需微调Embedding+RRF融合上下文窗口：检索结果过长 → 采用摘要、分层检索、Map-Reduce策略答案幻觉：模型不忠实于检索内容 → 加引用标注、约束生成Prompt

#字节#RAG实现原理#RAG 实现原理

#字节#检索方法选型#BM25/向量/混合检索选型

BM25/向量/混合检索选型

匹配正文：答案要点能区分稠密检索与稀疏检索的适用场景理解混合检索的融合策略（如RRF）知道何时需要重排序（Cross-encoder）掌握查询改写/扩展技术（HyDE、多查询）能结合业务场景说明选型依据核心检索方法及选型 1. 向量检索（Dense Retrieval）技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/Faiss）场景：语义匹配、长文档理解、跨表述查询（如"苹果价格"→"iPhone多少钱"）考量：对短查询效…

RAG 架构：检索到生成全链路

匹配正文：…：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

RAG架构：检索器与重排序策略

匹配正文：…etrieval BM25、TF-IDF词项匹配精确匹配、高频术语混合检索(Hybrid) Dense+Sparse结果融合（RRF/线性加权）通用场景首选查询改写 HyDE（生成假设文档）、Query Expansion Query与Doc语义Gap大 Embedding模型选型：MTEB榜单参考，领域适配可作为候选，但是否提升及幅度应在固定留出集和相同检索预算下实测，不承诺10–20%。 2. 向量数据库选择核心考量维度：索引算法：HNSW为图索引、IVF为聚…

#字节#向量库与重排序#RAG 架构设计

RAG 检索器与知识库怎么搭?

匹配正文：…必须分开测候选召回、排序质量、上下文利用和最终回答；不能用单一“准确率”概括整条 RAG。追问入口准备解释为什么选择当前融合、RRF 常数或权重怎样确定、Top-K 和延迟如何权衡、重排消融、文档冲突、权限过滤、引用校验和索引更新。

#美团#知识库构建#RAG 检索器设计

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

RAG 系统核心组件怎么搭?

匹配正文：…一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启用，因为它们也可能引入偏移。三、生成器集成候选去重、裁剪、排序并附来源标识后，与用户问题和回答约束一起组装上下文。长文档压缩…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…nt，通常能刻画更细的交互相关性，但每个候选都要前向计算，只适合重排有限候选。融合策略两路召回先各取候选并按文档 ID 去重。RRF 只使用排名，避免直接比较不同系统的分数尺度，是稳健的无监督基线；若有可靠标注，也可对归一化分数做线性融合，或训练学习排序模型。RRF 不是任何场景都优于加权融合。重排前应保留来源、权限、时间和业务过滤条件。候选规模、RRF 参数和最终 Top-K 都应通过离线 Recall/nDCG、端到端问答质量、延迟和成本共同选择。数据变化时持续监控…

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：…pting：先问通用概念再具体到细节四、混合检索融合 BM25 + 向量：关键词匹配兜底专有名词、ID，向量捕捉语义融合策略：RRF（Reciprocal Rank Fusion）或线性加权，避免单一模态失效关键权衡：精度vs延迟、内存vs召回，需根据业务SLA选择组合。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：… 快速召回候选精排 Cross-Encoder重排序精细 relevance 打分混合检索：稠密向量 + BM25稀疏检索，RRF融合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. 结果融合与优化引…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生成伪文档再检索）、Query2Doc扩展三、重排序（Rerank）策略交叉编码器（Cross-Encoder）：精度高但慢，适合精排Top100→Top10 ColBERT等轻量方案：平衡效率与效果多…

#360#召回质量评估#RAG 召回优化

RAG 三阶段原理与失败场景

匹配正文：…、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现还取决于索引版本、并发更新和实现。 3. 上下文增强对候选去重、裁剪并保留来源标识，把问题、证据和回答约束组装成上下文。要处理冲突、过期和权限不足的证据，并防止检索内容中的提示注入被当作系统指令。 4. 生成与校验模型基于证据生成答…

#百度#RAG三阶段#RAG 工作流程

#美团#混合检索#混合检索 Hybrid Retrieval

混合检索怎么提升 RAG 召回?

匹配正文：…向量做 L2 归一化后，点积排序与余弦排序等价。模型质量取决于训练域、负样本和文档切分。融合与评估可对两路候选取并集去重后用 RRF 按名次融合；也可校准两路分数后加权，或交给 cross-encoder 重排。RRF 不要求原始分数同尺度，但仍需调节候选深度和常数；分数加权必须防止尺度漂移。应分别报告 BM25、Dense 与 Hybrid 的 Recall@K、MRR/NDCG、无答案率、P95 延迟和成本，并按编号、术语、同义改写等查询桶分析。只有覆盖收益大于重排…

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：…义相关性能捕捉同义词、上下位词等语义关系，如"苹果手机"≈"iPhone" 混合检索并行执行BM25和向量检索，结果融合（常用RRF倒数排序融合或加权求和） RRF公式：score = Σ 1/(k + rank_i)，k通常取60，对排名敏感而非绝对分数关键维度对比维度 BM25 向量检索混合检索准确性关键词匹配准，语义漂移大语义理解强，可能引入噪声兼顾两者，上限最高召回率低（同义词漏召）高（语义扩展）最高计算开销极低（倒排索引，毫秒级）高（…

#小红书#检索方法对比#BM25 向量检索混合检索

BM25公式参数含义与TF-IDF对比

匹配正文：…、实体、编号和错误码的词面匹配强；但查询与文档没有共享词项时得分可能为零，也不等于能处理所有 OOV。它常与稠密召回取并集，再经 RRF、分数校准或重排融合。图解 BM25公式参数含义与TF-IDF对比图解

#美团#BM25#BM25 算法原理

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…DE，适合关键词精确匹配优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类分桶，减少搜索空间亿级，内存受限 PQ/OPQ 向量量化压缩极致内存优化 DiskANN 内存+磁盘混合十亿级大规模关键调参：efConstruction（建图质量）、M（邻居数）、nprobe（搜索桶数）三、查询…

#阿里云#查询重写#RAG 召回优化

#美团#Hybrid Retrieval#混合检索

混合检索为什么用 Sparse+Dense?

匹配正文：…类语义关联，但对字面匹配不敏感典型融合策略策略做法线性加权 score = α·BM25 + (1-α)·cos_sim RRF倒数排序融合综合两者的排序位置，无需调权重两阶段 Dense召回Top-K → Sparse精排实际中α通常取0.3-0.5，或用RRF更稳健。学习建议建议系统学习该知识点

#字节#Embedding向量检索#Embedding 向量数据库

Embedding + 向量数据库怎么搭?

匹配正文：…可选：重排序（Cross-Encoder精排）提升精度四、生产优化要点混合检索：向量相似度 + BM25关键词召回，融合排序（RRF算法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/MRR与长尾质量变化要实测，不承诺固定<2%。增量更新：避免全量重建索引，使用HNSW的动态插入特性学习建议建议系统学习该知识点参考资料 Faiss官方内积、余弦与L2关系 DPR原论文的成对查询/文档编…