匹配正文：核心思想 GraphRAG 把文本证据与实体、关系或社区结构关联起来，用显式图结构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 G…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适应检索判断）典型变体 GraphRAG：用知识图谱替代向量检索，处理复杂多跳推理 Self-RAG：模型自主判断是否需要检索，避免过度检索实际落地时，检索质量决定RAG上限，建议先做检索评测（Recall@K）再优化生成。

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…长度），保证chunk内语义完整元数据过滤：先按时间、类别等标签过滤，缩小检索范围摘要索引：存储chunk摘要+原文，用摘要做向量检索减少噪声一句话总结：检索质量 = 查询理解（改写）× 召回广度（混合检索）× 排序精度（重排），三环节缺一不可。学习建议建议系统学习该知识点

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_search、nprobe权衡延迟与准确率过滤机制：前置元数据过滤（时间、权限标签）减少搜索空间 4. 候选排序与筛选多路召回：向量+稀疏（BM25）+ 关键词，线性加权或Learned Fusion 重排序（Rerank）：Cross-Encode…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配标题与标签：…Agent 记忆? Embedding 模型与检索策略设计,关键优化方法及召回提升检索高德重排与优化文档处理 Agent 向量检索 Agent 记忆向量数据库 Embedding 模型检索策略记忆召回高德

#高德#重排与优化#文档处理

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检索通用场景 RR融合或线性加权，兼顾语义与精确匹配质量影响：召回率决定答案上限，需平衡速度与精度（Top-K通常取…

#阿里云#重排与优化#向量检索

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…（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：对短查询效果差，需配合查询扩展 2. 稀疏检索（BM25/TF-IDF）技术：Elasticsearch、L…

#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· 美团

混合检索怎么提升 RAG 召回?

匹配正文：为什么要混合检索稀疏检索和稠密检索利用的信号不同：BM25 擅长实体名、编号、错误码和查询词共现；双塔向量检索能够召回词面不同但语义接近的文本。二者都可能失败，混合检索的价值是扩大互补覆盖，而不是保证每个查询都优于单路。两类检索与分数 Sparse/BM25 基于倒排索引，对查询词的 IDF、文档内词频饱和和长度归一化加权。分数受实现、语料统计和查询长度影响，没有可跨系统直接比较的固定尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配标题与标签：…语义召回? RAG 中查询与文档向量化,余弦相似度计算及优化考量检索字节向量语义召回 Embedding 语义召回 RAG 向量检索余弦相似度向量空间映射字节

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配题目：请描述RAG（检索增强生成）的完整工作流程，并说明在构建向量检索库时，如何应对信息时效性衰减对检索召回效果的影响。

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，过滤低质结果 3. 生成阶段上下文组装：按相关性排序，控制token预算 LLM生成：结合检索内容作答时效性优化方案核心思路：让"新"文档在相似度计算中获得隐性加分方案实现方式适用场景时间衰减加权 score_final = score_seman…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配标题与标签：Embedding升级后向量对齐方案知识库增量更新场景下新旧向量对齐的 3 种方案检索抖音向量检索 Embedding 升级向量不一致知识库增量更新向量对齐字节

#抖音#向量检索#Embedding 升级

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配正文：…占用大海量数据（十亿级）选 IVF 系列或磁盘索引，牺牲部分召回换存储成本务必关注 filter 下推能力——先元数据过滤再向量检索，避免全量扫描 2. 可扩展性与运维数据量 < 1亿：单节点 Milvus/Pinecone 足够数据量 > 10亿或高并发：需原生分布式（Milvus、Weaviate）或云托管方案关键问：是否支持存储计算分离？这决定成本弹性 3. 集成生态优先选 LangChain/LlamaIndex 官方支持的，降低接入成本检查 emb…

#京东#向量检索#向量数据库选型

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配标题与标签：Embedding + 向量数据库怎么搭? 语义搜索中模型选型、向量化流程与检索机制详解检索字节 Embedding向量检索 Embedding 向量数据库语义相似度搜索向量化流程向量检索机制字节

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 小红书

中文知识库检索选型

匹配题目：请列举并说明RAG（Retrieval-Augmented Generation）系统中常用的检索方法，包括基于稠密向量检索和稀疏检索的技术及其优缺点。

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 美团

Embedding 模型结构选型

匹配标题与标签：…g 模型结构选型 Sentence-BERT、SimCSE 等 Embedding 结构选型，补充适用边界与工程取舍检索美团向量检索 Embedding 模型结构选型 Embedding 模型结构怎么选？SBERT、SimCSE 对比 Embedding 模型结构 Sentence-BERT SimCSE 美团

#美团#向量检索#Embedding 模型结构选型

面试题·检索· 小米

Embedding 向量维度选型

匹配标题与标签：Embedding 向量维度选型向量维度对质量、存储、索引速度和延迟的影响检索小米向量检索 Embedding 向量维度选型 Embedding 向量维度怎么选？质量、存储与延迟权衡 Embedding 模型架构 BERT 与 Sentence-BERT 输出向量维度影响小米

#小米#向量检索#Embedding 向量维度选型

面试题·检索· 百度

向量召回实现方式有哪些?

匹配正文：答案要点能列举至少3种主流向量检索算法（如HNSW、IVF、LSH、PQ等）能对比不同方法在召回率、延迟、内存占用上的权衡能说明建索引和查询的复杂度差异能结合场景说明选型依据（如实时性要求、数据规模、精度要求）向量检索的核心是近似最近邻（ANN）搜索，常用实现方式可分为以下几类： 1. 基于图的方法：HNSW 原理：构建多层导航图，高层稀疏快速定位，底层稠密精确搜索特点：召回率高（>95%）、查询快（毫秒级），但内存占用大、建索引慢适用：中等规模（千万级）、对延…

#百度#向量检索#向量召回方法

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配标题与标签：ANN 索引怎么构建? RAG 中近似最近邻索引流程与关键技术选型检索拼多多 ANN索引构建 ANN 索引构建 RAG 向量检索近似最近邻技术选型拼多多

#拼多多#ANN索引构建#ANN 索引构建

文本嵌入模型怎么选?

Embedding 模型选型考虑哪些因素?

RAG 向量模型怎么选?

向量数据库和普通数据库有什么区别?

GraphRAG 原理与构建方法

RAG 技术原理和实现流程

RAG 检索增强技术有哪些？

RAG Retriever 工作流程详解

向量数据库怎么支撑 Agent 记忆?

RAG流程：检索到生成各阶段陷阱

BM25/向量/混合检索选型

RAG检索方法如何优化？

混合检索怎么提升 RAG 召回?

Embedding 怎么实现语义召回?

RAG 工作流怎么应对时效衰减?

RAG 向量库怎么处理时间衰减?

Embedding升级后向量对齐方案

向量数据库选型关键因素有哪些？

Embedding + 向量数据库怎么搭?

中文知识库检索选型

Embedding 模型结构选型

Embedding 向量维度选型

向量召回实现方式有哪些?

ANN 索引怎么构建?