匹配正文：…描件表格识别错误、复杂版面顺序混乱 → 需人工校验+置信度过滤模态对齐：图文语义不对齐（如图片配错说明文字）→ 用多模态预训练或对比学习微调成本与延迟：视觉Encoder计算重、图片token占用长上下文 → 权衡用截图缩略图或分层检索评估困难：多模态答案的正确性难以自动评测 → 需构建多模态评测集实际落地中，建议先做文档类型路由（纯文本走轻量链路，复杂文档走多模态链路），逐步迭代。

#小鹏#多模态#RAG 表格处理

面试题·RAG· OPPO

生成式与判别式推荐选型

匹配正文：…列生成能力可跨场景复用天然可解释：生成过程可追溯挑战 ID空间爆炸：商品库百万级，vocab过大训练效率：自回归生成训练慢于对比学习生成质量：可能出现幻觉ID或重复推荐学习建议建议系统学习该知识点

← 上一页第 2 / 2 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

#小红书#生成式与判别式推荐#生成式与判别式推荐选型

面试题·检索· 字节

匹配正文：…、是否添加指令前缀（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）：Cr…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…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：Cross-encoder（如bge-reranker）精排，领域数据微调；法律场景加入引用频率和时效性作为手工特征查询改写：用LLM做Query2Doc扩展，医疗场景做症状标准化对齐四、生成融合：上下文组装与…

#字节#重排与优化#RAG 链路优化

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…g模型设计要点 1. 领域适配通用模型（如text-embedding-ada-003）在垂直场景语义区分度不足需用领域语料做对比学习微调，或选择专用模型（如BGE、GTE系列） 2. 粒度设计场景策略事实性记忆句子级，保证原子性事件序列段落级，保留时序上下文用户画像摘要级，人工构造结构化描述 3. 时效性编码对时间敏感记忆，将时间戳、相对时间（"3天前"）显式注入文本或作为附加特征三、检索策略优化索引结构选择 HNSW：延迟敏感场景，图索引保证低延…

#高德#重排与优化#文档处理

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…增强：添加时间、来源、类别等标签用于过滤 2. Embedding与向量化核心问题：领域适配和表征质量优化策略：领域微调：用对比学习在业务数据上微调Embedding模型多向量表征：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…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 美团

推荐结果多样性怎么控制?

匹配正文：… 通过λ控制相关性与多样性的trade-off。三、训练阶段：多目标优化多样性正则项：在loss中加入生成结果间的互信息惩罚对比学习：拉近正样本、推远负样本，扩大embedding空间分布四、业务层：类目/场景打散美团外卖场景的典型做法——强制品类覆盖：确保推荐列表中主食、饮品、小吃等类目占比，避免同一商家/品类扎堆。

#美团#多样性控制#推荐多样性

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：… 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：平衡效率与效果多任务学习：结合点击日志训练排序模型四、数据质量治理问题类型解决方案文档过长语义切分（按主题/段落）…

#360#召回质量评估#RAG 召回优化

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：…直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Embedding模型的能力边界训练目标限制：对比学习优化的是"语义相近"，而非"任务有用" 领域适配问题：通用Embedding在专业领域表现下降长文本截断：上下文信息丢失导致语义偏移 3. 两阶段架构的设计逻辑阶段职责特点向量检索（粗排）快速缩小候选范围速度快、召回率高、精确率低 LLM重排/生成（精排）深度判断+综合决策理解深、可结合上下文、成本高直接用大模型做全库检…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 小红书

中文知识库检索选型

匹配正文：…景 Hybrid：BM25召回+稠密向量重排，或两路召回融合小红书UGC场景的特殊性：内容口语化、多模态（图文），稠密向量建议用对比学习微调，负样本采"难负例"（同batch其他样本+BM25高分离散样本）。学习建议建议先掌握信息检索基础，再深入学习稠密与稀疏检索模型原理及典型实现。

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· OPPO

多模态异构数据怎么统一存储?

匹配口述回答：…标系，也不能直接把余弦分数放在一起比较。即使维度相同，数值尺度与语义也可能不同。若业务需要统一空间，要准备配对或弱配对数据，通过对比学习、匹配损失或蒸馏训练projector或adapter。常见策略是冻结成熟的视觉、音频和文本基座，只更新连接层，先降低训练成本；如果数据量和任务支持，也可以联合微调部分基座。所谓“冻结投影层同时训练对齐”自相矛盾，必须明确究竟哪些参数在更新。索引有两条路线。对齐证据充分时，可以把不同模态映射到共同空间并使用统一ANN索引，支持文搜图、图搜…

#多模态融合#特征对齐#向量数据库

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配口述回答：…再逐步优化。对了，说到微调，有个细节：不是所有模型都适合微调，有些闭源API只能调用不能调。而且微调数据怎么构造也很讲究，比如用对比学习还是用排序学习，效果差很多。总之，没有银弹，每个决策背后都是 trade-off。一针见血：选Embedding模型本质是trade-off，没有银弹场景决定模型：中文、多语言、代码各有侧重效率与成本的现实权衡：小模型加加速 vs 大模型领域适配和工程兼容的坑：微调与维度匹配收尾并给出可延伸点：验证方法决定成败，追问微调策略约…

#字节#向量检索#RAG Embedding 选型

面试题·检索· 小米

Embedding 向量维度选型

匹配口述回答：…立句向量检索的一类常见方案。它用两个共享权重的编码器分别编码query和doc，训练目标可采用句对分类、回归、triplet或后续对比学习方案，不能把全部SBERT训练等同一种Contrastive Loss。这样doc可以提前离线编码存到[[Vector Database]]里，线上只编码query，然后做[[ANN]]检索。文档编码可以预计算复用，查询只需独立编码再搜索；具体ANN搜索、向量维度与候选交互成本还需单独分析。输出向量维度这块，我一般会先看业务对精度的要求。…

#小米#向量检索#Embedding 向量维度选型

搜索大模型内容

RAG 中表格图片怎么处理?

推荐不准的分层诊断

生成式与判别式推荐选型

RAG Retriever 工作流程详解

专业领域RAG链路优化陷阱

向量数据库怎么支撑 Agent 记忆?

RAG 流程优化：检索与重排陷阱

推荐结果多样性怎么控制?

RAG 召回准确性：三大失败场景

RAG 为何需要重排序?

中文知识库检索选型

推荐不准的算法改进

多模态异构数据怎么统一存储?

RAG Embedding 模型怎么选?

Embedding 向量维度选型