匹配正文：… Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineering（造好"食材"）→ Prompt …

#OPPO#Prompt工程#Context Engineering

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…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. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 阿里

RAG 召回又快又准靠什么?

…25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶段架构：向量召回Top-K → Cross-Encoder/BGE Rerank精排可比较ColBERT的late interaction或Cross-Encoder交互打分；是否优于当前双塔需固定候选集、题集与预算验证，不能预设必然显著…

← 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

匹配正文：

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配正文：…+ 倒排索引（BM25）+ 稀疏向量（SPLADE），取长补短粗排+精排：先用IVF快速筛选候选集，再用精确距离计算Top-K 查询扩展：HyDE、Query2Doc可作为候选，用同题集消融验证；生成伪文档也可能偏离原问题并增加延迟与成本。三、模型与计算优化 Embedding量化：只算每维存储，FP32→FP16为4→2字节，INT8为4→1字节；总索引还含图、ID、码本与缓冲。区分向量压缩和模型权重量化，INT8需合适校准，Recall/MRR等质量变化必须实测，不保…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…据上微调过，语义会漂移，比如“苹果”可能匹配到水果而不是品牌。我的做法是用[[Dense Retrieval]]加领域微调，同时做查询扩展，把同义词也搜进去。二是[[幻觉]]控制，模型有时候不忠实于检索内容，自己编答案。我会在Prompt里明确要求它只基于检索内容回答，并且输出引用原文的片段，这样出了问题能追溯。说到追溯，我最近在关注[[Self-RAG]]的思路，让模型自己判断什么时候需要检索、什么时候信任已有知识，而不是每次都检索。这样能减少不必要的检索开销，但需要额外…

#字节#RAG实现原理#RAG 实现原理