匹配正文：…长代码文件+依赖库超出128k限制数据分析Agent 实时性 vs 知识新鲜度数据库schema变更后检索失效三、优化思路检索优化多级索引：粗排（向量快速召回top-100）→ 精排（轻量模型筛选top-10）→ 重排序（仅对关键查询启用）异步预检索：用户输入时预测意图，提前触发检索流混合路由：FAQ类走规则/缓存，开放域走RAG 上下文优化动态压缩：根据相关性分数剪枝，保留关键段落；使用摘要模型生成"记忆卡片" 结构化注入：检索结果转为Markdown表格/…

#阿里云#Agent#Agent RAG 瓶颈

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…search（混合检索方便）索引构建：HNSW（图索引，召回率高）、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优化混合检索：向量相似度 + 关键词匹配（BM25），用RRF融合排序查询改写：扩展同义词、纠错，提升召回重排序（Rerank）：用Cross-Encoder精排Top-K结果学习建议建议系统学习该知识点

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：…xt{sim}(A,B) = \frac{A \cdot B}{\|A\|\|B\|} 归一化后简化为点积，可用矩阵运算批量加速检索优化：精确检索：暴力计算，适合万级数据 ANN近似检索： HNSW：图索引，高召回、低延迟，适合在线服务 IVF-FLAT：聚类分桶，平衡速度与精度量化压缩（PQ/SQ）：降低内存，适合十亿级向量工程实践：先ANN粗排取Top-K，再用Cross-Encoder精排，最后按相关性阈值过滤

← 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#安克科技#RAG 向量化#Embedding 模型

面试题·RAG

RAG 完整流程分几步？

匹配正文：…诀帮助记忆：解析洗数据，分块定粒度，向量建索引，检索找资料，生成出答案。前三步做得好不好，直接决定后两步的上限。入门之后，可以往检索优化方向深入：重排（Rerank）、混合检索（关键词 + 向量）、查询改写，以及不同分块策略的对比实验。

#入门#基础概念#RAG流程

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…等） LlamaIndex强项索引策略：VectorStoreIndex、TreeIndex、KGIndex等10+种索引结构检索优化：自动路由、重排序、递归检索、子问题分解数据连接器：150+种数据源开箱即用（PDF、SQL、Notion等）选型建议场景推荐框架原因多步骤Agent（数据分析→生成报告→邮件发送） LangChain 需要复杂的状态管理和工具编排百万级文档知识库问答 LlamaIndex 索引分层、查询优化、响应速度更优快速原型验证两者…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：… 高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and-Execute等多模式Agent实现记忆管理：ConversationBufferMemory等上下文持久化方案 LlamaI…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：RAG 检索优化应按检索前、检索中和检索后三个阶段设计，并用独立评测判断每一步是否真的带来增益。 1. 检索前：查询理解与扩展查询改写：消除指代、纠错或补全约束，使 query 自包含。多查询/子问题分解：从不同表述或子任务召回候选，再去重融合。 HyDE：先生成假设文档表示再检索，适合原查询与目标文档表述差异较大的场景，但假设内容偏差也可能带来噪声。伪相关反馈：利用首轮结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 …

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：答案要点区分密集检索与稀疏检索的适用场景说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval） …

#字节#评估与监控#RAG 检索方法

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…00" 索引结构 HNSW、IVF、PQ等近似索引 B+树、哈希、倒排精度/召回近似结果，存在漏召精确结果扩展性高维向量检索优化事务一致性保障关键洞察：两者不是替代关系，是互补关系。混合存储架构实践分层设计：检索层：向量库（Milvus/Pinecone/Elasticsearch）→ 语义召回Top-K 过滤层：关系型数据库（MySQL/PostgreSQL）→ 元数据精确过滤重排层：Cross-encoder/BGE-reranker → 精排生成…

#安克科技#混合知识库存储#向量数据库

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配口述回答：…颈靠内存缓冲队列缓解，一致性用最终一致就行。点本质：长期记忆的本质是存储与检索的平衡分层设计：工作记忆、短期、长期，混合存储检索优化：多路召回与索引策略排序与压缩：时间衰减、重要性建模、分层摘要落地风险与取舍约4分钟压缩摘要的信息损失问题，以及如何平衡压缩率与召回质量。面试官可能会追问：具体怎么衡量信息损失？有没有做过对比实验？或者有没有更好的压缩策略，比如用[[Self-RAG]]让模型自己判断该保留什么？

#字节#蚂蚁#向量检索

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…元数据过滤，比如按时间、来源预过滤。比如搜索'2024年退款政策'，先按时间过滤出2024年的文档，再向量召回，效率和精度都高。检索优化里，我特别看重**[[重排序]]**这一步。向量召回Top-K后，用轻量[[Cross-Encoder]]比如bge-reranker做精排，能显著提升相关性。但代价是延迟，所以得权衡。另外，查询改写也很有用，用户输入'退款怎么还没到'，LLM可以扩展成'退款到账时间、退款流程、退款进度查询'，提高召回率。最后说维护。知识库不是建完就完了…

#百度#大模型知识库构建#知识库向量化

面试题·检索· 字节

RAG 原理与核心架构

匹配口述回答：…。最后说下我的取舍。我更倾向把 RAG 看作一个增强组件，而不是万能的。它的上限由检索质量决定，所以我会把精力优先放在索引构建和检索优化上，比如用 [[Parent Document]] 策略平衡块大小和上下文完整性。另外，我最近在关注 [[Self-RAG]] 这种让模型自己判断是否需要检索、检索后是否足够可信的思路，它把决策权交给模型，但代价是推理更复杂，计算量更大。我觉得这是 RAG 从固定流程走向自适应的重要方向，但落地时得权衡好延迟和准确性。开卷考试比喻点明本质…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配口述回答：这道题问[[RAG]]的架构和检索优化，我觉得本质是在问：怎么把外部知识可靠地注入到生成模型里，同时控制好延迟和[[幻觉]]。RAG不是简单拼装，而是检索和生成的桥接，设计时要时刻想着它们怎么配合。先说核心架构，就是检索器加生成器再加一个融合机制。用户query进来，检索器从知识库捞Top-K文档，拼成prompt喂给LLM生成答案。这里有个关键前提：证据漏召回会限制基于该证据集作答，但高召回不保证忠实生成；解析、权限、重排、上下文与生成都要分阶段评估。所以我会把重心放在检…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…需要实时更新知识库时，比如订单状态变化，增量索引和缓存失效策略怎么配合才能保证数据一致性？这个在电商客服场景特别常见。所以我会把检索优化看成一套组合拳，没有银弹，核心是根据业务场景在精度、延迟、成本之间做取舍，上线后持续监控和调优。一句话定位：检索性能优化本质是精度、延迟、成本的三角权衡索引层选型：HNSW vs IVF-PQ，按规模和数据分布定召回策略：多路召回加粗排精排，混合检索比单条腿稳模型与计算优化：量化降内存，缓存提速度工程落地风险：一致性、降级、分片，…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：…回失败，这时候可能要改用语义切分或parent document策略，让子chunk和[[父文档]]关联。所以整体上，我更倾向把检索优化看成一个持续迭代的过程，先定位瓶颈，选最轻量的方案上线，再用bad case驱动改进，而不是一上来就堆复杂模块。定位失效环节查询侧优化：改写与分解检索侧增强：混合检索与重排文档侧与工程权衡兜底与持续迭代约4分钟当检索质量持续不佳时，chunk策略可能是瓶颈，需考虑语义切分或parent document策略。面试官可能会追问…

#字节#检索故障诊断#检索质量优化