匹配正文：…e/base/small多规格 M3E：轻量、商用友好，适合资源受限场景 GTE：阿里出品，长文本支持好 OpenAI/text-embedding-3：API场景，维度可压缩，省心但成本高 4. 领域适配通用模型在垂直领域（医疗、法律）往往不够准方案：领域语料继续预训练 + 对比学习微调（In-batch negatives + InfoNCE） 5. 效果评估别只看MTEB榜单，要构建业务测试集核心指标：Recall@K（检索场景）、MRR（排序场景）

#百度#向量检索#Embedding 模型选型

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配正文：答案要点数据构建：文档切分策略、元数据标注、负样本构造检索优化：混合检索、查询改写、Embedding微调后处理：重排序模型、上下文压缩、置信度过滤评估数据集：MS MARCO、Natural Questions、HotpotQA、自建业务数据集数据构建层面文档切分优化按语义边界切分（标题、段落），避免硬截断；重叠窗口保留上下文连贯性构建多级索引：摘要级 + 细节级，先粗筛再精确定位数据质量提升清洗低质量文档，添加领域-specific的元数据标签（时间、…

#字节#RAG 检索噪声#RAG 数据构建

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

…记忆触发确认隐私敏感数据分级存储，敏感内容加密embedding或隔离索引架构示意：用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。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。

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：

#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：…生成控制：温度参数、重复惩罚、结构化输出（JSON模式）质量影响：幻觉抑制依赖上下文相关性与指令遵循能力的平衡各环节协同关系检索质量是天花板，生成能力是地板——检索不准则生成必错，检索准确但生成指令不清则答案冗余。实际系统中需建立检索-生成联合评估闭环，持续优化Embedding模型与领域数据对齐。学习建议建议先掌握RAG基本流程框架，再结合实际案例理解检索器、重排序和生成模型的协作机制，多动手搭建简单RAG系统加深理解。

#阿里云#重排与优化#向量检索

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· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…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、余弦或距离检索。点积同时受方向和模长影响；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 BM2…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配正文：原则：隔离不同向量空间模型版本改变后，向量维度、尺度或几何关系都可能变化。除非模型经过明确的向后兼容训练并验证，否则不能把新查询向量与旧文档向量直接计算相似度，也不能把两版向量混入同一 ANN 索引。推荐迁移流程版本化：记录 embedding 模型、分词、归一化、维度和距离函数，索引按版本隔离。影子重建：新写入可双写两版，后台按快照批量编码历史文档，并用变更日志补齐迁移期间的增量。双读评估：同一批查询分别访问新旧索引，比较相关性、过滤正确性、延迟和成本，必要时小流…

#抖音#向量检索#Embedding 升级

面试题·检索· 美团

Embedding 模型结构选型

匹配正文：…ERT-large、追求效果语义区分度更强 2048+ 多模态、复杂任务存储和计算成本陡增关键权衡：维度↑ → 语义容量↑、检索精度↑，但索引体积↑、延迟↑、训练难度↑。实际需结合向量数据库（如Milvus/Faiss）的索引类型（HNSW/IVF）综合评估。新趋势：MRL（Matryoshka Representation Learning）训练时让模型同时适配多维度，推理时按需截断，打破"一次训练固定维度"的限制。学习建议建议系统学习该知识点

#美团#向量检索#Embedding 模型结构选型

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：…iss官方index_factory与粗量化器 Faiss官方内积、余弦与L2关系 Sentence Transformers官方Embedding量化与校准 Faiss官方向量codec对称/非对称检索评估

#安克科技#HNSW与IVF#RAG 向量匹配

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实检索场景】的混合召回与重排，承担【真实模块和决策】。需要准备：查询与语料场景；职责边界；候选生成与排序工件。使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。需要准备：基线；融合参数；消融结果；工程代价。逐层练习 1.…

#模拟面试#简历项目#连续追问

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…也没有回答用户提问时能不能找到正确证据。解析错误往往不会让程序崩溃。标题被压成普通正文，数据库照样可以写入；同一页重复输出两次，向量仍然能够生成；引用位置发生偏移，任务状态也可能显示完成。所以面试官问“怎么评估文档解析质量”时，不能只回答一个准确率。为什么一个“解析准确率”不够？假设两套解析方案都保留了页面里的绝大部分字符。第一套仍然区分章节标题、列表前导句和正文，第二套却把它们全部压成同一级文本。若只按字符是否出现计算，两套结果可能很接近；进入 RAG 后，第二套…

#RAG#解析与入库#RAG 文档解析评估

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…,而 Cross-Encoder 精排可以联合读取 query 与候选,尝试把更能回答问题的证据排到前面。是否真的改善,仍要在同一评估集上测 Recall、MRR 和生成忠实度。一句话:召回决定候选里有没有,排序决定正确证据排得是否靠前。这一章,我们就先用 20 行代码把"排序为什么会错"亲手复现一遍。 3 个核心概念(先白话,再术语) 概念 1:什么是"重排 / 精排"? 第 5 章的混合检索能把几十上百条"可能相关"的候选捞回来,但它们的顺序不一定对。重排(Reran…

#RAG#检索#项目实战

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最热且和 RAG 衔接 Agent 154 Agent 题库 Deep Research Agent 教程 Prompt 与上下文怎么把任务、约束、上下文喂给模型,应用开发的高频入口 Prompt工程 77 Prompt 工程题库 AI 编程实操评估…

#求职#职业转型

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…代表题型 "RAG 召回率/忠实度怎么评""LLM 当裁判靠不靠谱""怎么搭评估集""上线后怎么监控效果" 项目里怎么体现讲你的评估集怎么来、用哪些指标、badcase 怎么回流改进,而不是"感觉不错" 刷题去评估与监控题库。重排与优化(70 题):验证你会不会救召回重排是 RAG 里"召回准不准"的关键一环,效果好坏经常卡在这。面试官问重排,是想确认你不只会 embedding 一把召回,还懂用 rerank、混合检索去补救长尾和边角 case。维度内容面试官…

#求职#职业转型

面试题·项目与经历· OPPO

ML项目流程：特征工程到评估

匹配正文：…角色，并不固定分别属于召回与精排。训练调参：搜索空间、预算、随机种子、早停和 checkpoint【】；预处理只在训练集拟合。评估与部署：离线指标、切片、置信区间、延迟、成本【】；线上若有则说明流量、观察窗口和回滚。复盘：错误样本、数据漂移、监控和下一步【】。模型链路必须来自候选人的实际系统。候选生成可以是规则、向量检索、协同过滤或学习模型，排序可以是树模型、深度模型或其他方法。方法名不决定流水线位置，目标函数、特征可用性、延迟与部署约束才决定。

#特征工程#模型选型#超参数调优

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…索引，高召回低延迟）索引优化实践：量化压缩：PQ（乘积量化）降存储，IVF-PQ平衡精度与内存多阶段检索：可用BM25/稠密向量召回，再用Cross-Encoder或ColBERT等方案重排；ColBERT是token多向量late interaction，不等同普通单向量稠密精排。增量更新：避免全量重建，用HNSW的动态插入或定期merge 五、效果验证闭环建立端到端评测：用真实query测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embe…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配标题与标签：RAG 文档怎么存储和向量化? 从原始文本到向量数据库的完整流程:分块、Embedding 与索引设计文档处理安克科技评估与监控 RAG 文档向量化文档分块策略 Embedding 模型选择向量数据库索引安克科技

#安克科技#评估与监控#RAG 文档向量化

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…ge 跨语言对齐好垂直领域领域微调（如法律、医疗）术语理解更准确选型核心：MTEB榜单参考 + 业务数据实测召回率 3. 嵌入生成与优化批处理推理：GPU批量编码，避免单条推理开销向量归一化：L2归一化后，余弦相似度等价于点积，加速检索维度压缩：必要时用PCA或量化（如1024→256维），权衡精度与存储 4. 质量保障离线评估：Top-K召回率、MRR指标在线验证：人工抽检query-doc相关性，建立bad case闭环

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：一、系统性评估框架 RAG评估必须分层进行，避免"黑盒优化"： 1. 检索层（Retrieval） Recall@K：正确答案是否在Top-K中（核心指标） MRR/NDCG：排序质量精确率：检索片段的相关性比例 2. 生成层（Generation）事实性：答案是否忠实于检索内容（可用NLI模型自动判）完整性：是否覆盖问题要点流畅性：语言自然度（可用 perplexity 或人工打分） 3. 端到端（End-to-End） Answer Correctness：答案正…

#字节#评估与监控#RAG 评估

面试题·评估· 字节

RAG 召回评估指标对比

匹配正文：…，但可能引入噪声 MRR高正确答案排在前面，减轻LLM筛选负担，提升生成效率 NDCG高高质量文档优先，直接提升生成质量实际评估要点与生成环节联动：高Recall但低Precision时，需增强重排序或压缩上下文多路召回评估：分别评估向量检索、关键词检索、图谱检索，再测融合后的Recall 业务定制：客服场景重MRR（要快准），研报场景重Recall@20（要全）学习建议建议系统学习该知识点

#抖音#Recall@k#RAG 召回评估

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：…误差，不应该默认对所有请求开启。Cross-Encoder 只能改善已有候选的排序，不能救回根本没有召回的文档。切块与元数据也是检索方案的一部分。标题、章节、表格位置、文档版本和权限标签如果在解析时丢失，后面换更强的 Embedding 也补不回来。多租户系统尤其要说明权限过滤发生在召回前还是召回后：召回后再过滤可能造成候选不足，也可能让不应访问的文档进入缓存或日志。增量更新还要验证旧向量删除、索引切换和查询缓存是否使用同一文档版本。评测也要分层。召回阶段可以看 Reca…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 安克科技

评估集防泄漏与复现

匹配正文：答案要点明确区分Agent与RAG的评估维度差异（工具调用vs检索质量）数据构建需覆盖真实用户分布而非理想场景标注策略必须包含多轮校验与一致性指标多样性需从任务类型、难度、领域三维度设计偏差控制需显式处理位置偏差、流行度偏差和标注者偏差一、任务设计：区分Agent与RAG的核心差异 RAG评估重点检索相关性：召回率、精确率、NDCG 生成忠实度：答案是否基于检索内容，有无幻觉答案完整性：是否覆盖用户问题的全部意图 Agent评估重点工具调用准确性：参数解析、…

#安克科技#评估与监控#Agent

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…。我一般会先用小维度模型做快速验证，效果不达标再升维，而不是一上来就上最大号。另外，很多团队忽略数据漂移。业务政策每季度更新，旧向量对新query可能不匹配。我倾向于定期用线上真实query回测，如果Recall@K掉到阈值以下，就触发增量微调。但微调不是万能药，它需要标注数据，成本不低。所以我的判断是：没有银弹。我更倾向走混合路线，开源模型做主体，关键词检索做补充，再根据业务反馈迭代微调。面试官如果感兴趣，我可以展开聊聊微调时怎么构造对比学习样本，或者怎么评估向量质量。…

#百度#文本嵌入模型#Embedding 模型对比

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：这道题问的是怎么提升[[RAG]]里检索阶段的质量，本质上就是怎么让检索更精准地命中回答真正需要的信息。我会从查询、召回、排序、索引几个环节来说，但重点不是列全所有方法，而是讲清楚在什么场景下该选什么，以及实际落地时容易踩的坑。先说查询侧。标准做法是直接拿用户问题去做向量检索，但问题往往又短又模糊，比如用户问“这个能退吗”，在电商客服场景里，你得知道他说的是哪个商品、什么原因。所以我会做查询改写，最常用的是 HyDE，就是让LLM先生成一个假设的回答，然后用这个答案去检索。…

#字节#HyDE#RAG 检索质量