匹配口述回答：…，能退差价吗”。直接拿这句话去向量检索，可能匹配到的是“退差价政策”，但没抓到时间、商品这些细节。所以我会先做查询改写，比如用[[Hybrid Search]]把关键词和向量结合起来，或者用HyDE先生成一个假设的文档再检索，提高命中率。检索出来Top-K结果，一般几十条，但里面肯定有噪声。这时候需要重排序，用[[Cross-Encoder]]模型精排，把最相关的几条排到前面。我通常只保留前三到五条，太多会稀释有效信息。这里有个坑，就是检索质量。如果知识库里本身就有错，或者…

#高德#RAG数据流#RAG 工作流程

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…般把它拆成三层。第一层是检索，这里不能只用一种方法，我会把向量检索和 [[BM25]] 这种关键词检索结合起来做，也就是 [[Hybrid Search]]，能覆盖语义相似和精确匹配两种需求。第二层是[[重排序]]，因为初步召回的结果往往有噪音，我会用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相似内容挤占上下文窗口。第三层是压缩，因为大模型上下文窗口有限，不能把所有文档都塞进去，我会用 LLMLin…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

RAG 向量检索怎么高效召回?

← 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

匹配口述回答：…平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权或者用学习排序融合。这里有个坑：权重怎么设？我一般先看业务，比…

#字节#向量数据库召回#RAG 向量检索

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…不够。比如合同里'不可抗力'这个词，通用模型可能把它和'自然灾害'关联，但法律场景下它还有具体的免责条款含义。另外我特别推荐 [[Hybrid Search]]，就是 [[BM25]] 关键词加 [[Dense Retrieval]] 向量。为什么呢？因为关键词匹配擅长处理长尾词、专有名词，比如订单号、错误码，这种向量很难表达；而向量擅长语义匹配，比如'退货流程'和'退款步骤'。两者互补，能覆盖更多场景。但混合检索有个坑：权重怎么配。如果向量权重太高，关键词结果被淹没，长尾就…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…确的关键词匹配。如果用户问“我要退货”，但文档里写的是“退款”，同义词问题它就抓瞎。所以真正上线，我不会只用BM25，而是做 [[Hybrid Search]]，把BM25和 [[Dense Retrieval]] 结合起来，BM25保证精确匹配，向量检索捕捉语义相似。前提是向量检索的 [[Embedding]] 质量要够好，不然混进来一堆噪声反而拉低效果。另外，b参数的调优很容易被忽略。比如客服场景里文档长度差异巨大，b取0.75可能对短文档太友好，导致长文档里的关键信息…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比