匹配正文：…=100）快速召回候选精排 Cross-Encoder重排序精细 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…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：答案要点能清晰区分检索阶段与生成阶段的评估差异掌握常用检索评估指标（Recall@K、MRR、NDCG）理解稠密检索与稀疏检索的优缺点及混合策略知道重排序模型的作用与典型实现能提出具体可落地的数据优化方案一、评估维度与指标检索阶段 vs 生成阶段检索评估：关注"找得准不准"，用Recall@K（答案是否在TopK）、MRR（首个相关文档排名）、NDCG（考虑相关度分级）端到端评估：用Answer Accuracy或RAGAS框架（context precis…

#360#召回质量评估#RAG 召回优化

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：为什么要混合检索稀疏检索和稠密检索利用的信号不同：BM25 擅长实体名、编号、错误码和查询词共现；双塔向量检索能够召回词面不同但语义接近的文本。二者都可能失败，混合检索的价值是扩大互补覆盖，而不是保证每个查询都优于单路。两类检索与分数 Sparse/BM25 基于倒排索引，对查询词的 IDF、文档内词频饱和和长度归一化加权。分数受实现、语料统计和查询长度影响，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、…

← 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

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：三种检索方法的核心原理 BM25（稀疏检索）基于词频(TF)和逆文档频率(IDF)计算相关性得分公式核心：score = Σ IDF(q_i) * (f(q_i)*(k1+1)) / (f(q_i)+k1*(1-b+b*dl/avgdl)) 本质是精确关键词匹配，对高频词有惩罚，对文档长度做归一化向量检索（稠密检索）用BERT等编码器将查询和文档映射到同一语义空间通过余弦相似度或点积计算语义相关性能捕捉同义词、上下位词等语义关系，如"苹果手机"≈"iPhone" …

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…Dense）基于Embedding：DPR、Contriever，适合语义匹配优势：跨表述理解；劣势：对罕见实体、精确匹配弱稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类分桶，减少搜索空间亿级，内存受限 …

#阿里云#查询重写#RAG 召回优化

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配正文：…se检索：擅长语义理解，但对罕见词、专有名词容易失配混合检索=精确性+语义泛化能力，是生产RAG系统的标配。 Sparse检索（稀疏检索）原理：基于倒排索引的词频统计方法，典型代表BM25 BM25(q,d) = Σ IDF(q_i) · [f(q_i,d)·(k1+1)] / [f(q_i,d) + k1·(1-b+b·|d|/avgdl)] 只关注查询词是否出现在文档中，向量极度稀疏（维度=词表大小）相似度度量：BM25 score（基于TF-IDF的改进版）特点…

#美团#Hybrid Retrieval#混合检索

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…参数调优：ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Retrieval（如SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…长文档友好性差好参数调优无有k1/b可调 RAG中的应用场景混合检索架构：BM25做粗排召回 + 向量模型做精排重排稀疏检索基线：与稠密向量形成互补，捕获精确匹配信号关键词敏感场景：法律条文、医学术语等需要字面精确匹配的领域实时检索：无需神经网络推理，毫秒级响应局限性无法处理语义鸿沟（"苹果"→公司/水果）需配合同义词扩展或向量检索补足语义能力

#高德#BM25评分公式#BM25 算法原理

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…到订单号、错误码这种精确匹配场景召回很差，因为 Embedding 对精确 token 不敏感。我会结合 [[BM25]] 做[[稀疏检索]]，然后用 Hybrid Search 融合分数，或者用 ColBERT 的 late interaction 做二阶段精排。这其实引出一个问题：稠密和稀疏向量怎么融合、权重怎么调，才能在不同业务场景下都稳定？所以整体来看，我不会把这条 pipeline 看成固定流程，而是每次根据业务场景做取舍。比如客服退款场景，我更关注实时性和高召回…

#字节#文档处理#RAG 数据处理流程

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配口述回答：…差，只能当参考。到了RAG这个场景，我习惯搭一个分层评估体系。离线阶段先独立测每条路的Recall和Precision，比如[[稀疏检索]]的BM25和[[稠密检索]]的向量召回，各自跑一遍，筛掉明显不行的。融合阶段再看NDCG和覆盖率，比如用[[重排]]模型把结果混在一起排序。最后端到端阶段，直接看生成答案的准确率，这才是北极星指标。举个例子，企业SOP合规文档检索，用户问“离职流程是什么”，如果召回没抓到最新的离职政策文档，生成答案就错了，所以离线Recall再高，端到…

#美团#评估与监控#多路召回评估

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：…nAI那套。检索这块，我会走混合路线。纯向量检索在短文本匹配上不如关键词，纯关键词又抓不住语义，所以我会把[[稠密检索]]和[[稀疏检索]]结合起来，用RRF融合排序。举个例子，在客服退款场景里，用户说“订单异常”，向量检索能理解这是状态不对，但关键词检索能精确匹配订单号，两条路一起走，召回率能提升10到15个点。检索完还有一步[[重排序]]，很多人忽略。我会用[[Cross-Encoder]]对Top-50做精排，只留Top-5，这样能去掉噪声，保证进生成器的都是高质量…

#字节#RAG 最佳实践#RAG 技术原理

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：…分数加权融合，权重根据业务调，比如客服对话场景语义更重要，向量权重大一些；而查订单号或错误码，关键词权重大一些。还有一种增强是[[稀疏检索]]，像SPLADE这种学习式稀疏向量，能弥补纯向量的盲区，但实现成本高，我一般只在长尾实体查询时才考虑。然后是排序和索引。召回阶段一般拿到Top-K，但精度不够，需要精排。我会用 [[Cross-Encoder]] 对Top-50做[[重排]]，因为它做交互打分，精度高很多。但慢，所以我会做多阶段级联：先用向量快速召回Top-200，再…

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…语义。我一般会先离线跑一批query，根据 Recall@K 和 Precision@K 调参，或者用 SPLADE 这种可学习的稀疏检索自动学权重。检索完之后，最关键的一步是[[重排序]]。因为初召回的Top-K里可能有噪声，比如语义相似但上下文不对。我会用 [[Cross-Encoder]] 做精排，比如 bge-reranker，它能看query和文档的完整交互，比向量余弦相似度准很多。这个阶段能显著提升最终结果的相关性，但代价是计算量大，尤其Top-K设到100以…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…实时性要求特别高的场景需要注意。所以实际落地时，我会特别关注召回阶段的质量，比如用 [[Hybrid Search]] 把 [[稀疏检索]] 和 [[稠密检索]] 结合起来，降低漏召回的风险。如果对延迟特别敏感，可以换成 [[ColBERT]] 这种轻量交互模型做重排，或者把召回阶段做得更激进一点，比如只保留 Top-100。上线前我会用一批线上真实 query 做 A/B 测试，看召回率和最终回答质量有没有掉，如果掉就调召回策略。另外还有一个有意思的点，就是召回和重排的…

#字节#两阶段检索#RAG 重排序

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…关心其中一小块，BM25的长度归一化能让短回答和长文档公平竞争，不会因为长文档词多就排前面。落地的时候有个坑：BM25本质是[[稀疏检索]]，依赖精确的关键词匹配。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…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…时候不够稳，比如用户搜一个很冷门的实体词，向量可能找不到，但关键词能命中。所以我会做多路召回，把向量检索和[[BM25]]或者[[稀疏检索]]结合起来，比如用 [[Hybrid Search]]。召回之后还要粗排加精排，先用 [[IVF]] 快速筛出一个候选集，比如 Top-200，然后用精确距离计算或者 [[Cross-Encoder]] [[重排]]到 Top-10。这一步很关键，能有效提升最终结果的相关性。另外，查询扩展也是个好手段，比如用HyDE先生成假设文档再检索，…

#字节#检索性能优化#向量检索性能优化