匹配正文：…/ (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" 混合检索并行执行BM25和向量检索，结果融合（常用RRF倒数排序融合或加权求和） RRF公式：score = Σ 1/(k + rank_i)，k通常取60，对排名敏感而非绝对分数 …

#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：一、检索器选择：多路召回稠密检索（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…

#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?

… 相似度度量：BM25 score（基于TF-IDF的改进版）特点：对高频词降权、对文档长度归一化，检索速度快 Dense检索（稠密检索）原理：将查询和文档编码为低维稠密向量（通常768/1024维），通过向量空间中的距离衡量语义相关性使用双塔模型（如BGE、GTE）分别编码query和doc 相似度度量：余弦相似度或点积（dot product） score = cos_sim(E_query, E_doc) = (E_q · E_d) / (||E_q|| · …

← 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：

#美团#Hybrid Retrieval#混合检索

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：…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，端到端答不对也是白搭。这里有个…

#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：…3E，英文用OpenAI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…

#字节#RAG 最佳实践#RAG 技术原理

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…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，就是召回和重排的边界其实可以灵活调整。…

#字节#两阶段检索#RAG 重排序

面试题·检索· 字节

RAG检索方法如何优化？

匹配口述回答：…路结合起来，先各自召回再融合排序，兼顾语义和精准。举个例子，企业内部的合规文档检索。员工问“去年Q4的供应商审计报告”，用纯[[稠密检索]]可能把“审计流程”“供应商准入”都召回来，但真正要的是那份具体文档。这时候混合检索里，稀疏那一路用关键词“2023 Q4 供应商审计”精准定位，稠密那一路用语义兜底，避免换词漏掉。前提是融合策略要调好，比如权重配比或者用[[Rerank]]模型二次排序，否则融合不好反而两头不讨好。技术选型上，核心看数据特征和延迟要求。如果文档结构性…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配口述回答：… BM25本质：概率检索模型相比TF-IDF的两大改进：词频饱和与长度归一化公式拆解：k1和b参数怎么调在RAG中的角色：与稠密检索互补可延伸点：k1和b的调参经验约4分钟 BM25 在 RAG 里不是过时方案，而是和向量检索互补，尤其适合实体、编号、专有词。 Hybrid Search 怎么融合分数，BM25 和向量召回冲突时怎么排序。

#美团#BM25#BM25 算法原理

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配口述回答：…TF-IDF 完全不考虑长度”并不严谨。在 RAG 里，BM25 适合编号、错误码、实体名和专业术语；同义改写或无共享词项时需要稠密检索补充。两路可用 RRF、校准加权或重排融合，最后在包含长尾术语与无匹配查询的目标集上评估召回和误召。 BM25由IDF、词频饱和和长度归一化组成 IDF存在多种实现需明确检索引擎 TF-IDF也有变体不能作绝对化对比 RAG中与稠密召回互补并按查询集调参约90秒 BM25的公式实现和参数都依赖语料与检索引擎，默认值不能替代目标查询集评测。…

#美团#BM25#BM25 算法原理