匹配正文：…LIP/SigLIP将组件截图编码为向量，与文档文本共享语义空间 3. 检索增强生成多路召回：视觉相似检索（找同类UI）+ 文本语义检索（找功能描述）+ 规则匹配（精确组件ID）融合排序：用轻量模型（如ColBERT）对多模态候选重排生成：输入结构化的UI上下文 + 检索到的知识，用VLM或纯文本LLM生成回答实际优化考虑问题方案延迟高预计算热门界面的解析结果；检索用HNSW近似；生成用蒸馏小模型 UI频繁变更建立组件指纹（布局哈希），变更时增量更新索引冷…

#字节#多模态#多模态 RAG

面试题·RAG· 字节

高风险垂直领域 RAG 如何设计？

匹配正文：…构化规则、知识图谱和重排都是候选组件。是否采用由错误切片决定：法规编号、药品名和精确条款可能受益于词法匹配；自然语言改写可能受益于语义检索；实体关系查询可能需要结构化数据。不存在所有专业系统都必须三路并行的方案。先做服务端权限、地区、时间与资料状态过滤，再评估候选 Recall@K、排序和引用覆盖。用户画像不能替代资源授权，医务职级也不是文档可见范围的通用规则。正确证据未进入候选时，Cross-Encoder 或生成模型无法补回。 4. 生成与校验提示中区分用户输入、外部…

#RAG#高风险应用#医疗

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…K候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_score，或RRF倒数排序融合 2. 重排序（Re-ranking）原理：用Cross-encoder等交互式模型对初筛结果精细打分。双塔模型（Bi-encoder…

← 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

#字节#Query Rewriting#RAG 检索模块

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：…瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词检索，结果融合多向量表示：ColBERT细粒度交互，解决"粗粒度向量"匹配失效 2. 查询侧优化查询改写：用LLM扩展同义词、澄清歧义（HyDE：生成假设文档再检索）查询分解：复杂问题拆分子查询，多轮检索聚合 3. 重排序（Rerank）引入轻量级交叉编码器（Cross-Encoder）精排，弥补双塔模型精度损失…

#小红书#美团#重排与优化

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：为何选择向量数据库存储Agent记忆核心优势语义检索能力：支持"意思相近"而非"字面匹配"，解决同义改写、指代消解问题非结构化友好：自然适配对话文本、工具返回结果等异构数据动态扩展：新记忆实时写入，无需预定义schema 对比传统方案：关系型数据库适合精确查询（如"查找3天内的订单"），但无法处理"找上次聊过的类似需求"；Redis等KV存储适合短期上下文，缺乏语义关联能力。 Embedding模型选择原则维度考量要点领域适配通用场景用BGE-M3/E5，垂直…

#高德#Agent#向量数据库 Agent

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…、编号、专名和可解释字段加权；同义改写和概念匹配可能漏召回。它仍有索引、存储、分词、同义词和运维成本，不能称为零成本。稠密/稀疏语义检索：能跨表述召回，但质量依赖嵌入模型、领域、切分和索引参数。短查询并非必然更差，ID、数字和新实体才是常见薄弱点，需在目标数据验证。结构化检索：订单、租户、版本、时间和状态先由可信字段过滤。ACL/tenant 约束必须在服务端检索路径执行，不能等生成后再删无权限证据。何时组合先证明单路基线的失败类型，再比较混合方案。RRF按排名融合，…

#字节#检索方法选型#BM25/向量/混合检索选型

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：…l": "2024-12"}）检索后先用结构化条件过滤，再送入LLM 统一查询接口用户问题先过NL2SQL/意图识别，拆分为"语义检索条件" + "结构化过滤条件" 示例："去年手机类的退货政策" → 向量检索"退货政策" + SQL过滤category='手机' AND year=2023 选型建议：中小规模用PostgreSQL+pgvector一体化；大规模分离，向量库专注ANN，关系库负责事务和复杂查询。

#安克科技#混合知识库存储#向量数据库

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…融公告、政策文件时间感知Embedding 训练时注入时间编码，或拼接时间特征向量需要端到端优化混合检索时间范围过滤 + 语义检索，ES的range+knn组合查询工程落地首选工程实践要点：时间戳作为元数据存储，检索时用于预过滤或后排序 λ参数需业务调优：新闻类λ大（衰减快），百科类λ小避免过度衰减导致"新但无关"内容压制"旧但精准"内容学习建议建议系统学习该知识点

#字节#向量库时效性#RAG 工作流程

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：…如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：…/Triplet编码方式通过句对分类、回归或triplet等目标学习可比较的句向量，具体损失依训练方案 BERT为何不适合直接做语义检索 BERT的[CLS]向量未经显式句子相似度训练，语义区分度弱 BERT也能独立编码并pool成向量，但未针对句向量训练的质量未必好。Cross-Encoder才需逐(query,doc)配对前向；一条query对N文档为N次配对，N句全两两比较才是约O(N²)对。SBERT可预计算文档表示，但ANN检索成本另计。 Sentence-BER…

#小米#向量检索#Embedding 向量维度选型

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用十亿级/超大规模自研或云厂商方案（阿里云OpenSearch、AWS OpenSearch） …

#安克科技#向量数据库选型#RAG 知识库存储

面试题·模型训练· 美团

合成数据怎么系统构建?

匹配口述回答：…验证标准。合成流程还要检测评测污染。生成模型可能已经见过公开基准，并把题目或答案复现到训练集。应对真实held-out做近重复和语义检索，记录生成种子来源。若无法确认隔离，相关基准只能作为开发信号，不能用于最终泛化声明。选择适合任务的合成方式准确描述Self-Instruct流程建立多层验证控制分布与模板坍缩用真实holdout验收约4分钟为什么多模型一致和低困惑度都不能直接证明合成样本正确。可继续讨论Self-Instruct过滤、执行验证、模板坍缩和真实…

#数据合成#Self-Instruct#指令微调

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配口述回答：…那么下次对话就要避免再推荐慢的快递。长期记忆的典型实现是 [[Vector Database]]，比如用 Milvus 存向量，按语义检索。但这里要划清边界：如果知识是结构化且频繁更新的，比如商品库存和价格，直接查数据库比向量检索更可靠，别为了用向量而用向量。举个例子，客服场景里用户问“我的订单怎么还没到”，Agent 需要先查订单数据库得到物流单号和状态，然后查知识库里的物流政策，最后查向量库里的类似投诉处理记录。这三个来源缺一不可，不能只靠向量检索。第三个核心组件是工具调…

#百度#Agent#Agent 核心组件

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配口述回答：…条件也多，需要按商家、商品类型做元数据过滤。到了实际落地，真正的挑战不是单个组件选型，而是怎么把关键词检索和向量检索融合起来。纯语义检索在遇到专有名词或订单号时经常翻车，比如用户问“退款到原账户”，但文档里写的是“原路返回”，语义相似度可能不高。所以我会用 [[Hybrid Search]]，把 [[BM25]] 关键词分数和向量相似度分数加权合并，这样既能保证高频词匹配，又能捕捉语义泛化。这里有个前提：必须做好分数归一化，否则不同检索方式的分数量纲不一致，合并结果会乱。 …

#字节#向量检索#Chunk 向量化

面试题·评估· 字节

RAG 文档检索选型

匹配追问：…追问 RAG检索你一般用什么方法？……如果用户输入的专有名词很多，比如‘iPhone 15 Pro Max 256G 钛金属’，纯语义检索会不会漏？……那你怎么把关键词和语义结合起来？具体融合策略是什么？直球架构说说你在RAG系统里用了哪些检索方法？技术选型怎么考虑的？针对检索效果做了哪些优化？比如索引切分、查询改写、重排序这些具体怎么落地？

#字节#混合检索#RAG 文档检索选型

面试题·知识图谱· 百度

GraphRAG 必须用图数据库吗?

匹配口述回答：…量库预计算；只有真的需要多跳推理和结构化约束时，才上图数据库。而且很多时候，图数据库和向量库是配合着用的，图负责关系推理，向量负责语义检索，各管一摊。题目本质是问图数据库在GraphRAG里是不是必须的图数据库的不可替代性：多跳推理和结构化约束替代方案的存在和代价真正落地要区分场景，常是图数据库加向量库搭配工程师的取舍和风险点约4分钟图数据库的写入性能瓶颈和实时更新方案面试官可能会追问：如何解决图数据库在高频更新场景下的性能问题？有没有具体的工程方案？

#百度#知识图谱#GraphRAG 图数据库

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配口述回答：…长期。短期用 [[Sliding Window]] 保存对话上下文；长期用[[向量库]]加结构化[[知识图谱]]双存储。向量库适合语义检索，知识图谱适合精确关系查询。比如用户问“上次那个退款订单怎么样了”，向量检索找到相关对话片段，知识图谱确认订单状态，两者互补。安全和可控性方面，输出审核层用敏感词加意图分类过滤，工具调用权限白名单。扩展性靠插件化架构，新工具自动注册不用改核心代码。这里有个延伸点：成本感知调度。我会根据任务复杂度动态选择模型，简单任务用小模型，复杂任务用…

#百度#Agent 系统架构#大模型智能体设计

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配口述回答：…上下文，肯定找不到，因为上周的对话早被截断了。这时候就需要 [[RAG]] 增强，向量检索加时间衰减[[重排]]。具体做法是：先用语义检索找到相关片段，然后按照时间衰减因子重排，比如 score = 语义分 × exp(-λ·时间差)。同时还要注意合规留痕，金融场景要求全量存储不能丢，但推理时又必须限制窗口，所以我会用“全量日志加窗口上下文加按需RAG召回”的三层架构。日志存全量用于审计，窗口上下文用于实时对话，RAG用于回溯历史。上线前我会特别关注几个风险。一是时间衰减的…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…单号xxx的退款进度”。这一步不做，后面检索全是错的。然后进入检索，这是最核心的部分。很多人以为向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号、政策条款号上几乎必挂。我一般用 [[Hybrid Search]]，把向量召回和 [[BM25]] 关键词召回结合起来，分数加权融合。举个例子，客服场景里用户问“满200减30怎么用”，向量能理解“满减”语义，但BM25能精准匹配活动ID或商品SKU，两条腿走路才稳。检索出来Top-K比如100条，不能全扔给大模型，上…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…进同一组实验，根据边界证据完整率、召回与成本选择。再在线流程。用户来了一个 query，先检索。我基本不会只用向量相似度，因为纯语义检索对专有名词、ID号这些不敏感，所以会做 [[Hybrid Search]]，向量检索加 [[BM25]] 关键词检索并行，结果合并后再用 [[Cross-Encoder]] 做一次 [[Rerank]]，把真正相关的文档排到前面。这一步很关键，能过滤掉很多语义相似但实际无关的噪声。举个例子，客服场景里用户问“我退款怎么还没到”，向量检索可能…

#美团#RAG架构#RAG 系统架构

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配口述回答：…，避免BM25只召回字面匹配的，漏掉语义相关的。常见失败场景是纯用BM25做知识库问答，用户表达稍微变化就召回不对，这时候必须配合语义检索。还有一个实操细节，就是k1和b的调参。不同领域最优参数差异很大，比如客服退款场景，用户问题短、关键词集中，k1可以设小一点让饱和更快；而技术文档场景，关键词重复多，k1需要大一点保留区分度。这个调参过程一般用网格搜索加NDCG评估，没有固定值。所以整体上，我更倾向把BM25看作信息检索的基石，它简单、高效、可解释，但单独用有天花板，必…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

向量召回原理与实现?

匹配口述回答：…能互相替代。我更倾向用 HNSW 做主力索引，配合 IVF-PQ 压缩内存，再根据业务 query 分布动态调整混合比例。本质是语义检索，不是关键词匹配嵌入：BERT类模型把文本映射到向量空间相似度：归一化后内积等价于余弦，工程上选内积索引：HNSW高召回但吃内存，IVF-PQ省内存但掉点，实际常混合大规模：分片+量化+缓存，RAG场景召回率优先约4分钟向量召回不能完全替代关键词，需要根据 query 类型做混合检索，否则长尾精确匹配会崩。面试官可能会追问混合…

#百度#向量召回#向量召回原理

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配追问：………怎么保证它们之间的数据一致性？比如同时写关系和向量库，失败了怎么办？直球架构设计一个RAG知识库的存储方案，要同时支持向量语义检索和结构化字段过滤。你选什么数据库？怎么集成？重点讲一下数据写入、检索流程和一致性保证。

#安克科技#知识库存储架构#RAG 知识库存储