匹配正文：…+ 问答对（应用层）语义完整性：按条款边界切分，避免"第X条"跨块断裂二、检索优化混合检索方式实现适用场景稠密向量领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：…位置等过滤字段，用于后续混合查询 2. 嵌入模型选择考量维度选择建议领域适配通用场景用BGE/M3E，地图/POI场景考虑领域微调多语言高德需支持中英文混合，E5-Multilingual或BGE-M3 维度权衡 768/1024维平衡效果与存储，1024维以上收益递减推理性能小批量用ONNX/TensorRT加速，批量预计算 3. 向量索引构建 HNSW：默认首选，构建慢、查询快，适合静态或增量更新场景 IVF-PQ：十亿级数据用，内存友好，召回略低但可调参…

#高德#评估与监控#向量数据库构建

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生成伪文档再检索）、Query2Doc扩展三、重排序（Rerank）策略交叉编码器（Cross-Encoder）：精度高但慢，适合精排Top100→Top10 ColBERT等轻量方案：平衡效率与效果多任务学习：结合点击日志训练排序模型四、数据质量治理问题类型解决方案文档过长语义…

← 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

#360#召回质量评估#RAG 召回优化

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配口述回答：…g]] 稀释，召回噪声多。这个度需要根据文档长度和业务场景反复调。然后是 Embedding 生成和向量索引。模型选通用型的还是领域微调的，取决于数据分布。比如做企业合规文档检索，法律术语多，我会优先用领域微调过的模型，否则相似度匹配会偏。索引结构上，百万级数据用 [[HNSW]]，召回高但吃内存；亿级就得用 [[IVF]] 加 [[Product Quantization]]，牺牲一点召回换存储和查询速度。这里有个常见失败场景：索引参数没调好，比如 HNSW 的 efCo…

#字节#文档处理#向量检索

面试题·模型微调· 京东

300-500意图怎么召回?

匹配口述回答：…您是要退货还是咨询政策'，二级才是具体处理。但光有分层不够，真正的召回不能靠全量Prompt。我会走多路召回。一路是向量召回，用领域微调过的 [[Embedding]] 模型，比如在客服退款数据上 [[SFT]] 过的 [[Bi-Encoder]]，把用户Query和意图描述都转成向量，做 [[ANN]] 检索。另一路是关键词召回，给每个意图维护一个关键词倒排索引，像'退款''少发货'这种词直接命中。还有一路规则兜底，高频意图用正则硬匹配。三路结果合并后，用 [[Cross…

#京东#大规模意图识别#上下文长度限制

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…么构造对比学习样本，或者怎么评估向量质量。一句话定位：选型本质是平衡语言、成本、上下文边界划分：开源 vs 闭源，通用 vs 领域微调真实场景：电商退款政策检索，BGE+GTE+rerank 落地风险：模型更新、维度膨胀、数据漂移工程师判断：倾向混合检索加微调约4分钟数据漂移导致向量模型效果退化，需要定期回测和增量微调，但微调成本高且需要标注数据面试官可能会追问：怎么构造微调样本？评估向量质量用什么指标？增量微调会不会破坏原有分布？

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配口述回答：…开源的[[embedding]]模型，召回率会明显下降。所以落地的时候，我一般会先在业务数据上评估Recall@K，如果不够，就做领域微调，用领域语料做对比学习，加上In-batch negatives和InfoNCE损失。性能评估也不能只看MTEB榜单，那个太通用。我会构建业务测试集，比如用真实用户query和人工标注的相关文档，算MRR和Recall@K。上线前还会做AB测试，看端到端效果有没有提升。还有一个容易被忽略的点：embedding模型和[[Rerank]]…

#百度#向量检索#Embedding 模型选型

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配口述回答：…用户拿到过时的指南还以为是金标准。检索这块，我不会只用一种方式。真正落地往往是多路召回加领域精排。召回我会走三条路：稠密向量，用领域微调过的 Embedding 模型，比如医疗的MedEmbed；稀疏向量，就是 [[BM25]] 加领域同义词扩展，比如法律里“撤销”和“撤回”是同义；还有图谱召回，通过 [[Entity Linking]] 做实体链接后走 [[Knowledge Graph]] 子图遍历。三条路并行，召回率才能上去。精排阶段，我会用 [[Cross-Enco…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配口述回答：…让模型知道不知道落地的取舍：我更倾向把重排序作为标配，生成端做最后兜底约4分钟重排序模型的领域适配是精度天花板的关键，需要做领域微调面试官可能追问：领域数据怎么构造？微调的具体做法？或者比较不同重排模型的优劣。

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…der]]精排到Top10。Cross-Encoder精度高但慢，所以漏斗能兼顾延迟和效果。这里有个坑：如果精排模型没针对你的文档领域微调，排序结果可能还不如粗排。所以我会在离线用领域数据做[[Distillation]]，或者干脆用[[ColBERT]]这种延迟交互方案，效率更高。然后是上下文融合。大模型有‘Lost in Middle’问题，中间的内容容易被忽略。我会把关键信息放在首尾，中间压缩掉。比如用LLMLingua做选择性压缩，只保留与query最相关的句子。多…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…件我重点讲三个。Embedding 模型决定了语义理解的天花板，我一般选 BGE 或 GTE 这类开源模型，但要注意中文场景下需要领域微调，不然「退货」和「退款」的语义距离可能不对。向量数据库解决的是海量向量的快速检索，但建索引有代价，比如 HNSW 写起来慢，适合读多写少的场景，如果知识库频繁更新，得考虑增量索引或者双缓冲方案，不然索引重建太慢。Reranker 是精排，它能弥补 Embedding 召回的不准，但计算成本高，所以通常只对 Top-100 重排，不排全量。 …

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…]模型没在领域数据上微调过，语义会漂移，比如“苹果”可能匹配到水果而不是品牌。我的做法是用[[Dense Retrieval]]加领域微调，同时做查询扩展，把同义词也搜进去。二是[[幻觉]]控制，模型有时候不忠实于检索内容，自己编答案。我会在Prompt里明确要求它只基于检索内容回答，并且输出引用原文的片段，这样出了问题能追溯。说到追溯，我最近在关注[[Self-RAG]]的思路，让模型自己判断什么时候需要检索、什么时候信任已有知识，而不是每次都检索。这样能减少不必要的检索…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…率能高很多。这里有个延伸点：RAG的召回质量其实高度依赖Embedding模型和切分策略的配合。如果Embedding模型没针对领域微调，比如用通用模型去匹配法律术语，那召回效果会打折扣。我倾向于先做领域适配，或者用 [[GraphRAG]] 引入实体关系来补足语义。最后说落地的风险和取舍。前提是知识库质量要够好，如果文档本身就有错，RAG只会放大错误。常见失败场景是切分破坏了上下文，导致模型答非所问。所以上线前我会特别关注召回率的评估，用一套标准query跑一遍，看Re…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…g模型是否匹配领域，而不是盲目调参数。本质定位：端到端语义匹配流程拆解：离线分块+向量化，在线检索+重排落地优化：混合检索、领域微调、效率取舍风险与边界：分块策略、模型失配、上线校验约4分钟分块策略（滑动窗口+重叠）对召回质量的影响，以及存储和计算的权衡面试官可能会追问：具体怎么确定窗口大小和重叠比例？有没有自动化的方法？或者不同文档类型（如长文档 vs FAQ）怎么选择分块策略？

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…型必须和业务领域匹配。比如做客服退款场景，如果你用一个通用中文模型，它可能分不清“退货”和“换货”在业务上的区别，所以我会建议先做领域微调，或者用领域专用模型。接下来是索引构建，这是检索性能的关键。暴力搜索O(N)在大规模数据下不可接受，所以要用[[ANN]]近似最近邻索引。我常用两种：[[HNSW]]和[[IVF]]。HNSW的核心是分层可导航的小世界图，搜索时从顶层贪心往下走，精度很高，但内存占用大，适合几十万到几百万规模。IVF则是聚类分桶，先粗粒度定位到几个桶，再精…

#美团#Embedding相似性检索#Embedding 相似性检索