匹配口述回答：…问题：用户写个订单号或者错误码，向量相似度经常找不到，因为语义空间和字面匹配是两回事。所以我倾向做**[[混合检索]]**，把[[BM25]]关键词召回和向量召回两条路并行，再合并排序。这能明显提升召回率，尤其在客服退款、订单异常这类场景。在线检索流程里，我特别看重精排这一步。粗召回我一般拉100到200条，然后用[[Cross-Encoder]][[重排]]，只留前5到10条送进上下文。重排对最终答案质量影响非常大，它能把语义相关但不太匹配的文档压下去。但重排是计算密集的…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配口述回答：… [[Faiss]]。检索层是真正的瓶颈。你不能只靠向量相似度，因为用户的 query 可能很口语化，比如「我订单咋还没退钱」，向量召回容易偏。我会用 [[Hybrid Search]]，向量加 [[BM25]] 关键词两条腿走路，召回后再用 [[Cross-Encoder]] 做一次 [[Rerank]]，把相关性提上来。这里有个坑：如果知识库频繁更新，比如商家满减政策隔天变，检索不能只依赖向量索引的增量插入，因为删除操作如果原地动图索引，召回质量会崩。我会用软删除加异步…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 美团

RAG 系统核心组件怎么搭?

← 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：… query 和 chunk 都转成 [[embedding]]，用 [[ANN]] 索引找 TopK。但实际我一般会做多路召回：向量召回负责语义相似，[[BM25]] 负责关键词和专有名词，必要时再加业务规则召回，比如按产品线、时间范围、用户权限过滤。多路召回之后可以用 RRF 或加权融合先合并候选。第三层是 reranker。因为第一阶段召回优先保证覆盖，候选中往往会混入噪声，所以可以用 cross-encoder 或 reranker 对 query-document…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 字节

RAG 为何需要重排序?

匹配口述回答：…上线我会特别关注候选集合的Recall@K，如果前20个里面没有正确答案，重排序再强也没用。所以落地时我会采用混合策略：先用[[BM25]]和向量检索做[[Hybrid Search]]，保证召回覆盖，再用LLM做重排序或生成。说白了，向量检索解决“找得快”，LLM解决“找得准”，两者互补。还有个延伸点：如果业务对实时性要求很高，比如金融实时风控，LLM重排序的延迟可能成为瓶颈。这时候我会考虑用[[Cross-Encoder]]做轻量级重排，或者干脆把重排序和生成合并，用…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配口述回答：…"doc_id": "xxx", "category": "售后", "valid_until": "2024-12"}。检索时先向量召回一批候选，再用这些标签做过滤。但要注意，如果过滤条件太严格，可能把相关文档全滤掉，导致召回为空。所以过滤条件要保留一定的宽松度，或者做多路召回，向量搜一条线，[[BM25]] 关键词搜一条线，SQL 查结构化数据一条线，最后合并。选型上，中小规模我倾向用 PostgreSQL 加 pgvector 插件，一体化部署简单，不用维护两套系统…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现还取决于索引版本、并发更新和实现。 3. 上下文增强对候选去重、裁剪并保留来源标识，把问题、证据和回答约束组装成上下文。要处理冲突、过期和权限不足的证据，并防止检索内容中的提示注入被当作系统指令。 …

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…或者拼写错误还行，但精确匹配比如订单号、错误码就抓瞎。所以真正落地我会上[[Hybrid Search]]，向量加关键词，比如[[BM25]]，两条路都跑，结果融合。举个例子，客服场景用户说“我退款了但没到账”，向量能召回相似语义的退款政策，BM25能精确命中“退款”这个词。如果只做向量，那精确信息的召回率会低得没法用。还有一个常见失败场景：查询很短，比如就一个词“退款”，向量召回的结果可能偏，因为语义太宽。这时候我会加查询改写，用大模型把查询扩写成更具体的句子，或者用多向…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：…种，[[Faiss]]或者[[HNSW]]索引再快，也解决不了语义颗粒度的问题。所以两阶段架构就来了。第一阶段用向量检索或者[[BM25]]做召回，目标是高召回、快，允许精度低一点，比如从百万级文档里先捞出Top 100。第二阶段用Rerank模型，只对这100条做精排，目标是把最相关的几条顶到前面。你可以这么理解，召回是海选，重排是决赛。海选要快，淘汰大部分不相关的；决赛要准，花更多资源做深度匹配。那Rerank的核心优势是什么呢？最关键的其实是细粒度的语义理解。比如[…

#字节#Rerank模型#RAG Rerank

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：…场景，比如地理坐标。不过我会提醒一句：相似度计算不是孤立的，它要和后面的[[重排序]]配合。比如检索出Top-K后，我通常会用[[Cross-Encoder]]做一次精细重排，这时候相似度度量就变成模型内部的交互打分，不再依赖余弦或点积。完整流程是这样的：用户输入query，经过embedding模型变成向量，然后在ANN索引里检索，拿到Top-K候选，最后用更精确的模型或规则重排序，返回结果。这里有个坑：索引构建好之后，如果业务数据频繁更新，比如知识库里的文档不断新增和修…

#美团#Embedding相似性检索#Embedding 相似性检索