匹配正文：…话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检索通用场景 RR融合或线性加权，兼顾语义与精确匹配质量影响：召回率决定答案上限，需平衡速度与精度（Top-K通常取…

#阿里云#重排与优化#向量检索

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…查询改写：识别用户真实意图，消解歧义（如"苹果"→区分水果/公司）多跳查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如SPLADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-E…

#字节#混合检索#RAG 检索优化

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

…nker → 精排生成层：LLM → 最终答案结构化+非结构化融合策略：多路召回（Multi-way Retrieval）向量检索：用户问题embedding → 语义相关文档关键词检索：BM25/倒排索引 → 精确匹配实体结构化查询：SQL过滤时间、品类、权限等元数据增强向量检索向量存储时携带结构化标签（{"doc_id": "xxx", "category": "售后", "valid_until": "2024-12"}）检索后先用结构化条件过滤，再送…

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：

#安克科技#混合知识库存储#向量数据库

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…注方向，对向量长度不敏感，适合语义匹配。但有一点要注意：如果模型输出的向量已经归一化了，那余弦和点积等价，选计算更快的就行。但纯向量检索有硬伤：对同义词或者拼写错误还行，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…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…-K候选（如HNSW的ef_search参数控制深度）可选：重排序（Cross-Encoder精排）提升精度四、生产优化要点混合检索：向量相似度 + BM25关键词召回，融合排序（RRF算法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/MRR与长尾质量变化要实测，不承诺固定<2%。增量更新：避免全量重建索引，使用HNSW的动态插入特性学习建议建议系统学习该知识点参考资料 Faiss…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 小红书

中文知识库检索选型

匹配口述回答：…是靠语义向量找意思相近的。两种思路各有各的舞台，真正落地的时候，大部分场景都是混着来的。先说[[稀疏检索]]，最典型的就是 [[BM25]] 和 [[TF-IDF]]。它的核心是精确匹配关键词，优点特别明显：零训练成本，拿来就能用，索引也轻，CPU就能跑。比如电商场景搜订单号、商品ID，或者企业内部搜政策文档编号，这种场景下向量检索反而容易跑偏，BM25基本不会出错。但它的死穴是没法处理语义相似，用户说‘苹果手机’，文档里写‘iPhone’，BM25就断了。再比如口语化的客…

#小红书#稀疏与稠密检索#中文知识库检索选型

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部分当成模拟面试。不要背示例项目，先在纸上…

#RAG#项目深挖#教学复原

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…疗 RAG 里离线建库环节的入门版(它们会换成向量库 + 倒排索引); 你写的 retrieve = 工程系统的检索召回职责(可选向量检索、BM25 与重排,是否组合需评估); 你写的 assemble_context + answer = 上下文拼接 + 生成模块(换成 Prompt 工程 + 引用溯源 + 真·大模型)。顺便注意:输出里核辐射那条被切在了"战争、核辐",又撞上第 3 章那个"切分切坏语义"的问题。骨架虽简单,但每一块的工程化(比如切分)都直接影响最终…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…模型编了? 中午调切块策略和 Embedding 选型 chunk size 为什么这么设? overlap 怎么定? 下午加混合检索、重排或 Query 改写 BM25 和向量检索怎么融合? RRF 的 k 怎么解释? 晚些做评估集和错误分类 Recall@k、MRR、答案正确率怎么量化? 发布前加引用溯源、拒答、权限过滤没依据时怎么拒答? 不同用户能不能看到同一份文档? RAG 很适合后端转型,因为它一半是数据管线和服务系统,一半是模型行为。站内的RAG 智能问…

#求职#职业转型

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…0 行代码把"排序为什么会错"亲手复现一遍。 3 个核心概念(先白话,再术语) 概念 1:什么是"重排 / 精排"? 第 5 章的混合检索能把几十上百条"可能相关"的候选捞回来,但它们的顺序不一定对。重排(Rerank,也叫精排)就是再加一道关卡,用更强但更慢的模型,把这批候选重新排一次序,把最相关的几条顶到前面。概念 2:为什么粗排会排错? 第 5 章的向量检索和 BM25 都是独立打分的,只看 query 和单个 doc 各自的相似度/词面命中,读不懂 query 和 …

#RAG#检索#项目实战

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…长，也失去了近似最近邻索引快速缩小范围的意义。合理的链路更像漏斗。第一层先根据知识库、文档状态和权限限定搜索范围。第二层用 BM25、向量或混合检索快速取得一批候选。第三层对候选执行 Rerank，重新计算相关性顺序。第四层根据分数、来源和上下文预算截取最终证据。从全库到最终证据的检索漏斗快速召回负责缩小范围，Rerank 只处理候选，最终再按上下文预算截断。各层解决的问题不同。这条链路里，Rerank 不负责凭空找回候选集之外的文档。如果正确证据没有进入粗…

#RAG#检索与重排#RAG Rerank

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配口述回答：…用固定query回放校验Recall@K和延迟，达标才原子切换。删除千万别原地动图索引，否则召回质量会崩。另外，我最近在关注[[混合检索]]，比如把向量和BM25结合，在RAG里能显著提升召回率。但混合检索的权重怎么调、什么时候用关键词什么时候用向量，这是个值得深挖的点。所以整体上，我更倾向把向量化加索引看成一条完整的pipeline，而不是割裂的两步。从分块到嵌入到索引到检索，每一步的决策都依赖场景和数据特征，没有银弹。本质是让知识库能被机器理解并快速找到分块与嵌入…

#字节#文档处理#向量检索

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…完整的块(避免固定长度一刀切把条款劈成两半,优先按标题/段落等结构边界切分),做 Embedding 后存入向量数据库。检索侧:纯向量检索对订单号、错误码等专有名词效果差(语义相近但字面不同),生产上采用混合检索(BM25 关键词 + 向量)召回,再用 Cross-Encoder 重排精选前几名,拼入 prompt 交给模型生成。优势与局限维度优势局限知识时效文档更新即生效,无需重训依赖知识库维护质量可信度可带引用溯源,幻觉降低检索失败时模型仍可能编造成…

#美团#评估与监控#RAG 工作原理

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…冲突、长文本建模困难系统层面：延迟高、成本高、冷启动问题改进方案需具体对应上述问题一、检索阶段的缺陷 1. 召回质量不稳定向量检索存在"语义鸿沟"：query与文档的embedding空间不对齐，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-encoder） 2. 上下文切片粒度难把握切分太细丢失全局语义，切分太粗引入噪声改进：语义切…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…问题：知识库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25、向量检索、混合检索的结果差异数据集类型类型用途构建要点开发验证集迭代调优覆盖高频场景，人工标注黄金答案对抗测试集压力测试故意构造易混淆、边界、多跳推理case 线上回流数据持续监控用户反馈（点赞/点踩/未采纳）、A/B测试日志数据质量控制方法采集阶段源文档准入：权威来源优先，设定时效性阈值（如知识库只保留2年…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单que…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：… 幻觉问题生成有溯源依据，可标注参考来源私有数据无需训练即可利用企业内部知识成本可控比全量微调成本低得多关键优化方向混合检索：向量检索 + 关键词检索（BM25）结合查询改写：HyDE、Query Expansion提升召回率多路召回：摘要、标题、正文分别建索引

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…、跨文档归纳财报分析、科研综述系统耦合复杂检索失败时缺乏优雅降级机制边缘Query、新领域优化方向与方案 1. 检索层：混合检索+重排序向量检索（语义）+ 稀疏检索（BM25，关键词）+ 知识图谱（实体关系）多路召回引入Cross-Encoder精排模型，替代余弦相似度的粗排 2. 查询层：意图理解与改写识别Query类型（事实型/比较型/推理型），动态调整检索策略多Query扩展：对复杂问题拆解为子查询，分别检索后聚合 3. 生成层：上下文工程检索结果按…

#美团#RAG 局限性#RAG 优化方向

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…需外部事实约束）常识推理、代码生成（知识已内化为模型能力）局限性与应对局限表现缓解思路检索失效召回文档不相关或遗漏混合检索（BM25+向量）、查询重写、重排序上下文爆炸多文档超出窗口限制摘要压缩、分层检索、长上下文模型多跳推理弱需跨文档关联时易断链引入知识图谱、迭代检索（Self-RAG）生成与检索耦合模型过度依赖或忽略检索内容训练时加入"无相关信息"样本、调整prompt权重典型失败案例：用户问"对比A和B产品的差异"，若检索分别返回A…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…检索：查询向量化→近似最近邻搜索（ANN）→返回TopK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…

#字节#Query Rewriting#RAG 检索模块

面试题·检索· 字节

RAG检索质量提升5法

匹配追问：…果质量怎么保证？……光靠向量相似度够吗？……如果不够，你会在检索前、检索中还是检索后做文章？举个例子说说具体方法？直球架构除了向量检索，RAG还有哪些关键技术能提升检索质量？从查询扩展、混合检索、重排序、上下文压缩这些方法里挑几个，讲讲原理和适用场景，不考虑成本的话你优先用哪个？

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：…过滤很重要，比如按时间范围或权限标签先筛一遍，能大幅缩小搜索空间，而不是把几亿条向量全扫一遍。第四步是候选排序。我一般不会只依赖向量检索，因为稀疏特征比如关键词匹配也很重要。所以会做 [[混合检索]]，把向量 + [[BM25]] 的结果线性加权融合，或者用学习模型动态调权。然后[[重排序]]，用 [[Cross-Encoder]] 比如 bge-reranker 对 Top-100 精排到 Top-20，这一步很关键，能显著提升最终回答的质量。最后是去噪，设定置信度阈值，…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量库规模大、索引结构低效、网络IO 优化方案：索引层： HNSW换IVF-PQ（牺牲1-…

#百度#重排与优化#RAG 系统瓶颈