匹配正文：…如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_search、nprobe权衡延迟与准确率过滤机制：前置元数据过滤（时间、权限标签）减少搜索空间 4. 候选排序与筛选多路召回：向量+稀疏（BM25）+ 关键词，线性加权或Learned Fusion 重排序（Rerank）：Cross-Encode…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 美团

稀疏稠密与混合检索

匹配正文：…准 ❌ 可能失配语义改写/口语化查询 ❌ 字面不匹配 ✅ 语义捕获长尾低频词 ✅ 稳定 ❌ 学习不充分实际做法：并行召回：BM25 + 向量检索各取Top-K 融合排序：线性加权 score = α·BM25_score + β·dense_score，或训练 LTR 模型两阶段：混合召回 → Cross-Encoder 精排美团这类业务场景（POI搜索、外卖Query）尤其需要混合策略——用户既搜"麦当劳"（精确品牌）也搜"好吃的汉堡"（语义意图），单一检索无法…

#美团#稀疏稠密检索#稀疏稠密与混合检索

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…端链路、关键接口和状态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：BM25 vs 向量检索 vs 混合检索怎么选?。 4. tradeoff · tradeoff 为什么选 RRF 而不是归一化加权？RRF 常数、各路 top-k 和重排深度如何确定？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：…

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

#模拟面试#简历项目#连续追问

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…识库(通常会换成一批经过解析、切分并写入索引的文档块); 你写的 retrieve = 真实系统的检索模块(把"关键词匹配"换成"向量检索 + BM25",第 4、5 章); 你写的 answer 里"把 context 当依据" = 真实系统的上下文拼接 + 生成(换成 Prompt 工程 + 真·大模型,第 9 章)。换句话说:你这 20 行代码演示的是 RAG 的最小逻辑骨架;后面 9 章会逐步补上解析、切分、索引、评估和引用等工程环节。它不是生产系统,但能帮助你理解…

#RAG#检索#项目实战

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

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…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 doc 之间的"关系"。于是一个字面很像、意思却相反的文档(比如"免责条款")可能拿到高分。粗排独立打分,读不懂 query 和 doc 的关系概念 3:什么是 Cross-Encoder? Cross-Encoder(交叉编…

#RAG#检索#项目实战

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…么解析、按什么粒度切块、元数据怎么带、索引多久重建、增量更新怎么做只说"存进向量库",说不清切块策略和更新机制检索/召回方案向量检索 + 关键词(BM25)混合、召回多少、要不要重排、多路召回怎么融合只上单路向量检索,答不上召回不全怎么办模型与 Prompt 选什么模型、上下文怎么拼、引用怎么带、幻觉怎么约束、要不要 function calling 把 Prompt 当细节略过,不提引用和防幻觉评估怎么做检索命中率、答案准确性、幻觉率怎么测,离线评估集 + 线…

#求职#职业转型

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：一、核心瓶颈分析 1. 检索层瓶颈延迟来源：向量检索（HNSW索引构建耗时）、重排序（Cross-encoder延迟高）、多路召回合并精度损失：Embedding语义漂移、稀疏检索（BM25）与稠密检索融合权重难调 2. 上下文层瓶颈长度限制：长文档截断导致关键信息丢失，Agent多轮后历史膨胀噪声引入：检索top-k中的低相关文档污染生成，"中间丢失"现象 3. Agent特有瓶颈决策链累积错误：ReAct循环中检索→推理→工具调用，任一环节出错级联放大状态管理…

#阿里云#Agent#Agent RAG 瓶颈

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· 字节

领域RAG应用链路怎么搭?

匹配正文：… 微调方法：对比学习+难负例挖掘，batch内动态难负例提升显著多路召回架构用户Query → 查询改写（HyDE/扩展）→ 向量检索（Dense）+ 关键词检索（BM25）→ 融合排序 → 精排模型（Cross-Encoder）→ Top-K上下文金融领域加粗体匹配规则（如"第X条"精确命中）重排序用bge-reranker或轻量LLM打分三、生成模块：可控输出 Prompt工程系统角色固化："你是资深医疗顾问，基于以下参考资料回答，不确定时请说明" 上下文组织…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…持8K token，能完整编码长文档。这就引出一个关键：不要迷信单一模型，要根据文本长度和语言灵活组合。再一个，很多人忽略边界。向量检索不是万能的。如果你的query里包含精确订单号或错误码，向量[[embedding]]会丢失精度，这时候需要跟关键词检索结合，比如[[Hybrid Search]]，用[[BM25]]兜底。我见过不少项目上线后召回率低，一查全是向量模型对短代码不敏感。所以前提是，你得先判断数据里有没有结构化片段。举个例子，一个退货申请页面，用户输入“订单…

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配口述回答：…选BGE-m3这种多语言模型，还得注意跨语言的检索能力，比如用户用中文查，英文文档能不能召回。最后说落地。真正上线时，我很少只用向量检索。更常见的做法是[[Hybrid Search]]，把向量和[[BM25]]结合起来。因为向量模型对字面匹配、专有名词比如订单号、错误码这些，效果很差，但BM25很擅长。所以我会同时建向量索引和倒排索引，检索时把两路结果融合，再用Rerank模型排序。这个方案能覆盖更多case，但代价是多维护一套索引和增加延迟。还有一个点值得注意：模型微…

#百度#评估与监控#向量检索

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀疏检索（BM25）互…

#小红书#美团#重排与优化

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：检索失败的核心原因语义层面查询与文档的语义空间不对齐：用户口语化表达 vs 文档正式表述多义词、歧义查询导致向量"撞车"（如"苹果"指水果还是公司）数据层面文档本身质量差：冗余、过时、包含矛盾信息分块策略不当：关键信息被截断或上下文丢失系统层面 Top-K阈值设置不合理，正确答案被挤出单一向量检索的召回率瓶颈技术优化方向 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…

#小红书#美团#重排与优化

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…E，垂直领域需微调索引结构：百万级用HNSW（内存索引），亿级考虑FAISS IVF或Milvus分布式方案多路召回：关键词（BM25）+ 向量双索引，解决语义漂移问题三、在线检索流程阶段技术要点查询改写 Query扩展、同义词补全、意图澄清（必要时主动反问）粗召回 Top-K向量检索（K=100~1000）精排序 Cross-encoder重排（如BGE-Reranker），筛选Top-5~10 过滤策略相关性阈值截断、元数据过滤（如只查最近1年文档）四…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配口述回答：…你的领域。如果用户查的是“退款流程”，但你的文档里全是“退货政策”，向量距离可能就不够近。再说[[稀疏检索]]，就是传统的 [[BM25]] 或者 [[TF-IDF]]，基于词项匹配。它的优势在精准匹配专有名词、订单号、错误码这些场景，而且可解释性强，召回结果你很清楚为什么出来。但它的边界也很清楚：用户说“怎么退钱”，它可能就匹配不到“退款”这个词，因为词不一样。所以实际业务中，我倾向用[[混合检索]]，也就是 Hybrid Search，把密集和稀疏并行召回，然后通过 …

#字节#评估与监控#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…用对比学习在业务数据上微调Embedding模型多向量表征：一个文档生成多个向量（摘要、关键词、详细内容）稀疏-稠密混合：结合BM25和向量检索的优势 3. 向量检索核心问题：召回率和延迟的权衡优化策略：索引优化：HNSW参数调优（ef_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 + 关键词检索 + 知识图谱并行召回查询扩展：用LLM生成同义查询，提升覆盖度 4. 重排序（Rerank）核心问题：粗排结果精化优化策…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…M生成（检索内容通过Attention与Query交互）关键优化策略查询改写：用LLM扩展同义问法，解决语义Gap 多路召回：向量检索 + 关键词检索 + 图谱检索并行引用溯源：要求模型输出引用标记，便于事实核查 Naive vs Advanced RAG Naive：直接检索→拼接→生成，容易噪声干扰 Advanced：加入重排序、查询分解、迭代检索（如Self-RAG），显著提升准确率

#美团#RAG架构#RAG 系统架构

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· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…任务生成embedding再写向量库，写成功后更新状态。定期跑对账脚本，把状态不一致的补写或告警。检索流程上，我一般走多路召回：向量检索Top-K，同时用[[BM25]]做关键词召回，结果合并后去重，再做[[Rerank]]，最后用结构化条件过滤。比如用户搜“满200减50”，向量可能把“满300减80”也召回来，但BM25能精准命中“满减”关键词，合并后rerank把最相关的排前面，再过滤掉已过期的活动。这里有个常见失败场景：如果只依赖向量，当用户输入的是精确术语比如订单…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…时只拿到半句话，答案就偏了。所以我会倾向用语义切分，结合结构信息，比如按Markdown标题或段落边界来切。检索阶段，很多人只做向量检索，但纯向量对专有名词比如订单号、错误码效果很差，因为ID类文本语义相近但字面不同。我的做法是 [[混合检索]]，把 [[BM25]] 关键词和向量检索结合起来，再经过 [[Rerank]] 用 [[Cross-Encoder]] 精排一次，把最相关的前几名挑出来给模型。这样召回质量会明显提升。然后说RAG和微调的边界。微调适合让模型学会特…

#美团#评估与监控#RAG 工作原理

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：… "A和B哪个更好"→拆分为两个子查询分别检索时效判断识别"最新""今年"等时间意图，触发实时数据源关键价值：避免"一把梭"向量检索导致的语义漂移或关键词检索的语义丢失。二、提升生成质量上下文筛选：根据意图类型过滤检索结果（如"优缺点"意图优先保留对比性文本） Prompt路由：不同意图匹配不同System Prompt（闲聊 vs 专业问答 vs 拒答场景）幻觉防控：识别超出知识库覆盖范围的意图，触发"我不知道"或联网搜索三、典型工程实践用户Query → …

#OPPO#RAG 意图识别#RAG