匹配正文：…ng）把零重叠、短窗口与较长窗口作为候选，在同一评测集上比较证据完整率、召回与冗余成本特别适合问答场景，答案恰好跨边界的情况元数据增强为每个chunk附加标题、来源、时间等标签检索时可做过滤，生成时可注入prompt提升可信度动态分块根据查询意图选择块大小：摘要类用大chunk，事实类用小chunk 选型建议 ToB知识库（合同、手册）：优先比较结构感知、递归与语义分块，验证条款完整性 ToC搜索（商品、资讯）：比较固定长度、结构边界与不同重叠窗口，重点验证响应…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、位置、类型） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写入向量库 ↓ …

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

…案跨越切分边界时，补回相邻上下文选择方法：把零重叠、短窗口和较长窗口放到同一评测集比较，不预设固定比例成本：索引体积增加、相似chunk重复召回、重排与生成输入变长配套处理：保留原文起止位置与父级结构，召回后按来源和位置去重、合并保障语义完整性的方法边界检测：优先按句子、段落与章节切分，避免硬截断结构化感知：表格、代码、列表和图片说明使用对应的逻辑单元父子索引：用较小单元召回，再补回父级上下文元数据保留：记录来源、标题、页码、原文位置与版本，支持重排和引用评…

← 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

匹配正文：

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页脚、统一编码、过滤低信息密度内容元数据绑定：保留标题层级、来源URL、时间戳，用于过滤和重排序嵌入模型选择选型三要素：维度考量语言中英混合选bge-m3、gte-large；纯英文选text-embedding-3-large 上下文长…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…查询优化 ↓ Flat：精确但慢，<10万条可用 IVF：聚类加速，平衡精度与速度 HNSW：图索引，高召回+快速，推荐默认选择元数据关联：每个向量携带doc_id、chunk_index、source、title等，支持过滤查询和结果溯源。 5. 入库与更新机制批量写入：避免逐条插入，控制batch_size防内存溢出增量更新：文档版本变更时，按doc_id删除旧块再插入新块混合存储：向量库（Milvus/Pinecone）+ 关系库（PostgreSQL）各存其责

#安克科技#评估与监控#RAG 文档向量化

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…arkdown 领域标准化：建立术语词典（如ICD-10编码、法律法条编号），统一同义词分块策略按语义边界切分（章节/段落），chunk size 由资料结构、模型输入限制与评测结果决定是否启用重叠窗口及其长度都作为候选，用同一评测集验证边界证据与冗余成本关键元数据注入：文档来源、发布时间、置信度标签二、检索模块：精准召回 Embedding选型基座模型：GTE-large、BGE-M3通用能力强；领域数据充足时微调（如PubMedBERT医疗版）微调方法：对比…

#字节#领域 RAG#RAG应用搭建

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…量召回→BM25过滤→Cross-Encoder精排，平衡效率与效果四、索引层面优化分块策略：按语义切分（而非固定长度），保证chunk内语义完整元数据过滤：先按时间、类别等标签过滤，缩小检索范围摘要索引：存储chunk摘要+原文，用摘要做向量检索减少噪声一句话总结：检索质量 = 查询理解（改写）× 召回广度（混合检索）× 排序精度（重排），三环节缺一不可。学习建议建议系统学习该知识点

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…别，非固定长度结构感知：按章节/条款切分，保留父子层级关系用于后续递归检索多粒度冗余：同一内容生成256/512/1024三种chunk，适配不同查询深度二、检索优化层多路召回召回通道适用场景实现方式向量检索语义相关领域微调Embedding + HNSW索引关键词检索精确匹配 BM25 + 领域同义词扩展结构化检索条件过滤元数据标签（时间、版本、文档类型）重排序与精排交叉编码器做精排，领域数据微调（如bge-reranker）引入用户反馈…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→…

#字节#RAG系统实现#RAG 实现

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…，但检索结果和生成都可能出错，因此整条链路要可评估、可追踪和可回滚。 1. 离线准备解析并清洗文档，保留来源、版本、权限和时间等元数据。按结构或候选分块策略生成 chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 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-E…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：RAG完整工作流程 1. 索引阶段（Offline）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、E5等模型生成稠密向量元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，…

#字节#向量库时效性#RAG 工作流程

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…掉关键信息，比如客服场景里的退款流程图，我可能会用[[多模态]]模型比如 [[OCR]] 或者 VLM 把图转成描述文本再拼回去。元数据也很重要，比如文档来源、时间戳，后面做过滤和 [[Rerank]] 时能用上。接下来是分块。这个环节核心是平衡上下文长度和检索精度。固定长度分块最简单，但 chunk size 与重叠窗口都只能先作为候选变量。更稳妥的做法是结合文档结构提出几组配置，再用同一评测集比较证据完整率、召回、延迟和索引成本。遇到长文档或者多主题混合的内容，固定切分…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：…展开，同形异义词根据上下文消歧。另外，结构化抽取也很关键，比如技术手册按章节、论文按IMRaD结构识别边界，这直接决定了后续 [[Chunk]] 的语义完整性。然后是分块策略，这块我倾向动态分块而非固定 token 数。固定切分容易把逻辑上完整的段落拦腰切断，导致检索时召回一堆碎片。我一般会结合语义边界，比如用 BERT 做分割点检测，或者直接利用文档原有的标题层级。对于表格，我通常整表保留，并附加表头元数据，因为单独切一行会丢失上下文。重叠窗口不能默认必加；我会把无重叠、…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：…延迟和生成误差，不应该默认对所有请求开启。Cross-Encoder 只能改善已有候选的排序，不能救回根本没有召回的文档。切块与元数据也是检索方案的一部分。标题、章节、表格位置、文档版本和权限标签如果在解析时丢失，后面换更强的 Embedding 也补不回来。多租户系统尤其要说明权限过滤发生在召回前还是召回后：召回后再过滤可能造成候选不足，也可能让不应访问的文档进入缓存或日志。增量更新还要验证旧向量删除、索引切换和查询缓存是否使用同一文档版本。评测也要分层。召回阶段可以看…

#字节#混合检索#RAG 文档检索选型

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…精确匹配、专有名词 Elasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3. 查询理解与改写意图识别：区分"诊断建议"vs"用药禁忌"（医疗）、"法条查询"vs"类案检索"（法律） Query扩展：用领域词典做同义词扩展，如"新冠"→"COVID-19/新型冠状病毒肺炎" 多轮澄清：置信度低时主动追问（如"您指的…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节分元数据标注：来源、时间、类别等标签，用于过滤和溯源二、向量索引构建 Embedding选型：业务域通用选BGE/M3E，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…

#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？

匹配正文：…阶段检索：粗排（Top-K召回）+ 精排（Cross-Encoder Rerank）数据优化文档分块策略（按语义/结构切分）、元数据过滤预筛选 Rerank环节尤为重要：用轻量Cross-Encoder（如bge-reranker）对Top-100重排，NDCG@10提升15-20%常见。

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：核心流程 1. 文档向量化（离线）文档分块：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用预训练模型（如BGE、M3E、OpenAI-ada）将文本映射为稠密向量关键：领域数据建议微调Embedding模型，解决分布偏移 2. 向量索引构建存储：向量数据库（Milvus、Faiss、Pinecone）或近似最近邻索引（HNSW、IVF） HNSW：图索引，查询快、精度高，适合动态更新场景 3. 查询检索（在线） …

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 百度

向量检索基本原理是什么?

匹配口述回答：…是：文档先[[切块]]，跑 Embedding，写入向量索引；用户问题进来后也转成向量，到索引里找 TopK 候选，再结合相似度、元数据过滤或者 reranker 做最后排序。真正落地时，核心权衡是召回、延迟和成本。比如 HNSW 召回好但内存贵，IVF-PQ 成本低但精度有损；TopK 取大一点召回会好，但后面的[[重排]]和生成成本也会变高。我还会补一句：很多人一开始会疯狂调索引参数，但实际排查下来，问题往往出在 Embedding 模型和文档切块上。向量空间本身没把…

#百度#向量索引#向量检索原理

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：…简单按 500 token 硬切。技术文档可以按标题层级切，客服 FAQ 可以一问一答作为块，合同类文档可能要保留条款编号。每个 chunk 还要带 metadata，比如来源、标题、时间、权限、版本号。企业场景里，权限和版本非常重要，否则检索结果可能正确但不该给当前用户看。第二层是检索器。最基础的是向量检索，把 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…

#美团#RAG工程实现#RAG 系统实现