匹配口述回答：…走[[混合检索]]。你可以这么理解：向量擅长语义相似，但关键词匹配在专有名词、编号、精确短语上更靠谱。所以我会把 [[Dense Retrieval]] 和 [[Sparse Retrieval]] 结合起来，比如向量加 [[BM25]]，用线性加权或者 Hybrid Search 统一打分。举个例子，在电商客服场景里，用户问“退款后多久到账”，向量能抓到语义相似的“退款周期”，但BM25能精准命中“退款到账”这个短语。两者互补，召回率能提不少。但这里的坑是分数融合的权重怎么…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：…导致精度损失无法利用Query和Document的交叉特征（如词级别的精确匹配）两阶段架构的设计哲学阶段目标约束召回（Retrieval）高召回率、快速过滤必须快（毫秒级），允许牺牲精度精排（Rerank）高准确率、精准排序可以慢（百毫秒级），只处理Top-K Rerank的核心优势细粒度语义理解 Cross-Encoder将Query+Document拼接输入，通过Self-Attention计算深度交互捕捉词法匹配、语义关联、逻辑关系等复杂模式 …

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…Cross-Encoder重排）核心原因：计算成本与精度的权衡为什么必须分两阶段？阶段处理规模模型特点核心目标召回（Retrieval）百万~亿级文档轻量、快速（如向量相似度、BM25）快速筛选，从海量中捞出Top-K候选重排序（Rerank）百~千级候选重型、精准（如Cross-Encoder）精细排序，用复杂交互计算最终相关性重排序模型（如BERT-based Cross-Encoder）需要query和document拼接后过Transfo…

← 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

#字节#两阶段检索#RAG 重排序

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…索引存储构建高效向量索引 HNSW、IVF等ANN算法；向量数据库（Milvus、Faiss、Qdrant）二、在线检索生成（Retrieval & Generation）用户Query → Query改写/扩展 → 向量化 → 向量检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展、多跳查询分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序（Rerank）：…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…模型将文本转为稠密向量向量存储：Milvus、Faiss、Elasticsearch等，支持ANN近似最近邻搜索 2. 检索层（Retrieval）相似度计算：余弦相似度或点积，召回Top-K候选重排序优化：Cross-Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query →…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配题目：请详细描述RAG（Retrieval-Augmented Generation）系统的具体实现架构，包括各个组件的功能设计和数据流转过程。

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配题目：请详细说明RAG（Retrieval-Augmented Generation）系统的具体实现方式，包括主要组件和工作流程。

#字节#RAG系统实现#RAG 实现

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…search等，构建索引可检索向量库关键设计：分块策略直接影响检索质量——太粗易噪声，太细丢上下文。第二阶段：在线检索生成（Retrieval & Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → LLM生成 → 返回结果核心模块：检索召回：基于向量相似度（cosine/IP）快速筛选候选，可用倒排索引混合召回重排序：用C…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：… 外部知识的选择、排序、压缩、组织核心问题 "怎么问" "给什么" Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Co…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配题目：请描述RAG（Retrieval-Augmented Generation）系统的完整工作流程，并说明在构建向量检索库时，如何应对信息时效性问题（如时间衰减）以提升召回质量。

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Retrieval（如SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量内积vs余弦vs欧氏距离的选择，未归一化导致偏差系统层数据分布索引更新延迟、冷热数据分层、租户隔离…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配题目：请详细阐述RAG（Retrieval-Augmented Generation）的技术实现方式，并说明其典型应用场景及优势。

#字节#RAG应用场景#RAG 技术实现

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…不够。比如合同里'不可抗力'这个词，通用模型可能把它和'自然灾害'关联，但法律场景下它还有具体的免责条款含义。另外我特别推荐 [[Hybrid Search]]，就是 [[BM25]] 关键词加 [[Dense Retrieval]] 向量。为什么呢？因为关键词匹配擅长处理长尾词、专有名词，比如订单号、错误码，这种向量很难表达；而向量擅长语义匹配，比如'退货流程'和'退款步骤'。两者互补，能覆盖更多场景。但混合检索有个坑：权重怎么配。如果向量权重太高，关键词结果被淹没，长尾就…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配口述回答：…ColBERT]]这种多向量表示，每个token单独算相似度，匹配更细。不过代价是存储和检索都更重，所以小规模业务用通用模型加[[Hybrid Search]]其实更划算。检索阶段，纯向量检索有个老毛病，对专有名词和数字不敏感。比如用户搜「订单号2024AB123」，向量可能把它当成噪音忽略掉，但关键词检索能精准命中。所以我会把向量检索和关键词检索结合起来，也就是Hybrid Search，用[[BM25]]走稀疏路，用[[Dense Retrieval]]走语义路，最后加…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…再在线流程。用户来了一个 query，先检索。我基本不会只用向量相似度，因为纯语义检索对专有名词、ID号这些不敏感，所以会做 [[Hybrid Search]]，向量检索加 [[BM25]] 关键词检索并行，结果合并后再用 [[Cross-Encoder]] 做一次 [[Rerank]]，把真正相关的文档排到前面。这一步很关键，能过滤掉很多语义相似但实际无关的噪声。举个例子，客服场景里用户问“我退款怎么还没到”，向量检索可能召回一堆退款政策文档，但真正需要的是该笔订单的处理状…

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…确的关键词匹配。如果用户问“我要退货”，但文档里写的是“退款”，同义词问题它就抓瞎。所以真正上线，我不会只用BM25，而是做 [[Hybrid Search]]，把BM25和 [[Dense Retrieval]] 结合起来，BM25保证精确匹配，向量检索捕捉语义相似。前提是向量检索的 [[Embedding]] 质量要够好，不然混进来一堆噪声反而拉低效果。另外，b参数的调优很容易被忽略。比如客服场景里文档长度差异巨大，b取0.75可能对短文档太友好，导致长文档里的关键信息…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比