匹配正文：…SS 内存索引，HNSW/IVF算法，零成本百万级，单机 Pinecone 全托管，元数据过滤，自动扩缩容千万级+，生产环境 Milvus/Zilliz 开源/云原生，GPU加速十亿级索引优化： HNSW：构建多层图结构，查询复杂度O(logN)，召回率>95% IVF-PQ：倒排+乘积量化，内存压缩10-20倍，适合海量数据动态更新：增量索引避免全量重建四、检索增强 # 混合检索示例：向量相似度 + BM25关键词 def hybrid_search(query…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：… 3. 向量化与存储 Embedding选型：中文用BGE、M3E，多语言用E5、OpenAI text-embedding-3 向量数据库：Milvus（大规模）、Qdrant（易用）、Elasticsearch（混合检索方便）索引构建：HNSW（图索引，召回率高）、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优化混合检索：向量相似度 + 关键词匹配（BM25），用RRF融合排序查询改写：扩展同义词、纠错，提升召回重排序（Rerank）：用Cro…

#美团#RAG 知识库搭建#文档预处理

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片策略重排序（Rerank）交叉编码器精排，解决向量相似≠语义相关的问题上下文压缩长文档截断、摘要提取，适配模型上下文窗口查询改写 HyDE（假设文档嵌入）、Query Expansion提升召回率核心优势 vs 典型局限优势可解释性：答案可溯源到具体…

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

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…ompt → LLM生成工作流程拆解 1. 索引阶段（离线）文档切分（Chunking） Embedding模型编码 → 存入向量数据库（如Milvus、Faiss） 2. 检索阶段（在线） Query向量化，计算相似度，召回Top-K相关片段 3. 生成阶段将检索结果作为上下文，与Query一起送入LLM 典型Prompt模板："基于以下信息回答问题：[检索内容] \n 问题：[Query]" 核心优势（知识密集型任务）优势说明缓解幻觉生成内容有明确来源，可事…

#百度#评估与监控#RAG 架构

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…语义切分/递归切分）、元数据保留 Embedding模型通用场景用BGE/M3E，垂直领域需微调；多向量表示（ColBERT）向量数据库 Milvus、Faiss、Pinecone；考虑HNSW索引、量化压缩检索策略稠密检索 + 稀疏检索（BM25）混合；多路召回融合重排序 Cross-Encoder精排（如bge-reranker），提升Top-K质量三、关键优化技术 1. 检索侧优化混合检索：向量语义匹配 + 关键词BM25，用RRF融合排序查询改写：Hy…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：…态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块文档切分 → Embedding编码 → 向量数据库存储检索模块查询向量化 → 相似度搜索（Top-K召回）生成模块检索结果+原始查询 → 拼接Prompt → LLM生成工作流程离线准备：文档分块 → 向量化（如BGE、OpenAI Embedding）→ 入库（Milvus/Faiss/Elasticsearch）在线查询：用户问题向量化 → 向量相似度检索 → 取Top…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等），建立索引加速检索 2. 检索阶段（在线）查询向量化：用户问题同样转为Embedding向量相似度搜索：用ANN（近似最近邻）算法快速召回Top-K相关块重排序优化：用Cross-Encoder等精排模型提升相关性（可选但重要） 3. 生成阶段上下文组装：将检索结果与用户问题拼接成P…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…56-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Faiss、Elasticsearch）在线阶段：检索生成 Query理解：必要时进行Query改写、扩展、意图识别向量检索：用ANN算法快速召回Top-K相关chunk 精排优化：Cross-Encoder重排序，过滤低质量内容上下文融合：将检索结果拼接为Prompt上下文，约束模型生成技术架构用户Query …

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…king，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Query向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 + "参考文档：[检索结果]" + 用户问题 LLM生成：模型基于检索到的证据作答，…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配正文：…统的长期记忆通常采用分层混合存储：层级存储形式适用场景工作记忆上下文窗口/Redis 当前对话轮次、临时变量短期记忆向量数据库（Milvus/Pinecone）近期对话Embedding、语义检索长期记忆图数据库（Neo4j）+ 对象存储用户画像、持久化知识、原始对话日志关键设计：原始对话存对象存储（低成本），语义向量存索引库（快速检索），关键实体关系抽成知识图谱（复杂推理）。大规模记忆的优化策略 1. 分层索引架构时间分区：按时间窗口分片索引，优…

#字节#Agent 长期记忆#向量索引

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…y）类型作用实现方式短期记忆当前对话上下文滑动窗口的Conversation Buffer 长期记忆跨会话知识积累向量数据库（如Milvus/Chroma）+ Embedding检索实体记忆关键信息抽取结构化存储（知识图谱/数据库）典型运行流程用户输入 → 规划模块拆解任务 → 循环执行（推理→选工具→调用→观察） ↓ 记忆模块实时读写 ← 完成/失败判断 → 输出结果关键设计：设置最大迭代次数防止死循环，引入人类确认节点处理高风险操作。

#百度#Agent#AI Agent 设计

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…ink特征工程 → 实时数据库（Redis/HBase）批量流（小时级）：Spark生成Embedding → 增量更新向量库（Milvus/Pinecone）关键设计：双版本向量库（蓝绿部署），更新时切流量，失败秒级回滚 3. 检索决策层混合检索：向量相似度 + 实时库过滤条件（时间窗口、地域）动态权重：根据漂移强度调节外接知识vs模型参数的权重（门控网络或规则）更新机制的三种模式场景机制延迟一致性高频低危（推荐文案）准实时增量索引 <5min 最终一…

#美团#分布漂移#外接数据库增强

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比微调便宜10-100倍可解释性：答案从哪来一目了然关键优化点…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：…模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Milvus、Faiss、ES）生成（Generation）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事实准确性生成时提供可溯源的参考文本，约束模型"基于证据回答" 避免参数知识中的事实性错误（如"2024年美国总统是谁"） 2. 知识覆盖动态接入私有/实时数据…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…unk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠密向量存储：FAISS、Milvus等向量数据库 + 可选的倒排索引混合 2. 检索（Retrieval）稠密检索：向量相似度（余弦/IP）稀疏检索：BM25关键词匹配重排序：Cross-Encoder精排，过滤低质结果查询改写：HyDE、Query Expansion提升召回 3. 生成（Generation）上下文拼接：检索结果 + 用户Query → Pr…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…（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20-100） 3. 重排序（精排阶段）必要性：双塔Embedding检索牺牲精度换速度…

#阿里云#重排与优化#向量检索

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键：领域数据建议微调Embedding模型索引存储：写入Milvus/Faiss/Elasticsearch等向量数据库，可配合稀疏索引（BM25）做混合检索二、在线检索流程 Query理解：query改写、扩展（HyDE生成伪文档）、意图识别向量检索：ANN近似最近邻搜索，召回Top-K（通常20-100个）重排序（Rerank）：用Cross-Encoder（如BGE-Reranker）精排，…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…1024 token，块间保留重叠防止断句向量化：用Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Faiss/Elasticsearch），建立HNSW等近似索引加速检索二、在线检索阶段双路召回策略：向量检索：Query向量化后ANN搜索，捕获语义相似性关键词检索：BM25等传统方法补充，确保专有名词命中结果融合：RRF（Reciprocal Rank Fusion）合并两路结果重排序优化：用Cross-…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密向量索引构建：存入向量数据库（Milvus、Faiss、Pinecone），采用HNSW或IVF-PQ等近似最近邻算法加速检索 2. 检索阶段（在线）查询向量化：用户问题同样经Embedding模型编码相似度计算：余弦相似度或点积，召回Top-K相关片段检索策略演进：稠密检索：语义匹配好，但可能漏关键词稀疏检索（BM25）：精准匹配关键词，补充稠密检索混…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…4 tokens，需保证语义完整性向量化（Embedding）：用BGE、M3E等模型将chunk编码为稠密向量索引存储：写入Milvus/Pinecone/Elasticsearch等向量数据库，可结合稀疏索引（BM25）做混合检索在线检索生成阶段查询理解：用户query可能需改写/扩展（HyDE、Query2Doc）向量检索：Top-K相似度召回，常用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…字符切分 + 语义边界检测滑动窗口重叠（保证上下文连贯）标题层级感知（保留文档结构）向量化：Embedding模型编码，写入向量数据库（Milvus/Faiss/Elasticsearch）二、在线检索层混合检索策略：用户Query → Embedding编码 → 向量相似度检索（Top-K） ↓ 关键词BM25检索 → 结果融合（RRF加权） ↓ 精排模型（Cross-Encoder重排序）→ 最终Top-N片段关键优化点： Query改写：扩展同义词、澄清指…

#百度#RAG检索策略#RAG 系统架构