匹配口述回答：…回率和MRR，用一批标注好的query-doc对来评估。在线我会抽检人工看召回的相关性，建立bad case闭环。特别要注意的是，RAG不是向量化就完事了，如果检索结果质量差，生成必然跑偏。所以上线前我会用历史query回放，对比新旧流程的召回率和延迟，通过才切换，不通过就回滚。最后说边界。分块和模型选型没有银弹，固定切分适合日志、代码这种结构简单的，语义切分适合新闻、报告；稠密向量适合语义匹配，稀疏向量比如[[BM25]]适合关键词精确匹配，真正落地常常两者混合。我倾向用…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配口述回答：…然流畅。端到端就是最终答案对不对，但这里有个坑：如果检索召回很低，但生成答案居然对了，那很可能是模型靠参数记忆作弊，这种场景下你的RAG其实没生效。所以三层指标要一起看，才能定位到具体瓶颈。迭代优化，我遵循先诊断后动手。举个例子，客服退款场景，用户问“我买了件衣服尺码不对怎么退”，如果检索没召回退款政策文档，那就是召回不足。我会用[[混合检索]]，[[BM25]]加向量，再加[[重排]]，把关键词匹配和语义匹配结合起来。如果召回够但生成还是瞎编，那就强制引用，让模型必须标注…

#字节#评估与监控#RAG 评估

面试题·评估· 淘天

RAG编码模型评估指标与对比

…够了再切到DPR。真正上线时，我几乎一定会把向量检索和关键词检索结合起来，也就是 [[Hybrid Search]]，因为向量擅长语义匹配，但精确匹配比如订单号、政策条款号，还是[[BM25]]更靠谱。怎么评估编码模型的检索能力？RAG场景下，我最看重的是 Recall@K，比如Recall@5。为什么？因为生成阶段能容忍一些噪声，你给大模型十段文档，哪怕其中两三段不相关，它也能挑出有用的信息。但如果你漏掉了关键文档，大模型就真不知道，那它就可能会瞎编，也就是 [[Hall…

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

匹配口述回答：

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…g]]模型把语义相近但任务不相关的片段排到前面时，我们怎么拆解和解决。核心矛盾是，Embedding的训练目标是语义相似度，而[[RAG]]业务要的是任务相关性，这两个东西天然有gap。举个例子，用户搜“苹果手机的电池寿命”，结果召回一段“苹果的营养价值”，因为“苹果”这个词向量靠得近，但用户要的是售后，不是营养学。我会从三个层面去分析。先说查询侧。如果query本身就有歧义，比如“苹果”，我能做的是查询重写：让LLM根据上下文把意图补全，比如改成“苹果公司手机电池寿命”。…

#Embedding#Rerank#RAG 检索相关性

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：这道题问的是[[RAG]]检索不准怎么办，在我看来，本质是两件事没对齐：一是信息源怎么拆和怎么标，二是匹配逻辑怎么调。拆得不对，后面怎么改都难。我从数据构建、检索优化和后处理三个角度讲一下我的做法。先说数据构建。文档切分很多人直接按固定字数截断，但这对语义是破坏性的。我一般会按语义边界来切，比如标题、段落，还会加一个重叠窗口，保证上下文连贯。举个例子，处理客服退款政策文档时，我会把“退款条件”和“退款流程”作为两个独立块，但每块末尾带上下一块的标题，这样检索时不会漏掉跨块信…

#字节#RAG 检索噪声#RAG 数据构建

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：这道题问的是[[RAG]]在实际落地时，检索和生成之间那个匹配缺口怎么补。说白了，RAG不是拿回文档就万事大吉，中间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；…

#淘天#知识图谱#RAG 痛点

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百条，再用 [[Cross-Encoder]] 精排一遍，把最相关的前几条送进生成，能显著减少噪声。说个真实业务场景吧，比如电商客服的退款政策问答。用户问“七天无理由退货的运费谁出”，如果只用LLM微调，模型可能记错或者把旧政策当答案。用RAG的话，我把最新版的售后规则文档…

#字节#外部知识检索#RAG 原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：这道题其实问的是，怎么把通用[[RAG]]改造成能在一个专业领域真正落地，核心挑战就是领域知识怎么结构化、检索怎么精准、生成怎么可控，而且这三环要能闭环迭代。先说数据预处理。专业文档不像通用网页，结构复杂、术语密集，随便切段落肯定不行。我会根据文档类型做不同处理，比如医疗病历有DICOM标准，法律合同有条款边界，先用[[OCR]]或解析器把元信息提出来，像疾病编码、法条编号、时效性这些。然后chunk策略要兼顾语义和结构：一方面用语义模型识别主题边界，另一方面按章节条款切，…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配口述回答：这道题问的是面向专业领域的[[RAG]]怎么设计，我觉得它的本质不是简单搭一个检索加生成的流水线，而是怎么把领域知识的结构和逻辑嵌到整个链路里，让模型既找得准又生得对。我先说文档预处理。很多人上来就[[切块]]，但医疗或法律这种领域，文档是高度结构化的，比如法律条款有层级，医疗指南里表格和图片混排。如果直接按固定字数切，容易把一个完整条款切碎，检索时语义不连贯。所以我会先用 [[多模态]]解析，比如LayoutLM或者[[OCR]]把图文位置保留下来，然后按语义边界切分，法…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…控合同检索，漏掉一份合同可能出大事，那还是得HNSW加GPU加速。再一个，检索相关性不足，也就是Top-K命中率低于60%，这是RAG最头疼的问题。原因是query和文档之间有语义鸿沟，比如用户问“退款到账时间”，文档里写的是“资金返还周期”，[[Embedding]]模型可能拉不远。我的优化思路是两条路一起走：一条是[[Hybrid Search]]，用向量加[[BM25]]做RRF融合，关键词能兜住那些语义匹配不上的case。另一条是查询改写，用LLM把用户query扩…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：这道题其实在问一个系统工程的持续优化能力，而不是罗列一堆技术点。[[RAG]] 从构建到上线，就像一个不断打磨的流程，每个环节都可能成为瓶颈，但真正落地时不能只盯着一个点改，要分模块迭代，同时用数据驱动，避免陷入局部最优。我一般会从四个层面对齐优化：检索、[[重排]]、生成，以及贯穿始终的评估闭环。先说检索，这是源头质量，如果检索回来的东西就不对，后面再怎么调也救不回来。这里有个关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：[[RAG]]这道题，其实是在问怎么给大模型配一个「外挂知识库」，让它在不重新训练的情况下也能回答私有数据的问题。核心思路就两条腿走路：离线把知识存成索引，在线把用户问题和索引匹配上，再让模型基于匹配结果回答。先说离线阶段。原始文档五花八门，PDF、Word、网页，得先清洗成纯文本。然后最关键的一步是[[分块]]，也就是 Chunk。这里有个坑：分太细，语义不完整，模型看不懂上下文；分太粗，超了上下文窗口，而且一个块里揉太多主题，检索时噪声大。我一般会看业务场景来定。比如客…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配题目：在RAG系统中，您采用了哪些检索方法（如密集检索、稀疏检索等）？请说明选择这些方法的原因，并讨论可能的优化策略。

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配口述回答：这道题问的是专业领域[[RAG]]系统怎么搭，本质上是在考你怎么把通用RAG的能力约束到知识边界内，保证输出准确、可溯源，同时兼顾效率。我以法律场景为例，具体说一下我的方案。先说数据预处理。这块最核心的不是怎么切分，而是[[分块]]策略的取舍。固定切分简单，但法律条款跨块就会丢语义，所以我倾向按段落边界切，保证每个块语义完整。同时我会做多粒度索引：原文段落做粗粒度，拆解后的法条做细粒度，再额外维护一批问答对做应用层，这样不同查询能命中不同粒度的块。还有一个前提是术语对齐，比…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…别注意拒答场景，如果检索到的文档跟Query完全不相关，LLM应该明确说“没有找到相关信息”，而不是硬编一个答案。说到边界划分，RAG适合场景是知识库频繁更新、需要引用外部证据的，比如企业内部的SOP文档或者合规政策；而微调适合让模型学会固定的格式或风格，比如客服话术模板。检索层面，关键词搜索适合精确匹配，比如订单号；向量搜索适合语义匹配，比如“退款政策”和“退货规则”意思相近。分块层面，固定切分简单但容易断掉语义，语义切分更准但计算成本高。真正落地的系统往往是混合策略，比…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：这道题其实是在问，怎么在语义理解、检索效率和工程复杂度之间找到平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：这道题其实是在问，当[[RAG]]的检索环节掉链子时，怎么系统性地定位和修复。我一般先定位失效环节，是召回不够、精度太差，还是排序没排好。比如召回问题，相关文档根本没进候选池，那可能是向量表示不够好或检索范围太小；精度问题就是噪声文档混进来了，需要过滤或[[重排]]；排序问题则是相关文档得分低，得改进重排模型或特征。具体到方案，我重点讲几个点。先说查询侧优化。用户query经常口语化、缺主语，我会用LLM做意图澄清，扩展同义词、补全主体。还有一个好用的技巧是HyDE，先用模…

#字节#检索故障诊断#检索质量优化

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配口述回答：这道题其实问的是[[RAG]]系统里，怎么在召回精度和响应效率之间做工程权衡。先以精确Flat检索建立对照；数据较小或吞吐允许时精确搜索也可用，是否需要近似方案由实测预算决定。我先说相似度计算，再说索引选型，最后聊落地中的平衡策略。相似度这块，最常用的是余弦相似度。它的核心思想是只看方向不管长度，语义相近的句子即使措辞不同，向量方向也通常一致，这就很适合语义匹配。工程上我们会提前把向量归一化，这样点积就等于余弦相似度，计算更快。当然，如果场景对向量长度敏感，比如推荐系统里…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：搜索引擎的相关性计算经历了从关键词匹配→语义匹配→深度语义模型的演进，实际系统通常是多阶段级联。一、关键词匹配：经典但有效 BM25 是工业界标配，核心思想：词频饱和度：TF 增长边际递减（用 k1 控制）文档长度归一化：避免长文档占优（用 b 控制） IDF 惩罚常见词 score = Σ IDF(q_i) · [f(q_i,D)·(k1+1)] / [f(q_i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹…

#OPPO#查询文档相关性#语义匹配

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…针对抽象问题（"主题是什么"），遍历社区摘要进行聚合推理局部搜索：针对具体问题（"某实体的属性"），定位子图进行精确检索与传统RAG的关键差异维度传统RAG GraphRAG 检索单元文本块/向量片段实体、关系、社区摘要推理能力局部语义匹配全局关系推理、跨文档聚合擅长问题 "某段文字说了什么" "这些文档共同的主题是什么" 上下文组织平铺的top-k片段层次化的图结构优势与适用场景核心优势解决连接性查询：需要综合多文档信息才能回答的问题支持抽象…

#字节#知识图谱#GraphRAG 原理

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…ding微调、Hard Negative Mining 余弦相似度的选择逻辑归一化后等价于点积，计算高效对向量长度不敏感，适合语义匹配（关注方向而非幅度）替代方案：欧氏距离或内积；内积本身不要求归一化，只有用它模拟余弦时需把query和document两端单位化。度量应匹配模型训练方式。学习建议建议先掌握向量嵌入和余弦相似度的基本概念，再结合RAG架构理解检索流程，通过动手实践使用Sentence-BERT等模型进行文本编码和相似度计算来加深理解。参考资料 Fai…

#字节#向量语义召回#Embedding 语义召回

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…史任务结果（如SQL/图数据库）检索策略：混合召回场景策略实现即时上下文工作记忆直接读取最近N轮近期相关短期记忆语义匹配摘要向量Top-K 远期细节长期记忆多路召回向量相似度 + 时间衰减 + 关键词过滤关键技巧：检索时拼接[当前query + 近期摘要]作为查询，提升相关性更新与刷新机制被动压缩：工作记忆满时，最旧内容→生成摘要→下沉主动摘要：检测到任务完成/话题切换时，立即生成章节摘要 TTL+重要性：短期记忆设置7天过期，但高重要性事件（…

#高德#Agent#Agent 记忆管理

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：核心思想 GraphRAG 把文本证据与实体、关系或社区结构关联起来，用显式图结构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 G…

#字节#GraphRAG 实现原理#知识图谱构建