匹配口述回答：…维护独立索引，各自取候选，再做late fusion。各索引的原始相似度没有天然共同标尺，需要在验证集上做温度或分位数校准，也可用reciprocal rank fusion，或者训练融合器和reranker。调用层根据query模态、任务、权限和延迟预算选择encoder与索引。文本问题可能同时检索ASR字幕、OCR和图像特征，再把候选映射回原始时间段或区域。返回结果应包含asset ID、片段位置、特征版本和来源，方便后续生成答案时引用与审计。版本管理是容易遗漏的风险…

#多模态融合#特征对齐#向量数据库

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配口述回答：…哪些”，语义泛化能力强，向量检索就占优。所以真正落地我倾向**[[混合检索]]**，把向量检索和关键词检索的结果按权重融合，比如用倒数排名融合，互补覆盖。再举个例子，比如电商客服场景，用户问“满减和优惠券能叠加吗”。如果文档里只有“满减规则”和“优惠券规则”两个独立块，向量检索可能只召回其中一个。这时候分块策略就要优化，比如用[[Parent Document]]方式，先分大块再分小块，检索用小块，上下文用大块，保证信息完整。上线前我还会特别关注几个风险。一个是嵌入模型的…

#字节#文档处理#向量检索

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

…合来看，我倾向于把 BM25 作为保底基线，向量作为提升语义覆盖的增强手段。如果条件允许，默认走 Hybrid Search，用 RRF 或线性融合做[[重排]]。但我会先跑通 BM25 基线，确保兜得住，再上向量，避免一上来就搞复杂系统，结果问题出在基础切分上。问题本质是场景适配稠密与稀疏的核心差异关键指标取舍与权重业务案例与落地决策工程风险与个人倾向约4分钟动态权重切换依赖于 query 分类器的精度，分类器本身可能引入错误。面试官可能会追问如何设计 qu…

← 上一页第 3 / 3 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

匹配口述回答：

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…确文档是否进入 Top-K。候选里没有答案时，应该修语料覆盖、分块或召回；候选里有答案但排得靠后，才值得比较 BM25、向量召回、RRF 和 Cross-Encoder 重排。查询改写也要测语义是否漂移，不能只看召回数量变多。生成侧关注模型拿到的到底是什么证据。我会做去重和冲突检测，控制上下文预算与顺序，在 Prompt 里约束引用格式和证据不足时的拒答。评测要把答案正确性、引用支持率、faithfulness、覆盖率和拒答分开，否则一个流畅答案很容易掩盖检索或引用错误。必…

#AIlab#检索器优化#RAG 优化

面试题·检索· 字节

RAG 重排序怎么选?

匹配口述回答：…-Encoder，但速度快很多，尤其适合长文档。还要看多路融合，比如把向量检索、[[BM25]]、稀疏向量结果混合起来，用加权或 RRF 融合，适合数据分布复杂、单一通道不够稳的情况。举个例子，在客服退款场景里，用户问“我买的东西没收到，怎么退款”，向量检索可能召回一堆关于退款流程的文档，但真正需要的是“物流异常+未签收”这种组合。这时候如果只用向量，很容易把“退款流程”和“物流状态”两条线混在一起。我的做法是先用向量检索取 Top-200，然后用轻量 Cross-Enco…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…用一种。更常见的做法是 [[Hybrid Search]]，把 BM25 的精确匹配和稠密检索的语义理解结合起来，用加权融合或者 RRF 算法合并结果。这样既能捞到订单号，又能理解意图。再聊技术组件。稠密检索得把文档转成向量存起来，这就用到 [[Vector Database]] 了，像 [[Faiss]]、Milvus 这些。索引结构我重点说两个：[[HNSW]] 和 [[IVF-PQ]]。HNSW 是图索引，检索快，延迟低，但吃内存，适合几百万级别的场景。IVF-PQ …

#字节#Retriever#RAG Retriever