匹配口述回答：…mbedding 模型把问题转成向量，去库里做相似度搜索，召回 Top-K 个相关片段。这里有个常见的失败场景：纯用向量检索，碰上关键词匹配的场景容易翻车。比如用户问“订单号 ERR-2024-001”，向量检索可能因为语义不相似而漏掉精确匹配的文档。所以真正上线我一般用 [[Hybrid Search]]，把向量检索和 [[BM25]] [[稀疏检索]]结合起来，比如线性加权或者 RRF [[重排]]。举个业务场景：电商客服处理退款，用户说“我买的东西降价了，能退差价吗”，…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配追问：…假设你现在做一个电商客服RAG系统，用户问“上次买的充电宝能退吗”，你准备怎么检索订单信息和商品条款？是只用向量检索，还是也会考虑关键词匹配？层层追问做RAG的时候，召回这一步你一般用什么方法？……那如果用户问题很短，比如“价格”，直接向量检索效果不好怎么办？……你会不会考虑把BM25和向量结合起来？融合的时候怎么处理得分归一化？直球架构请你列举一下在RAG应用里常用的检索方法，并说明每种方法适合什么场景，选型时主要考虑哪些技术因素？比如稀疏检索、稠密检索、混合检索、…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

…时间调检索参数，但其实问题出在Embedding没对齐业务语义。检索环节，我通常会做 [[混合检索]]，就是 [[BM25]] 关键词匹配加向量检索并行。为什么？因为向量检索擅长语义相似，但精确匹配比如订单号、错误码，它反而不如关键词。举个例子，用户问“订单12345退款到哪了”，向量检索可能找到一堆退款政策，但关键词直接命中那个订单的详情。两个结果合并后，再用 [[Rerank]] 模型精排，把最相关的那条顶上去。另外，查询扩展也很有用，比如用户说“退货”，LLM可以帮你…

← 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：

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 美团

RAG 架构怎么搭?

匹配口述回答：…后用 [[Embedding]] 模型转成向量，存到 [[Vector Database]] 里。这里有个前提：如果你的知识库是纯关键词匹配场景，比如查订单号或错误码，向量检索反而不好使，因为短文本语义不丰富，这时候 [[BM25]] 的精确匹配更靠谱。所以真正落地，我倾向于 [[Hybrid Search]]，把稀疏和稠密两条路结合起来。然后说检索。在线阶段用户来了一个query，直接去向量库搜往往不够。比如用户问「退货怎么退」，但库里文档标题是「退款流程」，语义有偏差。所…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配口述回答：…NSW]] 在中等规模下表现稳定，但数据到千万级就得考虑 [[IVF]] 分区了。这里有个前提：向量检索只能做语义相似，没法做精确关键词匹配，所以单纯靠向量容易漏掉那些带特定订单号或错误码的查询。所以检索模块我一般走[[混合检索]]。粗排阶段，同时跑稠密向量和 [[BM25]] [[稀疏检索]]，然后用 RRF 或者倒数排名融合把结果合并。举个例子，用户问“我的退款订单 AB123 处理到哪了”，向量可能把“退款”相关的文档都召回，但 BM25 能精准命中“AB123”，两…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配追问：…能把两种检索结合起来？层层追问你用的检索方式主要是什么？……那如果用户搜的是同义词或者口语化表达，效果怎么样？……有没有想过把关键词匹配和语义向量检索结合在一起？具体怎么设计？直球架构解释一下混合检索的设计动机，对比BM25和稠密检索的工作原理，包括它们相似度度量的差异，以及为什么混合后能提升RAG的召回效果。

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…业务场景对精度极其敏感，比如医疗诊断，那量化压缩就要慎用，得先做A/B测试。再一个，相关性提升。我见过很多团队只靠向量检索，结果关键词匹配一塌糊涂。实际上，真正落地的方案往往是[[混合检索]]，[[Dense Retrieval]]加[[Sparse Retrieval]]一起上。比如用户搜“退款”，向量能召回“退货”“赔付”这些语义相近的，但[[BM25]]能精准命中“退款流程”这个短语。所以我会把两条路的结果做加权融合，权重根据场景调。然后还有查询优化，比如用户问“订单…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配口述回答：…稠密检索]]比如 [[Embedding]] 模型，语义匹配强，但对罕见实体和精确匹配很弱；[[稀疏检索]]像 [[BM25]]，关键词匹配稳，可解释性强，但跨表述理解差。所以真正落地时，我倾向双路召回，把稠密和稀疏的结果用倒数排序融合或者学习权重合并，这样能互补。举个例子，客服退款场景里，用户问“怎么退运费”，BM25能精准匹配“运费”这个词，而稠密检索能理解“运费险”“退货运费”这种变体，两条路一起上，召回覆盖就上去了。再一个，索引结构优化。[[HNSW]] 图索引在百…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 美团

稀疏稠密与混合检索

匹配追问：…题；但搜‘新款苹果手机’时，字面匹配可能不灵。这两种场景你怎么分别设计检索策略？层层追问搜索系统里，你怎么做召回？……如果只靠关键词匹配，用户说‘性价比高的手机’能找到吗？……那用语义向量呢，会不会把‘苹果’和‘水果’搞混？……实际中怎么平衡这两者？直球架构请解释稀疏检索和稠密检索的原理和相似度度量方式。为什么很多系统要混合使用两者？具体怎么混合，比如在召回和排序阶段如何结合？

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配追问：场景切入假设你在做一个电商客服的检索系统，用户问“有没有红色的手机壳”，你用关键词搜到了，但当他问“适合女生的保护套”，关键词匹配就失灵了。你觉得怎么设计能让两种场景都覆盖好？层层追问你平时做检索一般用什么方式……如果只用BM25，遇到“苹果”和“水果”这种同义替换是不是就丢了？那你怎么补上语义理解……那如果只用向量检索，遇到罕见词比如“三羧酸循环”会不会搜不到？直球架构混合检索在RAG里几乎成标配了，你给我讲讲为什么需要混合？分别说一下Sparse检索和Dense…

#美团#Hybrid Retrieval#混合检索

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：这道题其实问的是，在关键词匹配的框架下，怎么更合理地给文档打分。[[BM25]]的核心就两件事：一个是词频贡献不能一直涨，得有个天花板；另一个是文档长度不一样，长文档不能天然占便宜。这两个问题[[TF-IDF]]都没解决好，BM25就是来补这个坑的。具体公式我直接说：score等于对每个查询词求和，IDF乘以一个词频函数。那个函数是 f 乘以 k1+1 除以 f 加上 k1 乘一个长度惩罚项。k1控制词频饱和速度，一般取1.5，b控制长度归一化强度，典型值0.75。IDF部…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配口述回答：…测量。具体选哪个，得看数据量和延迟要求。检索流程很简单：查询文本过模型得向量，然后索引召回 Top-K。但这里有个坑：纯向量检索对关键词匹配不敏感，比如搜“苹果手机退换货政策”，向量可能把“苹果”和“手机”拆散了。所以生产上我会加 [[Hybrid Search]]，向量和 [[BM25]] 关键词召回一起上，然后用 RRF 融合排序。说到混合搜索，有个细节值得注意：向量和关键词的分数尺度不一样，直接加权会出问题。所以我更倾向用 RRF，它不依赖分数绝对值，只靠排名，鲁棒性…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配口述回答：这个问题其实是在问，当关键词匹配的时候，怎么避免词频和文档长度带来的偏差。[[TF-IDF]] 做了基础工作，但 [[BM25]] 在词频饱和和长度归一化上做了关键的改进，让排序更合理。先说 BM25 的公式，它其实就三个部分：IDF、词频饱和项、长度归一化。IDF 还是老样子，惩罚那些到处出现的常见词。关键是词频饱和，它用 k1 参数控制，比如 k1 设成 1.2 到 2.0，词频再高，贡献也不会无限增长，而是逐渐饱和。你想想，一个词出现 100 次和 10 次，相关性差…

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 百度

向量召回原理与实现?

匹配口述回答：这道题本质问的是，怎么把非结构化的文本变成计算机能高效检索的语义空间。说白了，向量召回就是用向量距离代替关键词匹配，来找语义相似的内容。先说[[嵌入]]。我用 BERT 或者 Sentence-BERT 这类模型，把一段文本变成一个稠密向量，维度一般在 256 到 1536 之间。这里有个前提：模型必须在你业务数据上微调过，否则通用模型对专业术语的语义区分很差。举个例子，客服场景里“退款”和“退货”在通用模型里可能很近，但在业务里一个涉及资金一个涉及物流，必须分开。如果不微…

#百度#向量召回#向量召回原理

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配口述回答：…用户查订单号‘ORD123456’，向量检索几乎找不到，因为语义上它和任何文本都不像。这时候就得配合倒排索引，用[[BM25]]做关键词匹配。生产实践中，90%的场景我都会用向量加关键词的[[混合检索]]，用RRF算法融合两个结果集。这样既保语义又保精确。另外还可以做分层，热点数据放内存HNSW，冷数据放磁盘索引，提升整体吞吐。这里有个坑：索引设计不能光看检索速度，还得考虑数据更新。如果知识库频繁改动，比如每天新增几万条文档，那索引重建就是个大问题。常见失败场景是，为了追求…

#安克科技#向量数据库选型#RAG 知识库存储