匹配口述回答：…候退回来’和文档正式说法‘退款到账时间’在语义空间里可能离得远。我的做法是**[[混合检索]]**，把[[BM25]]关键词召回和向量召回结合起来，结果做加权融合。你可以这么理解：向量负责语义相似，关键词负责精确匹配，比如订单号、错误码这种就得靠关键词。但混合检索也有坑，如果权重调不好，比如关键词权重太高，反而会召回一堆噪音。上线时我会先离线跑一批bad case，看哪些是向量没召回、哪些是关键词没召回，再调比例。再进一步，检索出来Top-K可能还是不准，这时候要加[[Re…

#小红书#美团#重排与优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号、政策条款号上几乎必挂。我一般用 [[Hybrid Search]]，把向量召回和 [[BM25]] 关键词召回结合起来，分数加权融合。举个例子，客服场景里用户问“满200减30怎么用”，向量能理解“满减”语义，但BM25能精准匹配活动ID或商品SKU，两条腿走路才稳。检索出来Top-K比如100条，不能全扔给大模型，上下文窗口有限，而且噪声多。所以第二步是[[重排序]]。这里我会用 [[Cross-Encoder]…

#美团#评估与监控#RAG 工作流程

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配追问：场景切入假设你在做一个企业知识库问答系统，用户问“报销流程怎么走”，向量召回了一堆相关文档。但结果里既有正式流程，也有员工吐槽，你怎么把最准确的那个排到最前面？层层追问 RAG系统里向量召回完就直接丢给大模型了？……如果召回的top-10里混进几个不相关的怎么办……那有没有办法在中间加一道精排，用更精细的模型把相关文档挑出来？直球架构 RAG系统里引入重排模型是标配吗？它在两阶段检索中的具体作用是什么？你了解哪些常用的重排模型，比如Cross-Encoder或者ColB…

← 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

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配追问：…几篇相关文档，但发现排序不太准。你觉得这种情况下，加一个重排序模型有必要吗？为什么？层层追问 RAG里你一般怎么做检索？……只靠向量召回够不够？……如果召回了100篇，怎么挑出最相关的5篇给大模型？……你觉得重排序在这中间能解决什么问题？直球架构请解释为什么在RAG系统的初步检索后需要一个重排序模型。它的核心作用是什么？相比只做向量检索，重排序带来了哪些优势？

#字节#Rerank模型#RAG Rerank

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…错误码，向量相似度经常找不到，因为语义空间和字面匹配是两回事。所以我倾向做**[[混合检索]]**，把[[BM25]]关键词召回和向量召回两条路并行，再合并排序。这能明显提升召回率，尤其在客服退款、订单异常这类场景。在线检索流程里，我特别看重精排这一步。粗召回我一般拉100到200条，然后用[[Cross-Encoder]][[重排]]，只留前5到10条送进上下文。重排对最终答案质量影响非常大，它能把语义相关但不太匹配的文档压下去。但重排是计算密集的，延迟敏感场景下，我会考…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配口述回答：… [[Faiss]]。检索层是真正的瓶颈。你不能只靠向量相似度，因为用户的 query 可能很口语化，比如「我订单咋还没退钱」，向量召回容易偏。我会用 [[Hybrid Search]]，向量加 [[BM25]] 关键词两条腿走路，召回后再用 [[Cross-Encoder]] 做一次 [[Rerank]]，把相关性提上来。这里有个坑：如果知识库频繁更新，比如商家满减政策隔天变，检索不能只依赖向量索引的增量插入，因为删除操作如果原地动图索引，召回质量会崩。我会用软删除加异步…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：… query 和 chunk 都转成 [[embedding]]，用 [[ANN]] 索引找 TopK。但实际我一般会做多路召回：向量召回负责语义相似，[[BM25]] 负责关键词和专有名词，必要时再加业务规则召回，比如按产品线、时间范围、用户权限过滤。多路召回之后可以用 RRF 或加权融合先合并候选。第三层是 reranker。因为第一阶段召回优先保证覆盖，候选中往往会混入噪声，所以可以用 cross-encoder 或 reranker 对 query-document…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配口述回答：…"doc_id": "xxx", "category": "售后", "valid_until": "2024-12"}。检索时先向量召回一批候选，再用这些标签做过滤。但要注意，如果过滤条件太严格，可能把相关文档全滤掉，导致召回为空。所以过滤条件要保留一定的宽松度，或者做多路召回，向量搜一条线，[[BM25]] 关键词搜一条线，SQL 查结构化数据一条线，最后合并。选型上，中小规模我倾向用 PostgreSQL 加 pgvector 插件，一体化部署简单，不用维护两套系统…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…目里我一般不会只靠向量检索，因为专有名词、编号、缩写这类问题，[[BM25]] 反而更稳。所以会用 hybrid search，把向量召回和关键词召回合并，再用 reranker 做精排，把真正能回答问题的内容排到前面。检索之后是增强。这个阶段表面上是拼 prompt，本质上是上下文选择和上下文治理。要把重复片段去掉，把低相关片段过滤掉，把来源信息保留下来，还要控制总 token 长度。通常我会按“相关性、可信度、时间新旧、权限”来排序，最后组成一个结构化 prompt，比…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…5能精确命中“退款”这个词。如果只做向量，那精确信息的召回率会低得没法用。还有一个常见失败场景：查询很短，比如就一个词“退款”，向量召回的结果可能偏，因为语义太宽。这时候我会加查询改写，用大模型把查询扩写成更具体的句子，或者用多向量表示，让查询和文档多角度匹配。精度方面，检索完会有一个[[重排]]阶段。向量检索是[[Bi-Encoder]]，速度快但精度一般；重排用[[Cross-Encoder]]，把查询和每个候选文档拼在一起算分，精度高但慢。所以我会先向量粗召回几百个…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配追问：场景切入我看你简历上做过RAG检索系统。假设用户问一个很冷门的专业术语，向量召回效果很差，你打算怎么补救？能不能用个经典算法兜底？层层追问信息检索里TF-IDF你肯定熟悉。……那它有什么缺点？怎么改进？……如果我要兼顾词频饱和和文档长度，你能想到什么算法？直球架构请完整推导BM25的评分公式，解释每个参数的含义，重点说明它相比TF-IDF在词频饱和度和长度归一化上的改进，再谈谈它在RAG里的应用价值。

#美团#BM25#BM25 算法原理

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…的一个成熟基线，尤其在冷启动或者小样本场景下比纯向量检索靠谱。但真要上线，我更倾向混合检索加 [[Rerank]]，先用BM25和向量召回来个粗排，再用 [[Cross-Encoder]] 精排，这样精度和召回都能兼顾。一句话定位：BM25解决词频和长度问题公式拆解：饱和函数和长度归一化对比TF-IDF的改进点业务场景：客服退款文档检索落地风险与混合检索可延伸点：b参数对短文档的影响约4分钟 b参数对短文档友好度的影响及调优方法面试官可能会追问b参数的具体调优…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

Embedding 模型结构选型

匹配追问：场景切入假设你在做电商的语义搜索，用户搜“红色连衣裙”，你打算用向量召回。你会选什么模型来生成商品标题的向量？输出维度一般设多少？为什么选这个维度？层层追问文本Embedding的模型结构有哪些？……那这些模型输出的向量维度一般是多少？……维度越大效果越好吗？那你实际项目里怎么选维度？直球架构设计一个文本Embedding模块，要求效果和效率平衡。你选什么模型结构？输出维度设多少？为什么？维度对检索性能和存储有什么影响？

#美团#向量检索#Embedding 模型结构选型

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…键。所以我会优先保证召回率，哪怕牺牲一点精度，然后用重排序拉回来。这个思路在客服退款场景里特别有效，用户说“我买的东西坏了”，先用向量召回相关政策，再用规则过滤掉不匹配的品类，最后给出准确答复。一句话定位：语义搜索的本质是最近邻搜索向量化：把文本变成稠密向量索引构建：HNSW和IVF的取舍相似度计算：余弦、点积、欧氏距离怎么选完整流程与工程落地：混合检索、重排序、风险点约4分钟向量检索和关键词检索的权重融合问题，是手动调参还是用模型动态学习。面试官可能会追问混…

#美团#Embedding相似性检索#Embedding 相似性检索