匹配正文：…有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：为什么这样分块、召回率怎么测、混合检索和重排为什么要加、幻觉怎么归因。背概念挡不住追问，最好把一个完整 RAG 系统亲手做一遍。没做过 RAG 项目，直接背面试题有用吗？用处有限。面试官继续追问时会检查实现、实验与职责。…

#专题学习#RAG 面试题大全与知识体系

面试题·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配标题与标签：FAISS 怎么实现高效 ANN 搜索? IVF 与 PQ 索引结构原理,近似最近邻搜索核心机制推理优化向量检索近似最近邻搜索量化压缩倒排索引 RAG基础设施 2026真题 FAISS 原理 IVF 索引 PQ 索引系统优化与推理加速字节

#向量检索#近似最近邻搜索#量化压缩

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配题目：当智能Agent需要维护大规模的长期记忆时，应如何设计存储架构？请说明在面对海量历史记录时，如何通过索引、向量检索或分层结构等手段优化查询效率。

#字节#蚂蚁#Agent

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

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配标题与标签：Agent 长期记忆存储结构海量历史记录下优化检索效率与相关性排序的方法 Agent 字节蚂蚁向量检索 Agent 长期记忆记忆存储结构检索效率优化相关性排序字节

#字节#蚂蚁#向量检索

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：… 按对话轮次分块，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存…

#高德#Agent#向量检索

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配标题与标签：RAG 数据处理与索引流程? 从原始文档到知识库的完整步骤,解析各阶段技术要点文档处理字节文档处理向量检索 RAG 数据处理流程 RAG 索引构建 RAG 知识库构建字节

#字节#文档处理#向量检索

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：…点，降低虚构概率同时保留语言组织能力：统一语气、结构化输出、多语言翻译对检索内容的可信度进行隐式评估（训练所得）一句话总结：向量检索解决"找得到"，LLM生成解决"说得对、说得通、说得完整"。学习建议建议系统学习该知识点

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：…首个相关文档排名的倒数均值，反映排序质量 NDCG@k：考虑位置衰减的加权得分，适合有明确相关性等级的场景效率指标 P99延迟：向量检索需关注HNSW索引构建与查询耗时 QPS/内存：BGE-M3需embedding服务和向量存储，BM25轻量权重考量与决策框架业务场景驱动（以抖音为例）：场景策略理由短视频标题搜索 BM25为主 + 向量重排标题短、关键词明确，BM25召回快视频内容理解/问答 BGE-M3为主需理解画面描述、口语化表达直播实时弹幕检索 …

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 哔哩哔哩

粗排冷启动指标与路径

匹配标题与标签：粗排冷启动指标与路径评估粗排性能的关键指标及新用户/新物品冷启动技术路径评估哔哩哔哩评估与监控向量检索粗排模型冷启动粗排模型评估指标新用户冷启动新物品冷启动哔哩哔哩

#哔哩哔哩#评估与监控#向量检索

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

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…LLM生成：模型基于检索到的证据作答，可溯源关键优化点环节常见问题优化手段检索语义不匹配查询改写、HyDE（假设文档嵌入）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适应检索判断）典型变体 GraphRAG：用知识图谱替代向量检索，处理复杂多跳推理 Self-RAG：模型自主判断是否需要检索，避免过度检索实际落地时，检索质量决定RAG上限，建议先做检索评测（Reca…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…序） Cross-Encoder重排：用交互式模型（如bge-reranker）对召回Top-K精细打分，精度高但慢多阶段级联：向量召回→BM25过滤→Cross-Encoder精排，平衡效率与效果四、索引层面优化分块策略：按语义切分（而非固定长度），保证chunk内语义完整元数据过滤：先按时间、类别等标签过滤，缩小检索范围摘要索引：存储chunk摘要+原文，用摘要做向量检索减少噪声一句话总结：检索质量 = 查询理解（改写）× 召回广度（混合检索）× 排序精度（重…

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…档嵌入）：让LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_se…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（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…

#阿里云#重排与优化#向量检索

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：答案要点能列举至少3种检索方法（向量检索、关键词检索、混合检索等）并对比优缺点阐述技术选型的核心考量维度（数据特征、延迟要求、精度要求、成本）给出具体的性能优化手段（索引优化、重排序、缓存策略）体现工程权衡思维，而非单纯罗列技术常用检索方法对比方法核心机制优点缺点适用场景稠密向量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：为什么要混合检索稀疏检索和稠密检索利用的信号不同：BM25 擅长实体名、编号、错误码和查询词共现；双塔向量检索能够召回词面不同但语义接近的文本。二者都可能失败，混合检索的价值是扩大互补覆盖，而不是保证每个查询都优于单路。两类检索与分数 Sparse/BM25 基于倒排索引，对查询词的 IDF、文档内词频饱和和长度归一化加权。分数受实现、语料统计和查询长度影响，没有可跨系统直接比较的固定尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配题目：请描述RAG（检索增强生成）的完整工作流程，并说明在构建向量检索库时，如何应对信息时效性衰减对检索召回效果的影响。

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 小红书

中文知识库检索选型

匹配题目：请列举并说明RAG（Retrieval-Augmented Generation）系统中常用的检索方法，包括基于稠密向量检索和稀疏检索的技术及其优缺点。

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配标题与标签：ANN 索引怎么构建? RAG 中近似最近邻索引流程与关键技术选型检索拼多多 ANN索引构建 ANN 索引构建 RAG 向量检索近似最近邻技术选型拼多多

#拼多多#ANN索引构建#ANN 索引构建

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：为什么不能只取并集 BM25 和向量检索适合放在同一条在线召回链路中，因为两路检索擅长的问题不同。 BM25 更重视字面命中。查询里出现制度名称、专有名词、编号、缩写或某个精确短语时，它能把包含这些词的文档拉回来。向量检索更重视语义接近。用户使用口语、同义表达或较长的问题描述时，即使文档没有出现完全相同的词，也可能被召回。两路结果取并集，可以扩大候选覆盖，却还没有回答“谁应该排在前面”。如果直接按 BM25 列表在前、向量列表在后，排序偏向第一路；如果轮流抽一条，两个检索器…

#RAG#检索与重排#RRF

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…，各自检索，再合并互补证据。但拆分之后要检查最终证据是否覆盖完整问题，不能只回答其中一半。 HyDE 为什么有效，又为什么危险？向量检索比较的是 Query 与文档在语义空间中的接近程度。问句通常很短，文档却以完整陈述出现。HyDE 生成的假设答案包含更多主题词和上下文，向量形式可能更接近真正答案文档。但这段假设答案没有经过知识库验证。它可能补错实体、时间和结论，也可能在资料根本没有答案时生成一段看似完整的说明。如果系统把假设答案直接展示给用户，就已经越过了 RAG…

#RAG#检索与重排#RAG Query 重写

面试题·Agent· 字节

Agent 长期记忆存哪里?

匹配正文：…势：突破上下文长度限制，信息密度高劣势：摘要失真（信息损失），生成成本高适用：超长对话归档、核心事件提炼关键权衡矩阵维度向量DB KV Store 摘要记忆检索延迟高极低低（预计算）存储扩展性差（维度膨胀）优优检索质量语义相关但可能漏关键精确但无泛化宏观连贯但细节丢失工业界实践：分层混合架构 L1 工作记忆：当前对话窗口（2-4K tokens） L2 向量检索：近期相关片段（Chroma/Milvus） L3 摘要归档：压缩后的长期历史（…

#字节#百度#Agent

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…量混合检索 pgvector PostgreSQL扩展已有PG基础设施，数据量<100M Faiss 纯索引库、轻量实验环境、嵌入式部署 5. 索引构建与优化索引算法：HNSW（高召回、快查询，内存占用大）vs IVF（省内存、适合十亿级）参数调优：HNSW的M（连接数，通常16-64）、efConstruction（构建精度）增强策略：多向量表示：一个文档存摘要向量+详细内容向量元数据过滤：先按时间/类别过滤再向量检索增量更新：处理新增文档的索引合并策略学…

#美团#RAG 知识库构建#文档预处理

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…重写（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rerank）：用Cross-Encoder等交互式模型精排，捕捉细粒度相关性负样本硬挖掘：把"语义近但任务远"的样本加入训练，拉远embedding 3. 数据侧根治收集业务真实的<查询, 相关文档>对，微调Em…

#Embedding#Rerank#RAG 检索相关性