匹配正文：…NT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/MRR与长尾质量变化要实测，不承诺固定<2%。增量更新：避免全量重建索引，使用HNSW的动态插入特性学习建议建议系统学习该知识点参考资料 Faiss官方内积、余弦与L2关系 DPR原论文的成对查询/文档编码器 BGE-M3官方模型卡与最大序列长度 Sentence Transformers官方Embedding量化与校准

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配正文：…y → Embedding模型 → 向量 → ANN索引检索 → Top-K候选 → 重排序（可选）→ 返回工程要点：索引需定期增量更新；大流量场景做查询缓存；关键业务加向量+关键词混合检索。

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：… 研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：答案有来源引用，便于人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garbage in, garbage out"）多跳推理、跨文档关联能力弱上下文窗口限制，过多检索结果会稀释注意力演进方向 Advanced RAG：查询重写、HyDE（假设文档嵌入）、递归检索 Modular …

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#RAG应用场景#RAG 技术实现

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：…d(vectors) # 批量添加 faiss.write_index(index, path) # 持久化 5. 索引更新策略增量更新：HNSW支持动态插入，但可能退化需定期重建双buffer切换：重建新索引期间读旧索引，完成后原子切换冷热分层：热数据HNSW全量，冷数据IVF_PQ压缩存储参考资料 Faiss官方索引结构与存储口径 Faiss官方index_factory与粗量化器 Faiss官方内积、余弦与L2关系

#拼多多#ANN索引构建#ANN 索引构建

面试题·Agent· 小红书

长序列行为数据怎么处理?

匹配口述回答：…估，比如定期用摘要回放历史行为，看召回率有没有掉。另外，实时性也是个挑战，新发布的笔记得在几分钟内进入用户记忆。我会给冷记忆建一个增量更新通道，新行为先进热记忆，再异步写入向量索引。还有一个常被忽略的点是负信号，比如曝光但没点击的记录，它们其实很重要，能反映用户不喜欢什么。我会在采样时给负样本一定权重，不能全丢了。说到这个，我最近在思考一个问题：当用户行为包含[[多模态]]内容，比如图文和视频混在一起，怎么把它们映射到统一的embedding空间里？直接用 [[CLIP]]…

#小红书#Agent#长序列行为数据

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配口述回答：…精度损失可控。数据库选型上，[[FAISS]]是底层库，灵活但需要自己搭服务，适合有工程能力的团队。Milvus开源云原生，支持增量更新和标量过滤，适合企业级生产环境。Pinecone全托管，零运维但贵，适合MVP快速验证。Weaviate支持向量和[[BM25]]混合查询，适合需要关键词加语义联合召回的场景。结合[[RAG]]系统需求，我的选型决策框架是精度、延迟、成本三者的平衡。举个例子，客服退款场景，知识库是常见退款原因和解决方案，数据量几十万条，延迟要求毫秒级。我…

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配口述回答：…更新时，如果直接修改图索引，召回质量会剧烈下降。所以我会用双缓冲策略，一个 base 索引负责线上查询，一个 delta 索引接收增量更新，定期合并重建。构建完用一批固定 query 回放，对比 Recall@K 和延迟，通过才原子切换，不通过就回滚。其实还有个容易被忽略的点：当业务文档频繁更新时，比如每天新增几千条政策，增量索引的实时性和一致性很难同时保证。我一般会按更新频率做冷热分层，热数据用小索引高频更新，冷数据用大索引低频重建，但具体阈值怎么定，得看业务容忍度。所…

#字节#向量检索#Chunk 向量化

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：…效果都会崩，所以一定要先做离线评测，用Recall@K和MRR指标卡一下。另一个是索引的实时更新，知识库频繁增删时，HNSW索引的增量更新容易导致召回率下降，我一般用软删除加定时重建的策略。还有一个方向，就是单向量检索有时候不够，比如用户问题里有否定词或条件限定，向量空间里可能区分不开。这时候可以用[[ColBERT]]这种交互式模型做后期交互，或者用[[Self-RAG]]让模型自己判断召回的内容是否相关。所以整体上，我会把语义匹配看成嵌入模型定上限，向量数据库保下限。…

#字节#文档处理#向量检索

面试题·文档处理· 京东

RAG 分块策略选型

匹配口述回答：…。但不管哪种，都得匹配embedding模型和LLM窗口，留足生成余量。另外，如果文档更新频繁，比如政策每周变，分块策略还得考虑增量更新。我倾向用版本号标记每个块，检索时只取最新版本，避免旧政策污染。总的来说，分块没有银弹，核心是理解业务场景和模型能力，然后给出一个可调、可观测的方案。分块本质是精度与完整性的取舍固定长度和语义分块适用边界重叠和元数据的落地技巧真实场景：客服退款政策检索风险与倾向约4分钟文档频繁更新时，分块需要增量更新策略，比如版本号标记，避…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…指标，在RAG里优先级可以放低一点。这里有个常见的失败场景，就是知识库频繁更新。比如企业客服的退款政策经常变，如果向量索引不支持增量更新，每次全量重建不仅耗时耗资源，还会造成服务中断。我的做法是维护一个base索引和一个delta索引，新文档直接插到delta里，查询时合并结果，然后定时异步把delta合并到base。如果文档删除或修改，我不用原地操作，而是软删除加版本号过滤。上线前我一定用一批历史query回放，对比新旧索引的Recall@K和延迟，达标才原子切换，不达标…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配口述回答：…引共存，线上查询先走新索引，如果召回率不足再回退到旧索引，同时后台异步重建。但这里有个坑，如果更新太频繁，重建压力会很大，需要设计增量更新机制。所以整体上，我更愿意把领域RAG助手看作一个知识可信的工程系统，而不是单纯堆模型。从数据切分到检索融合，再到生成约束和评估闭环，每一步都要为可解释和低容错服务。一句话定位：领域RAG本质是知识可信与可解释数据处理：语义分块与知识图谱补充检索系统：混合召回与查询改写生成模型：引用溯源与安全拒答评估与持续优化：专家闭环与Bad…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配口述回答：…迟扛不住。这里有个风险点：索引构建和更新。HNSW 构建很吃内存，如果数据频繁更新，直接原地动图索引会导致召回率下降。我的做法是增量更新走软删除加异步重建，用双缓冲影子索引，构建完用固定 query 集回放对比 Recall@K 和延迟，达标才原子切换，不达标回滚。上线后还要监控内存和查询 P99，防止 OOM 或者慢查询打满。所以我的选型思路是：先明确业务对延迟和规模的容忍度，再挑索引类型，然后看扩展性和生态集成。没有万能方案，我更倾向先用成熟的开源方案比如 Milvu…

#京东#评估与监控#向量数据库选型

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：…补不回来。多租户系统尤其要说明权限过滤发生在召回前还是召回后：召回后再过滤可能造成候选不足，也可能让不应访问的文档进入缓存或日志。增量更新还要验证旧向量删除、索引切换和查询缓存是否使用同一文档版本。评测也要分层。召回阶段可以看 Recall@K，排序阶段根据单答案或多证据场景选择 MRR、NDCG，同时按专有名词、长问题、模糊问题等查询类型切片。线上还要记录引用正确性、无答案识别、P95 延迟、索引新鲜度和单次查询成本。只有指标定义、标注集和样本量都能解释，结果才可信。消…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配口述回答：…贵，我倾向用大小模型级联，小模型先过滤掉简单 query，大模型只处理高价值复杂 query。三是数据实时性，比如促销信息，必须能增量更新索引，不能每次全量重建。另外，我特别关注检索质量怎么量化。光靠 Recall 不够，我会用 [[RAGAS]] 框架里的忠实度和答案相关性指标，再结合用户点击反馈做线上评估。如果面试官有兴趣，我们可以聊聊怎么在离线阶段模拟线上分布，避免评估偏差。所以我对大模型在搜索里的定位是：它不是替代传统搜索，而是补充传统搜索做不到的语义理解和多跳推…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…e是分块不合理导致的，就回头调分块策略。另外，当知识库频繁更新时，比如电商每天上架新商品，传统RAG的索引重建成本很高。我倾向用增量更新加双缓冲索引，但一致性校验是个坑，比如旧索引里删了某条数据，新索引还没建好，查询时就会返回过时结果。这块我还在探索更稳定的方案。所以整体上，我更倾向把RAG看成一套持续迭代的系统，而不是一次搭完就完事。数据质量、检索策略、模型调优，每个环节都要根据业务反馈不断调整。一句话定位：RAG本质是查文档+读文档的工程化数据准备：分块是核心难点…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配口述回答：…问题图构建与抽取的坑混合检索怎么落地业务场景与风险我的取舍约4分钟图更新时增量构建与一致性校验的挑战面试官可能会追问增量更新的具体方案，比如如何处理实体冲突、如何保证图谱与文档库的一致性。

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配口述回答：…控，太细碎片化，太粗信息损失。我用层次化社区，Leiden算法多级分辨率，查询时自适应选粒度。这里有个点值得深挖，就是图谱构建的增量更新策略。我倾向用变更日志加版本控制，只处理新增或修改的文档，避免全量重建。但一致性校验很关键，我会用一组固定query回放，对比Recall和延迟，通过才切换。所以我会把GraphRAG看成一把手术刀，不是万能锤。高频复杂查询场景，比如金融风控、医疗诊断，值得做专项图谱；简单问答还是走向量检索更轻量。真正落地常常是混合架构，向量和图共存，按…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配口述回答：…ma但高动态，商品上下架频繁，[[多模态]]属性图文关联。我会针对商品类目体系做分层设计，高频查询用属性图，低频长尾用RDF，同时增量更新用事件驱动，避免全量重建。还有一个容易被忽略的点，就是图谱构建的时效性。比如电商大促期间商品属性频繁变化，如果图谱更新不及时，检索出的路径可能已经过期，导致推荐错误。我会特别关注增量融合时的实体消歧和冲突消解，否则知识冲突会让检索结果自相矛盾。所以整体上，我更倾向于把[[GraphRAG]]看作一个精度放大器，而不是万能方案。它适合高价值、…

#淘天#多模态#GraphRAG 难点

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配口述回答：…文扩展。说到结合，我最近在关注一个方向：怎么让GraphRAG的图结构动态更新。因为业务数据是流式的，实体和关系会变，如果图不能增量更新，每次都要全量重建，成本太高。我初步的想法是用事件驱动的图更新框架，配合版本控制，但一致性保证是个挑战。这块我还在探索。所以整体上，我会把GraphRAG看成传统RAG的增强插件，而不是替代品。它的优势本质是用结构化先验补偿了纯统计方法的语义漂移，但前提是数据质量要够好、场景要匹配。本质问题：从语义相似到结构关联显式关系建模：解决指代…

#百度#知识图谱#评估与监控

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配口述回答：…时性一致性的取舍与工程策略联动RAG的注意事项落地风险与判断收尾约4分钟图谱更新与RAG的Chunk更新策略的联动，尤其是增量更新而非全量重建的挑战面试官可能会追问：具体怎么实现增量Chunk更新？或者问事件溯源在图谱更新中的适用性

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 百度

GraphRAG 必须用图数据库吗?

匹配口述回答：…。不过这里有个坑，图数据库的写入性能通常比向量库差，如果业务是高频更新的，比如每分钟都有新活动上线，你得上实时流处理加图数据库的增量更新，不然查询结果会滞后。这个点面试官可能会追问你是怎么权衡的。所以我的判断是，图数据库在复杂关系推理、动态更新、大规模场景下有不可替代性，但技术选型不能教条。我更倾向的做法是：先看数据规模，小规模用NetworkX加向量库；再看查询复杂度，简单两跳用向量库预计算；只有真的需要多跳推理和结构化约束时，才上图数据库。而且很多时候，图数据库和向量…

#百度#知识图谱#GraphRAG 图数据库

面试题·RAG· 蚂蚁

增量式向量索引怎么更新?

匹配追问：场景切入假设你在做电商的实时向量检索，商品信息每天频繁更新，用户搜索刚才还搜不到新品，过一会儿就要能搜到。这个增量更新你怎么设计？层层追问向量索引更新一般怎么做？……如果知识库每秒都有新向量加进来，还有删除操作，你直接重建索引肯定不行……那怎么保证实时性又不牺牲召回率呢？直球架构设计一个支持高频更新的增量向量索引，要求准实时生效、检索质量不下降。你会怎么分层？用什么索引结构？删除和追加分别怎么处理？

#蚂蚁#增量式向量索引#向量索引更新

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的判断是，我更倾向数据驱动的思路。因为LLM应用的核心瓶颈往往不是流程复杂，而是数据质量和检索精度。我会把LlamaIndex作为数据底座，LangChain作为上层的调度层。如果只能选一个，我选LlamaIndex，因为大多数场景下，先把检索做好，比先把流程做复杂更重要。本质是问LLM应用的两条路：工作流编…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 小红书

生成式推荐系统未来怎么发展？

匹配口述回答：…ache复用会引入过时兴趣，用户口味变了，缓存还是旧的。所以我会加一个时效性衰减，比如一周以上的缓存权重降低，或者用用户最近行为做增量更新。应用场景上，[[多模态]]是小红书的天然优势。图文和视频内容可以直接作为生成目标，从推荐现有笔记演进到生成个性化摘要，甚至组合生成穿搭方案。但落地要小心生成质量不可控，比如生成的内容和用户真实兴趣偏离，或者多样性下降。我倾向用可控生成，比如Constrained Decoding限制输出必须包含某些核心属性，再配合线上A/B测试，先小流…

#小红书#生成式推荐趋势#生成式推荐系统