匹配正文：答案要点分模块阐述数据预处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG架构：检索器与重排序策略

…拼装，而是检索和生成的桥接，设计时要时刻想着它们怎么配合。先说核心架构，就是检索器加生成器再加一个融合机制。用户query进来，检索器从知识库捞Top-K文档，拼成prompt喂给LLM生成答案。这里有个关键前提：证据漏召回会限制基于该证据集作答，但高召回不保证忠实生成；解析、权限、重排、上下文与生成都要分阶段评估。所以我会把重心放在检索优化上。检索器优化，我一般分两条路走。一条是[[Dense Retrieval]]，用[[Embedding]]做语义匹配，适合长尾qu…

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：

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…以我会先向量粗召回几百个，再用Cross-Encoder精排到Top-10。重排是性价比很高的优化，能显著提升最终效果。效率上，向量可以量化，从FP32降到FP16甚至INT8，裸向量每维从4字节降到2或1字节，总索引还含ID、图和元数据；速度收益需有匹配算子并实测。但量化会损失精度，需要评估是否在可接受范围。另外，热点查询可以缓存，比如常见问题直接返回预计算结果，不用每次都跑检索。对了，还有一个容易被忽视的点：分块策略对召回影响很大。比如固定切分可能把一句话拆到两块里，…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配正文：选型向量数据库，核心看场景匹配度，不能只看 benchmark 数字。 1. 检索性能与索引类型延迟敏感场景（实时对话）选 HNSW，召回率高、查询快，但内存占用大海量数据（十亿级）选 IVF 系列或磁盘索引，牺牲部分召回换存储成本务必关注 filter 下推能力——先元数据过滤再向量检索，避免全量扫描 2. 可扩展性与运维数据量 < 1亿：单节点 Milvus/Pinecone 足够数据量 > 10亿或高并发：需原生分布式（Milvus、Weaviate）或云托…

#京东#向量检索#向量数据库选型

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配口述回答：…编码器；不能任意混用轻重模型，维度一致也不等于空间对齐。若用Faiss内积模拟余弦，query和document都要归一化并处理零向量；任务若用保留模长的内积或原始L2，则不能一律归一化。检索机制这块，向量数据库的核心是 [[ANN]] 索引。我常用 [[HNSW]]，图索引结构，召回率高，延迟可控。如果内存吃紧，就用 [[IVF-PQ]]，倒排加量化，内存取决于码长、ID、码本与索引结构，质量代价要在评估集测量。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…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配口述回答：这道题我会先建立精确搜索基线，再讨论 ANN，而不是直接报一个索引名字。query 和文档必须使用同一 embedding 版本、维度、预处理与归一化方式，距离度量也要和模型训练目标一致。Flat 搜索能够给出真实近邻，虽然规模大时计算成本高，但它是评估近似索引召回损失的参照。数据量上来后可以比较 HNSW、IVF 和 PQ。HNSW 用多层导航图换低查询延迟与较高召回，代价是图结构内存和构建成本，M、efConstruction 与查询 ef 需要联合扫描。IVF 先聚类…

#安克科技#ANN性能权衡#RAG 向量匹配

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：混合检索先过一关：两路分数能直接相加吗？做了两路召回，一路用BM25找字面匹配，一路用向量找语义相近。接下来怎么排？你可能会写下一个很自然的公式：BM25占一半，向量占一半，两路分数加起来，取前几名。面试官追问：“为什么各占一半？”你说希望兼顾关键词和语义。再追问：“BM25给50分，向量给0.9分，这两个一半，实际贡献一样吗？”这时，权重选择还没开始，分数可比性就已经成了问题。它像两个裁判，一个拿米尺，一个拿温度计。工具读数都能写成数字，但不能因为各乘0.5，就认为可…

#RAG#混合检索#RRF

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：…根据业务场景做选择，没有银弹。本质是语义搜索的工程化落地嵌入模型选型要按场景分，通用和垂直不一样文本分块策略要兼顾语义完整和检索精度，重叠窗口是标配向量匹配优化从余弦相似度到ANN，线上常用HNSW加粗排落地风险：分块不合理、模型不匹配、阈值设置不当约4分钟分块策略和嵌入模型是耦合的，长上下文模型允许更大分块，但噪声增加可能降低精度，需要业务调优。面试官可能会追问：具体怎么调这个平衡？有没有经验公式或者评估方法？

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配口述回答：…准确率、延迟、成本，没有一套万能指标能覆盖所有场景。我会把评估分成两个层面来讲：检索层和生成层，因为它们的关注点完全不一样。先说检索层。在 [[RAG]] 系统里，检索是第一步，核心指标是 Recall@K 和 MRR。Recall@K 看的是前 K 个结果里有没有正确答案，MRR 则更看重正确答案排得靠不靠前。举个例子，一个客服退款系统，用户问“我订单超时了，怎么退款”，如果检索没召回退款流程文档，后面生成再强也没用。所以检索层我通常会同时用关键词和向量两种方式，也就是 …

#安克科技#评估与监控#Agent

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配口述回答：这道题其实在问一个很核心的问题：当大模型需要回答涉及多个实体、跨文档的复杂问题时，纯靠向量相似度检索为什么不够，以及怎么用图结构来补上这个短板。我先说[[RAG]]的基础。RAG就是检索加生成两阶段，离线把文档[[切块]]、做[[Embedding]]、存到[[Vector Database]]，在线拿用户查询去搜最相似的top-K片段，然后喂给LLM生成答案。这个流程能解决知识截止和[[幻觉]]问题，但有个硬伤：文本切块会把语义切碎。比如一份合同里提到“甲方”和“乙方”的权…

#字节#知识图谱#GraphRAG

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配口述回答：这道题问的是[[RAG]]检索模块，其实本质是问怎么在召回率和精度之间做工程取舍，而不是单纯讲流程。我按自己的理解来拆解一下。先说检索模块怎么工作。核心就三步：第一步，离线把文档切碎，然后用 [[Embedding]] 模型编码成向量，存到 [[Vector Database]] 里。第二步，用户来了一个查询，同样编码成向量，然后做 [[ANN]] 近似最近邻搜索，召回 TopK 候选。第三步，把结果和元数据拼起来，送到生成模块。这里面有个容易忽略的细节：切分策略直接影响检…

#字节#Query Rewriting#RAG 检索模块

面试题·检索· 字节

RAG检索质量提升5法

匹配口述回答：我会把 RAG 检索优化分成检索前、检索中和检索后三个阶段，并为每一步做独立评测。检索前可以做指代消解、纠错、查询改写、多查询和子问题分解。HyDE 用假设文档帮助匹配表述差异较大的资料，但生成内容偏移也可能带来噪声，所以要和原查询基线比较，不能默认更好。检索中通常并行使用 BM25 与稠密向量召回。两路分数尺度不同时，RRF 是稳健的无监督基线；有可靠标注时，也可以使用分数归一化、线性融合或学习排序。随后只对有限候选使用 Cross-Encoder 重排。候选数没有通用…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…到这里，其实还有一个更前沿的方向我没展开，就是基于图的检索增强，比如 [[GraphRAG]]，它在处理多跳、关系密集的问答时比纯向量检索强很多。比如企业合规文档里，一个条款可能引用另一个条款，图结构能显式建模这种依赖关系。但它的构建和维护成本也更高，不是所有场景都适用。所以整体上，我更倾向把RAG检索看成多路召回加精排过滤的管线，而不是依赖单一技术。上线前我会特别注意分层检索的延迟预算，以及重排序模型的大小和[[蒸馏]]。如果离线评估时 [[Faithfulness]…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配口述回答：…，但更新成本高、容易遗忘；RAG是把知识挂在外面，需要时再查，这样知识更新和模型解耦。整体架构分两条线：离线把知识库建好，在线做检索和生成。先说离线部分，核心就是把文档变成可检索的向量。文档解析这块，PDF、网页、Word格式不一样，我一般会保留标题层级和表格位置，因为这些对后面[[分块]]很重要。分块是个关键决策，固定长度切分最简单，比如512个token一块，但容易把逻辑相关的句子拆散；语义分块效果好，但依赖模型且慢。真实落地时我倾向用递归分块，先按段落切，超过上限再按…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…数据里的记忆，而是实时从外部知识库里查东西来回答问题。说白了，就是给模型配一个外挂知识库。整体流程分两步走，先离线建索引，再在线跑检索加生成。先说离线索引。原始文档不能直接喂给模型，得先[[切块]]。切多大？我一般控制在256到512个token，太小上下文不够，太大噪声多。然后用 [[Embedding]] 模型转成稠密向量，存到 [[Vector Database]] 里，常用 [[Faiss]] 或 Milvus，建 [[HNSW]] 索引加速搜索。这里有个坑：chu…

#美团#RAG架构#RAG 系统架构

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：这道题问的是[[RAG]]系统里召回链路的优化，其实本质上是在问怎么在覆盖、效率和精准之间做平衡。我先说检索器选择。[[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…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配口述回答：这道题其实是在问，当检索这个环节失灵了，系统怎么还能给出一个靠谱的答案。本质上是[[RAG]]系统的边界问题，就是知识库覆盖不到、或者检索质量差的时候，怎么保证不崩。先说清楚，检索失败不只是没结果。我一般会先区分两种：一种是零结果，[[向量库]]什么都没返回，这可能是[[embedding]]或者索引有问题；另一种是低质量结果，有东西但相似度不够，或者Top-K之间得分差距太大，这种其实更常见更麻烦。对零结果，我第一反应不是直接放弃，而是查一下是不是Query本身有问题。…

#百度#小鹏#美团

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：…度不同 LLM的作用：跨片段整合、冲突检测、逻辑补全，重建完整叙事 3. 幻觉控制：约束生成 vs 自由编造方式问题直接输出检索文本可能答非所问，或信息过时、片面纯LLM生成高幻觉风险，编造看似合理的内容 RAG的LLM生成是约束条件下的再创造：以检索内容为事实锚点，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…

#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：核心差异定位下表只比较BGE-M3的dense模式与BM25。BGE-M3官方还支持sparse与multi-vector检索，不能把整个模型等同于单一稠密检索。维度 BGE-M3（稠密向量） BM25（稀疏词频）匹配方式语义相似度（cosine）精确词项匹配优势场景同义改写、跨语言、长语义理解专有名词、短查询、实时性要求高典型短板冷启动、罕见实体、计算开销语义鸿沟、词形变化敏感关键评估指标质量指标 Recall@k：前k个结果命中的相关文档数 / …

#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

匹配正文：…在统一模型中显式建模内容/缺失历史特征；按数据和风险决定，线上实验分新老用户与物品观察。学习建议掌握推荐系统粗排流程，理解常用评估指标如AUC、GAUC，并学习冷启动场景下的embedding初始化与迁移学习方法。参考资料 Stanford信息检索教材 Stanford排序评估

#哔哩哔哩#评估与监控#向量检索

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配标题与标签：GraphRAG 为何召回更精准? 知识图谱结构 vs 向量/关键词检索,结构化召回机制解析知识图谱百度知识图谱评估与监控 GraphRAG 结构化召回知识图谱检索百度

#百度#知识图谱#评估与监控

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都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：…

#专题学习#RAG 面试题大全与知识体系

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…dge 字典 = 工程系统里的知识库(通常会换成一批经过解析、切分并写入索引的文档块); 你写的 retrieve = 真实系统的检索模块(把"关键词匹配"换成"向量检索 + BM25",第 4、5 章); 你写的 answer 里"把 context 当依据" = 真实系统的上下文拼接 + 生成(换成 Prompt 工程 + 真·大模型,第 9 章)。换句话说:你这 20 行代码演示的是 RAG 的最小逻辑骨架;后面 9 章会逐步补上解析、切分、索引、评估和引用等工程环节…

#RAG#检索#项目实战