匹配正文：… 长文档计算开销大结构感知（按段落/标题）技术文档/论文依赖解析质量重叠策略：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否真的改善跨边界证据召回性能影响：块过小→检索碎片化；块过大→Embedding稀释、召回噪声 4. Embedding生成模型选择：通用场景用BGE/M3E，垂直领域需微调（如法律/医疗）批处理优化：GPU并行、动态长度填充质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建索引结构： HNSW：高召回、内…

#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?

匹配正文：…量化流程核心步骤 Chunk策略：先按语义段落和结构边界切分，再把多组固定长度与重叠窗口作为候选；由模型输入限制、文档结构和同一评测集上的证据完整率、召回与成本决定嵌入模型编码：将文本映射为稠密向量（通常768或1024维）索引构建：选择ANN算法（HNSW、IVF-PQ等）建立可高效检索的数据结构二、常用嵌入模型对比模型特点适用场景 OpenAI text-embedding-3 语义质量高，API易用，按token计费快速验证、中小规模、预算充足 BGE/…

#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?

匹配正文：…度、递归切分与语义分块作为候选，按段落或句子保留边界块大小权衡：太小丢失上下文，太大引入噪声将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：BGE、GTE、E5系列垂直领域建议微调，使用领域语料对比学习多语言场景需确认模型跨语言对齐能力 3. 向量数据库核心配置参数作用典型设置索引类型 HNSW（高召回）vs IVF（快建索引） HNSW，ef_construction=200 距离度量余弦相似度…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#文档处理#向量检索

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配正文：…杂文档 LLM判断边界，成本高但最精准关键最佳实践 1. 重叠策略（Overlap）把零重叠、短窗口与较长窗口列为候选，在同一评测集上验证是否减少跨边界证据缺失对代码、法律条文等边界敏感内容尤为重要 2. 边界感知优先在段落、句子边界切分，不在词中间断开特殊内容（表格、列表）尽量保持完整 3. 尺寸匹配参考embedding模型的训练长度（如text-embedding-ada-002用8191 tokens）预留LLM的上下文空间：chunk大小 + prom…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配正文：…构依赖格式规范 Markdown、HTML、代码关键工程实践重叠策略（Overlap）比较零重叠、短窗口与较长窗口，用同一评测集确认是否改善边界上下文断裂对QA类任务尤为重要，答案常跨块边界多粒度设计（Parent-Child）较小块用于精准检索（具体长度作为候选变量）较大块用于生成上下文（具体长度受模型窗口与证据完整性约束）通过元数据关联，兼顾召回与理解动态切块结合LLM判断语义完整性（成本较高）或用聚类算法（如BERTopic）发现自然主题边界选…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配正文：… Agentic切分用LLM判断最佳切分点高质量要求场景，成本较高工程实践要点：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息丢失保留元数据（来源、页码、标题）用于过滤和重排序对表格/代码等特殊内容单独处理，不强行按长度切学习建议建议系统学习该知识点

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…性要求高的文档关键权衡：块太小可能缺上下文，块太大可能引入噪声。应把多组 chunk size 与 overlap 组合放进同一评测集，比较召回、答案质量和成本。 3. 向量化与存储 Embedding选型：中文用BGE、M3E，多语言用E5、OpenAI text-embedding-3 向量数据库：Milvus（大规模）、Qdrant（易用）、Elasticsearch（混合检索方便）索引构建：HNSW（图索引，召回率高）、IVF-PQ（内存友好），根据数据规模和延迟…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 字节

医学论文与法律条文切块

匹配正文：…/讨论）切分表格单独处理：表头+关键行作为独立chunk 重叠窗口（Overlap）把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息丢失实践经验 chunk大小：根据文档结构、Embedding输入限制与同一评测集上的召回、证据完整率和成本选择，不照搬固定范围效果验证：用真实query召回测试，看top-k能否覆盖答案来源学习建议建议系统学习该知识点

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…"id_xxx", "id_yyy"] // 引用关系 } 3. 重叠策略（Overlap）比较零重叠、短窗口和较长窗口，用同一评测集验证是否缓解边界信息丢失对法律引用链（如"参见第X条"），需在metadata中显式链接 4. 多粒度索引粗粒度：章节级（用于过滤）细粒度：段落/条款级（用于精确匹配）一句话总结专业RAG的切块不是预处理步骤，而是知识建模——把文档的结构权威转化为检索系统的可解释性。学习建议建议系统学习该知识点

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…：法律合同、学术论文等结构清晰的文档 3. 滑动窗口/重叠分块实现：设定块大小与滑动步长，相邻块重叠；两者都作为待测变量，由同一评测集决定优点：避免边界信息丢失，保证上下文连贯性缺点：存储冗余增加（~2倍），检索可能返回重复内容需去重适用：对话历史、代码等强上下文依赖场景 4. 智能分块（进阶） Agentic分块：用LLM判断断点（如"此处是否完成一个完整论点"）结构化分块：针对Markdown、JSON、代码按语法树切分选型建议场景推荐策略快糙猛上线固…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…LLM判断分割点；成本最高但效果最优关键实践技巧重叠分块（Overlapping）把零重叠、短窗口与较长窗口作为候选，在同一评测集上比较证据完整率、召回与冗余成本特别适合问答场景，答案恰好跨边界的情况元数据增强为每个chunk附加标题、来源、时间等标签检索时可做过滤，生成时可注入prompt提升可信度动态分块根据查询意图选择块大小：摘要类用大chunk，事实类用小chunk 选型建议 ToB知识库（合同、手册）：优先比较结构感知、递归与语义分块，验证条款完整…

#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·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…call@K、证据完整率、答案正确性、延迟和索引膨胀。重叠处理不要预设固定比例：把零重叠、短窗口和较长窗口作为候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、…

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：…需结合Embedding输入限制、文档结构和LLM上下文预算提出候选重叠（Overlap）比较零重叠、短窗口与较长窗口，用同一评测集验证边界证据完整性边界对齐优先在句号、换行处切割，避免截断句子元数据保留记录来源位置、标题等，用于重排序和答案溯源实践选型建议通用文档：递归分块 + 适度重叠，平衡效果与成本问答场景：比较多组粒度与重叠窗口，联合验证命中率和证据完整性长文摘要：比较较大块、父子索引与结构分块，验证上下文完整性和噪声混合策略：先结构化提取，再对…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配正文：…：简单、对齐向量索引、便于批处理缺点：可能切断语义，边界信息丢失 2. 滑动窗口分块把零重叠、短窗口和较长窗口作为候选，用同一评测集比较边界证据完整率、召回与成本保证上下文连续性，减少边界效应代价：存储和计算成本上升 3. 语义分块（推荐）基于句子/段落边界切分，保持语义完整可用NLP工具（spaCy、NLTK）或模型判断语义边界中文场景需特别注意：按标点切分优于按字符切分 4. 结构化分块按文档结构切分：标题→章节→段落适合PDF、Markdown等结构化…

#百度#文本分块#chunking 策略

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…量，需针对不同格式定制适用：合同、论文、报告等结构化文档工程实践建议多数场景应先比较结构分块、递归分块与不同重叠窗口，用同一评测集权衡效果与成本块大小候选由Embedding输入限制、文档结构、查询类型和LLM上下文预算共同决定复杂场景可组合策略：先结构分块，大块再语义细切

#百度#文本分块策略#RAG chunking

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配正文：…提出分块候选重叠只解决边界问题，也会带来重复索引与召回冗余用结构边界、父子关系和原文位置保障语义完整性所有参数都要在同一业务评测集上比较，不能把经验范围当结论核心思路文档分段会同时影响召回、重排、生成和引用。真正要优化的不是某个chunk_size，而是让问题能召回完整证据，同时控制噪声、延迟和存储成本。分块长度的权衡候选策略更适合观察的场景主要风险较短分块局部事实、错误码、条款定位上下文断裂、重复召回较长分块总结、比较、跨句推理无关内容增多、重…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…erU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页脚、统一编码、过滤低信息密度内容元数据绑定：保留标题层级、来源URL、时间戳，用于过滤和重排序嵌入模型选择选型三要素：维度考量语言中英混合选bge-m3、gte-large；纯英文选text-embedding-3-large 上下文长文档需≥8K上下文，否则先做摘要领域垂直领域用微调…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：…细分，保持结构完整语义分块：用模型判断语义边界（如BERT-based分割器）优化技巧：比较零重叠、短窗口和较长窗口，用同一评测集验证是否减少边界信息丢失保留元数据（标题、章节、时间戳），用于重排序过滤三、向量归一化 # L2归一化：将向量映射到单位球面 import numpy as np vector_norm = vector / np.linalg.norm(vector) 作用：消除模长差异，使余弦相似度等价于点积，加速计算四、向量匹配原理与优化余弦相…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…、固定长度滑动窗口和句子级别提出候选关键参数：chunk_size与overlap都是候选变量，结合文档结构、模型输入限制和同一评测集上的召回、证据完整率与成本决定边界优化：优先在标点、段落处切割，避免句子中途截断 2. Embedding模型选型场景推荐模型特点通用中文 BGE-M3、GTE 开源、效果稳定中英混合 E5-mistral、BGE-large 跨语言对齐好垂直领域领域微调（如法律、医疗）术语理解更准确选型核心：MTEB榜单参考 + 业务数…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 美团

Agent 训练链路怎么搭建?

匹配正文：…用和越权尝试；日志先做隐私处理。合成轨迹必须执行验证或人工抽检，不能把教师模型输出直接当真值。按用户、模板或任务族切分训练集与评测集，避免同一提示改写后跨集合泄漏。数据记录工具 schema 版本与环境快照，否则工具升级后旧轨迹可能已经无效。 3. 建立无需训练的基线先用 prompt、少量示例、结构化输出和确定性状态机跑端到端基线。记录任务成功率、工具/参数准确率、无效调用率、重复调用率、越权率、人工接管率、延迟和成本。只有基线错误分类表表明模型行为是主要瓶颈，才进…

#美团#Agent#Agent 训练链路

面试题·评估· 美团

Agent 训练与迭代闭环怎么设计?

匹配正文：…副作用、重复操作、失败恢复、取消与超时；上线先影子或小流量灰度，观察成功率、错误副作用率、人工接管、P95/P99 延迟和总成本。评测集包含正常、工具报错、恶意工具返回、过期状态和跨账号访问，并与训练数据隔离。每次发布保存模型、prompt、工具和评测版本，达到回滚阈值时停止扩量。 6. 按根因迭代将失败归到模型行为、工具 schema、权限、状态机、环境变化或评测缺口。模型问题再补有针对性的数据或训练；接口和权限问题直接修系统。所谓“环境逼真”必须落到真实任务覆盖、错误注…

#Agent#训练闭环#工具调用

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…字面信号两套索引增加延迟、成本和维护复杂度 RRF 只依赖名次，适合不同召回分数难以直接比较的情况；线性加权需要先校准分数，并用评测集确定权重，不能凭经验写一个固定值。 2. 优化顺序先按文档结构切块，并保留标题、章节和权限等元数据。用 query 类型分析决定是否改写、扩展或路由，避免所有查询都调用 LLM。评估召回集合后再考虑 Cross-Encoder 重排，防止用重排掩盖召回缺失。分别记录召回质量、P95 延迟、索引更新时效和单次查询成本。建立 bad c…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 蚂蚁

Agent项目背景与技术方案怎么写?

匹配正文：…束与实验】。主指标【】从【真实基线】到【真实结果】，观察窗口【】，代价【】；失败切片【】，兜底【】。证据自检必须说清指标定义、评测集构造、防泄漏、A/B 单元、灰度和回滚；个人贡献应能落到提交、实验负责人或值班记录。若只能提供方案设想，应改称设计题而不是项目经历。追问入口可继续追问意图体系如何演进、表格等复杂数据如何处理、置信度是否校准、人工接管阈值、成本归因和前后回答一致性。

#蚂蚁#评估与监控#Agent 项目经验

面试题·评估· 蚂蚁

Agent项目挑战与解决方案怎么讲?

匹配正文：…一次真实挑战是【】，通过【日志/实验】定位为【】，采取【】后得到【真实结果】，副作用【】，回滚【】。证据自检检查是否存在基线、评测集版本、失败样本、工具日志、异常码、线上流量和复盘记录。不要把同期发生的业务变化直接归因于模型改动，也不要把团队产出写成个人成果。追问入口面试官可继续追问为何需要 Agent、错误参数如何阻断、长链路如何恢复、模型与规则如何分工、效果提升由哪个改动贡献，以及约束变化后的重设计。

#蚂蚁#评估与监控#Agent 项目经验