匹配口述回答：…ncoder]]二次精排，把噪声压下去；另一条是[[Hybrid Search]]，把[[BM25]]和向量检索结合，关键词匹配和语义匹配互补。这里有个坑：重排模型不能太慢，否则延迟受不了，上线前一定要压测P99。还有，如果业务文档本身质量差，比如全是[[OCR]]错字，那重排也救不了，得先清洗数据。再一个，上下文稀释。模型上下文窗口再大，有效信息被一堆无关段落淹没，注意力就散了，典型的就是Lost in the Middle现象。我的做法是动态上下文压缩，用个小模型先过滤…

#淘天#知识图谱#RAG 痛点

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百条，再用 [[Cross-Encoder]] 精排一遍，把最相关的前几条送进生成，能显著减少噪声。说个真实业务场景吧，比如电商客服的退款政策问答。用户问“七天无理由退货的运费谁出”，如果只用LLM微调，模型可能记错或者把旧政策当答案。用RAG的话，我把最新版的售后规则文档…

#字节#外部知识检索#RAG 原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：…n，太小缺上下文，太大检索容易跑偏。存储上我会建三层索引：语义向量、关键词、实体关系图谱。这不是炫技，是不同场景互补：向量适合模糊语义匹配，关键词适合精确术语，图谱能回答多跳关系问题，比如某个药和某个症状的关联。检索器设计这块，我会走[[混合检索]]加[[重排]]。召回层分三路：一是领域微调的向量模型，比如医疗用PubMedBERT，法律用Legal-BERT；二是[[BM25]]加领域同义词扩展，像医疗里UMLS同义词库，避免用户说“头疼”但知识库写“头痛”就搜不到；三是…

← 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#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配口述回答：…量本身差，比如扫描件模糊，解析精度不够，后面全链路的收益都会打折。接下来索引构建。我的做法是混合召回，不只用一种。稠密向量擅长语义匹配，比如同义词泛化，但专业术语精确匹配不行，比如法律条文编号“第X条”必须精确命中，这时候稀疏向量比如[[BM25]]配合领域词表扩展就管用。还有一类跨文档的逻辑关联，比如医疗里药物相互作用，靠向量可能不够，我会引入[[Knowledge Graph]]做图索引。但真正落地时，这三种不是等权重，而是根据场景动态调。比如说订单异常场景，用户问“…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…不远。我的优化思路是两条路一起走：一条是[[Hybrid Search]]，用向量加[[BM25]]做RRF融合，关键词能兜住那些语义匹配不上的case。另一条是查询改写，用LLM把用户query扩展成更完整的表述，或者用HyDE先生成一个伪文档再检索。但这里有个成本问题：改写多一次LLM调用，延迟和钱都上去了。所以我会加一个判断：只有query长度太短或者跟知识库领域明显不匹配时才触发改写，否则直接走原query。说白了，相关性优化的天花板是Embedding模型本身，如果…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：…关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比如订单号、错误码这种；向量检索适合语义匹配，比如用户说“退款没到账”这种口语化表达。真正落地时我会做 [[Hybrid Search]]，把关键词和向量结合起来，再配合查询改写，比如用户说“退货”，我能自动扩展成“退货退款”“退货流程”，或者用 LLM 把模糊 query 转成更明确的意图。举个例子，在客服场景里，用户问“满减怎么用”，直接向量检索可能匹配到一堆满减规则，但加上关键…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…文档再去搜。然后做向量检索，用 [[HNSW]] 这类 [[ANN]] 算法快速召回 Top-K。这里有个边界问题：纯向量检索适合语义匹配，但对精确关键词比如订单号、错误码就抓瞎。所以真正落地我倾向 [[Hybrid Search]]，向量加 [[BM25]] 两条路一起上，再合并排序。召回之后别急着喂给模型，先过一遍 [[Rerank]]，用 [[Cross-Encoder]] 精排，把最相关的几条顶到前面。最后把检索结果和 query 拼成 prompt 给 LLM 生成…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配口述回答：…真正落地往往是两条腿走路。先说[[密集检索]]，也就是用 [[Embedding]] 模型把 query 和文档都转成向量，依赖语义匹配。它的好处很明显，用户说“轿车”你能联想到“汽车”，口语化的表达也能对上。但它有个前提：你的语料质量够好，Embedding 模型得覆盖你的领域。如果用户查的是“退款流程”，但你的文档里全是“退货政策”，向量距离可能就不够近。再说[[稀疏检索]]，就是传统的 [[BM25]] 或者 [[TF-IDF]]，基于词项匹配。它的优势在精准匹配专…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配口述回答：…ybrid Search]]，把稠密向量和稀疏向量结合起来。稠密向量用领域微调的[[Embedding]]，比如法律BERT，处理语义匹配；稀疏向量用[[BM25]]加法条编号精确匹配，处理条款号这种精确查询。为什么这么组合？因为法律场景里用户可能搜“第X条”，向量模型对这种精确数字不敏感，但BM25能直接命中。说白了，没有哪种检索方式能覆盖所有场景，落地一定是混合的。然后[[重排序]]用领域微调的[[Cross-Encoder]]，比如法律[[ColBERT]]，同时加权时…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…档或者合规政策；而微调适合让模型学会固定的格式或风格，比如客服话术模板。检索层面，关键词搜索适合精确匹配，比如订单号；向量搜索适合语义匹配，比如“退款政策”和“退货规则”意思相近。分块层面，固定切分简单但容易断掉语义，语义切分更准但计算成本高。真正落地的系统往往是混合策略，比如用固定长度切块，同时保留段落边界做软约束。落地时我特别关注几个风险。一是分块策略必须跟业务场景匹配，比如客服场景里，退款政策是一个完整段落，如果切成两半，LLM可能只看到一半的政策，回答就不准。二是检…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：这道题其实是在问，怎么在语义理解、检索效率和工程复杂度之间找到平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配口述回答：这道题表面上在问[[嵌入]]模型和[[向量数据库]]怎么搭，但本质是语义匹配问题，就是怎么把非结构化的文本转成向量并高效检索。我不打算只讲流程，更想聊聊选型和落地时的真实考量。先说模型选择。很多人一上来就问哪个模型最好，其实关键看场景。比如中文通用场景，BGE-large-zh 或者 M3E 就够用，效果稳定。但如果是多语言，例如假设一个跨境电商客服场景，用户用中英西法提问，那就得上 E5-multilingual 这种跨语言模型。还有长文档，比如企业 SOP 合规文档，动…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 小红书

中文知识库检索选型

匹配追问：…呢”，BM25可能就匹配不上了，你怎么办？层层追问 RAG系统里检索这块你一般用什么方法？……那BM25有什么缺点？……如果遇到语义匹配的场景，你还会用哪些检索方式？它们各自有什么优劣？直球架构请系统性地列举RAG系统中常用的检索方法，包括稀疏检索和稠密检索，并说明各自的原理和优缺点。

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：…能提高召回。再一个是检索侧增强。最基础也最有效的方案是[[混合检索]]，把向量检索和[[BM25]]关键词检索结合起来。向量擅长语义匹配，BM25强在精确匹配，比如订单号、错误码这些，向量可能跑偏，但BM25能精准命中。实际落地时，我会先用混合检索做粗筛，再上轻量重排比如[[Cross-Encoder]]精排，把最相关的几篇顶到前面。这里有个坑，Cross-Encoder效果虽好，但延迟高，所以一般只对粗筛后的top 50或top 100重排，不能全量做。文档侧也有一些技…

#字节#检索故障诊断#检索质量优化

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配口述回答：…。相似度这块，最常用的是余弦相似度。它的核心思想是只看方向不管长度，语义相近的句子即使措辞不同，向量方向也通常一致，这就很适合语义匹配。工程上我们会提前把向量归一化，这样点积就等于余弦相似度，计算更快。当然，如果场景对向量长度敏感，比如推荐系统里用户活跃度本身就有信息量，那可以用内积或欧氏距离。但RAG里，余弦相似度是默认选择。接下来是[[ANN]]算法选型。最主流的是[[HNSW]]和[[IVF]]。HNSW本质是多层导航图，搜索时从顶层快速往下跳，精度很高，但内存开…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 百度

向量检索基本原理是什么?

匹配口述回答：…g 模型和文档切块上。向量空间本身没把语义学好，再好的索引也只是更快地找错东西。这个点在 RAG 项目里特别常见。向量检索本质是语义匹配，用向量代替关键词向量化：用Embedding模型把文本转成向量索引构建：用ANN索引加速，重点讲HNSW 相似度计算：余弦与点积，归一化后等价完整链路与精度-速度权衡，给出可延伸点约4分钟向量检索效果差时，不要只调 HNSW 参数，要先检查 Embedding 质量和 chunk 质量。如何评估 Embedding 模型、如何…

#百度#向量索引#向量检索原理