搜索大模型内容

匹配正文：…互缺失：query-doc没有早期交互，难以捕捉复杂匹配关系重排模型正是弥补这个gap，在小范围候选集上做精准排序。两阶段检索架构 Query → 向量检索（召回Top-K，K=100~1000） → 重排模型（精排Top-N，N=5~10） → 生成第一阶段：追求召回率，用ANN快速过滤第二阶段：追求准确率，用重排模型精细打分常用重排模型类型代表模型特点 Cross-Encoder BERT-reranker、monoT5 query和doc拼接输入，注意力…

#字节#重排与优化#RAG Re-ranking

RAG 系统怎么持续迭代?

匹配正文：…输出）上下文压缩：检索结果去重、摘要提取，避免超长context稀释注意力引用生成：强制模型输出引用标记，便于溯源和事实校验领域微调：用高质量RAG数据对基座模型SFT，提升利用检索信息的能力四、评估与迭代闭环离线评估检索：Recall@K、MRR 端到端：Answer Correctness（用GPT-4判题）、Faithfulness（幻觉检测）在线评估用户满意度、点击率、人工标注bad case回流关键：建立可量化的业务指标（如客服场景的问题解决率） …

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评估闭环#RAG 系统优化

RAG 为什么需要 Rerank?

匹配口述回答：我觉得这道题问的其实是，在[[RAG]]系统里，为什么不能只靠一次检索搞定，非要再加一道[[重排]]。说白了，就是召回率和精度之间的取舍，你没法用一个模型同时把两件事都做到极致。先说一下向量检索的局限。不管是[[Embedding]]还是[[Bi-Encoder]]，本质是把query和文档独立编码成向量，然后算个余弦相似度。这种双塔结构只能捕捉粗粒度的语义，像主题匹配、领域对齐这种，但它做不了精细的交互。比如用户搜“苹果笔记本”，你召回“苹果公司财报”和“MacBook …

#字节#Rerank模型#RAG Rerank

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"三段式架构说明向量数据库和Embedding的核心作用解释检索策略（相似度搜索、重排序）的关键设计分析RAG缓解幻觉的机理（事实锚定+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token E…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…sion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-t…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：…iltering）+ 向量搜索的混合查询，减少候选集多副本+本地缓存热点查询，降低RT 二、重排序（Reranking）两阶段架构第一阶段：向量检索快速召回Top-K（如100-1000）第二阶段：精排模型打分，输出Top-N（如5-10）常用精排模型方案特点适用场景 Cross-Encoder 拼接query+doc编码，精度高但O(n)延迟延迟敏感低、精度要求高 ColBERT 延迟交互，token级相似度，平衡效率中等规模在线场景 Bi-Encode…

#小鹏#检索阶段优化#RAG 检索优化

#百度#Agent#Single-Agent 设计

RAG 为何需要重排序?

匹配正文：…dding模型难以完全把握 2. Embedding模型的能力边界训练目标限制：对比学习优化的是"语义相近"，而非"任务有用" 领域适配问题：通用Embedding在专业领域表现下降长文本截断：上下文信息丢失导致语义偏移 3. 两阶段架构的设计逻辑阶段职责特点向量检索（粗排）快速缩小候选范围速度快、召回率高、精确率低 LLM重排/生成（精排）深度判断+综合决策理解深、可结合上下文、成本高直接用大模型做全库检索：成本不可接受仅用向量检索：精度不足，引入噪…

#字节#向量召回与重排#RAG 重排序

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配口述回答：…：上下文长度受限。一旦任务链太长，模型会遗忘前面的信息，所以真正落地时，我一般会搭配短期工作记忆和长期向量记忆，用 [[Self-RAG]] 让模型自己学会反思，但核心还是控制单次任务的范围。再来说多智能体。当任务需要多个领域专家协作时，单智能体就撑不住了。比如软件开发，需要产品经理、架构师、开发、测试四个角色一起干活，你没法让一个Agent既写代码又做测试。这时候我会用层级式架构，一个Orchestrator Agent负责调度，下面挂 Planning Agent、Co…

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配正文：…点：计划错误难以中途修正优化：加入Re-planning机制（如LLMCompiler、DSPy） 3. Multi-Agent架构核心组件： Router/调度器：意图识别+Agent分发专用Agent：各垂直领域（如查询、下单、售后）通信机制：消息队列/共享内存优点：模块化、可扩展、并行处理缺点：协调复杂，可能出现循环调用关键组件对比组件作用典型方案 Memory 上下文持久化短期(对话历史)、长期(向量库) Tool Calling 外部能力扩展 …

#美团#Agent#Agent 架构设计

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配追问：…描件等。用户问的可能是合同条款或操作步骤。从原始文档到能检索的知识库，你觉得整个处理流程应该怎么设计？关键步骤有哪些？层层追问 RAG系统的知识库，文档进来后你会做哪些处理？……那分块怎么分？……分完块之后怎么向量化？……最后怎么建索引让检索又快又准？每个环节有什么坑？直球架构请完整描述RAG系统中从原始文档到可检索知识库的数据处理与索引流程，包括文档加载、清洗、分块、Embedding生成和向量索引构建，并说明各步骤的技术要点和对系统性能的影响。

#字节#文档处理#向量检索

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…排，以较小在线成本恢复部分精度。表示与分块：选对 embedding、距离函数和归一化方式；文档分块应通过查询集验证边界与重叠。领域微调、多向量表示只有在评测改善时采用。工程维护：分片与副本、冷热分层、批量写入、删除墓碑与周期压缩、索引版本化和原子切换。高选择性过滤要评估 pre-filter 与 post-filter 的召回和延迟差异。量化节省多少内存取决于原始精度、码本和元数据；DiskANN 也不只用于某个固定数量级。任何“提升召回”的策略都应相对精确近邻和端到…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配追问：…从各种手册、PDF里找答案。现在给你一堆杂乱文档，你会怎么处理成知识库？从原始文件到能检索的向量，每个步骤具体做什么？层层追问 RAG系统的效果很大程度依赖知识库的质量吧？……那你觉得构建知识库的第一步是什么？……清洗完文档后，文本怎么切分更好？……固定大小和按语义切分各有什么优缺点？……选Embedding模型和向量数据库时又得考虑哪些因素？直球架构请你完整描述构建RAG知识库的流程，包括文档预处理、文本分块策略、Embedding模型选择、向量数据库选型以及索引构建…

#美团#RAG 知识库构建#文档预处理

#安克科技#RAG 向量化流程#Embedding 模型选择

RAG向量化流程：预处理到归一化

匹配追问：…中英文的PDF和网页。你怎么把这些文档切成合适的片段，然后转成向量存到库里？从文本清洗到最终向量入库，你具体怎么走？层层追问做RAG检索时，文档和查询怎么变成向量的？……那你文本预处理一般怎么做？……选embedding模型要考虑哪些因素？……向量生成后为什么还要归一化？直球架构请描述RAG系统中文档或查询的向量化全流程，重点讲文本预处理策略、embedding模型选型依据、向量生成与批量优化，以及归一化的作用。工程上有什么注意事项？

#安克科技#RAG 向量化#Embedding 模型

RAG向量化：分块与Embedding

匹配追问：…层层追问向量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

RAG 文档怎么存储和向量化?

匹配追问：…传了几百份PDF合同，需要从中检索条款。你怎么把这些文档存到向量库里？从解析、分块到选模型和建索引，大致步骤说一下吧。层层追问 RAG系统里文档数据怎么处理才能检索？……那原始文本读进来之后，分块你一般怎么分？……如果文档很长，比如法律条文，怎么保证语义连贯？……嵌入模型选型要考虑哪些因素？……最后存到向量库，索引结构你怎么选？直球架构讲一下RAG系统中从原始文本到向量数据库的完整数据流，包括文档解析、分块策略、嵌入模型选型以及向量索引结构设计，每一步的关键考量是什么？

#安克科技#评估与监控#RAG 文档向量化

RAG文本向量化：分块与嵌入陷阱

匹配追问：…机器人，用户上传了一堆PDF和Word文档。你打算怎么把这些文档转成向量存起来？从原始文本到向量，中间要经过哪些步骤？层层追问 RAG系统里，文本怎么变成向量？……那文档很长怎么办，直接整篇编码吗？……分块的话，块大小怎么定？……选什么编码模型？中文场景有没有推荐的？……向量存进去之后，怎么保证检索质量？直球架构请你描述一下RAG系统中，将文本内容转化为向量表示的完整流程。包括分块策略、Embedding模型选型、向量维度与归一化、以及质量评估方法，每个环节的关键点是什…

#安克科技#RAG 文本向量化#分块策略

RAG 评估指标与迭代陷阱

匹配正文：…合检索（BM25+向量）、重排序（Cross-encoder）用户问题表述模糊、专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（要求标注来源）、检索内容前置、Self-RAG（生成时判断是否需要检索）对事实性要求高的场景长上下文处理差分层检索（摘要→细节）、递归检索、信息去重合并需要多文档推理的复杂问题三、迭代实践建议先诊断后优化：用错误案例分析定位是检索失败还是生成失败…

#字节#评估与监控#RAG 评估

RAG 三大瓶颈与迭代策略

匹配追问：…怎么还没到”，结果检索出来的文档跟订单状态没什么关系，生成了一堆废话。你遇到这种检索不准的问题，一般会怎么排查和优化？层层追问 RAG系统里，你觉得最影响用户体验的瓶颈是什么？……那检索精度低怎么解决？……生成质量呢？上下文太长或信息冲突怎么办？……效率方面，检索延迟和吞吐怎么平衡？……你整体上会分几个阶段来迭代优化？直球架构请系统性地阐述RAG系统的常见性能瓶颈，以及对应的迭代优化策略。从检索精度、生成质量和系统效率三个维度分别展开，包括具体的改进方法和它们的权衡。

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：…控性LLM需具备"忠实于检索内容"的能力，而非过度依赖参数知识或自由发挥。这涉及prompt设计、上下文窗口利用和指令遵循能力。 RAG的边界：不解决忠实性幻觉能解决：编造不存在的事实、过时信息、专业领域知识盲区不能解决：逻辑矛盾、推理错误、对检索内容的曲解或过度推断典型反例：检索内容正确，但模型错误拼接信息得出荒谬结论——这是忠实性问题，需靠训练或推理优化解决。学习建议建议系统学习该知识点

#京东#知识型幻觉#RAG 幻觉

RAG 自动与人工评估

匹配正文：RAG评估的三层架构 1. 检索评估（Retrieval Evaluation） MRR：统计各问题首个相关结果倒数排名的均值；Hit@K：统计前 K 条至少命中一个相关结果的问题比例，不能据此判断命中结果内部的排序质量 Recall@K：关注相关性召回，K通常取5或10 NDCG：考虑位置权重，适用于需要精细排序的场景 2. 生成评估（Generation Evaluation） BLEU/ROUGE：n-gram匹配，适合有标准答案的FAQ场景 BERTScore：语义相…

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 淘天

偏好感知系统架构怎么选?

匹配正文：…一分数的信息损失数据质量控制标注者一致性检验（Kappa系数>0.6）困难样本挖掘：模型置信度接近0.5的pair优先标注领域覆盖：电商场景需覆盖售前咨询、售后、比价等细分场景二、模型架构三阶段RLHF流程 SFT：用高质量对话数据监督微调，建立基础对话能力 Reward Model：输入(prompt, response)输出标量分数，常用架构在最后一层加回归头损失函数：-log σ(r_θ(x,y_w) - r_θ(x,y_l)) 多任务扩展：多维度分数→加…

#淘天#偏好感知对话系统#对话系统训练数据