匹配正文：…‖ 对向量尺度敏感，较少直接用特点：语义泛化能力强，支持同义词、跨语言需要大量数据训练，冷启动和分布外query效果差依赖ANN索引（HNSW、IVF）加速，内存占用高适用：开放域问答、对话系统、语义搜索等需要理解意图的场景。美团场景的实际选型以外卖搜索为例：稀疏检索：召回商家名、菜品名的精确匹配（"肯德基"必须匹配到KFC）稠密检索：理解"适合聚会的餐厅"→ 抓取"包厢、多人套餐"等语义特征融合策略：两阶段检索（稠密召回Top-K + 稀疏补充 + 统一…

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：…准，语义漂移大语义理解强，可能引入噪声兼顾两者，上限最高召回率低（同义词漏召）高（语义扩展）最高计算开销极低（倒排索引，毫秒级）高（向量计算+ANN近似）最高数据依赖零，即插即用需领域适配的embedding模型需调优融合权重场景适配分析开放域问答（如通用知识库）首选混合检索：用户问题表述多变，需语义理解；但专有名词（人名、日期）需BM25保证精确例：问"GPT-4啥时候发布的"，向量检索可能召回"GPT-3发布"，BM25锁定"GPT-4…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配正文：…何关系都可能变化。除非模型经过明确的向后兼容训练并验证，否则不能把新查询向量与旧文档向量直接计算相似度，也不能把两版向量混入同一 ANN 索引。推荐迁移流程版本化：记录 embedding 模型、分词、归一化、维度和距离函数，索引按版本隔离。影子重建：新写入可双写两版，后台按快照批量编码历史文档，并用变更日志补齐迁移期间的增量。双读评估：同一批查询分别访问新旧索引，比较相关性、过滤正确性、延迟和成本，必要时小流量灰度。原子切换与回滚：通过索引别名或路由切换，旧索引保…

← 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

#抖音#向量检索#Embedding 升级

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…量；原生cosine端点可能已代办。若任务使用含模长信息的内积或原始L2，不应盲目归一化。三、向量数据库与检索机制核心组件：索引结构：HNSW（图索引，高召回）、IVF-PQ（倒排+量化，省内存）、Flat（暴力搜索，精度最高）距离度量：余弦相似度（方向一致即可）、欧氏距离（绝对位置重要）、内积（带模长信息）检索流程：查询文本 → Embedding模型 → 查询向量 q ANN索引快速召回Top-K候选（如HNSW的ef_search参数控制深度）可选：重排序…

#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

匹配正文：…精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Retrieval）双塔结构，query和文档分别编码为固定维度向量用FAISS/ Milvus做ANN近似检索，牺牲少量精度换速度 …

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 阿里

Hard Search vs Soft Search 怎么选?

匹配正文：…nterest Model）是阿里提出的长序列建模方案，其检索模块包含两种策略：策略机制本质 Hard Search 基于近似最近邻（ANN）从候选池检索Top-K 离散选择，不可导 Soft Search 通过注意力权重对所有候选做加权求和连续分布，可导三维度对比 1. 计算效率 Hard Search：推理时依赖Faiss/Milvus等ANN库，单次检索毫秒级；但训练时需维护大规模索引，索引更新有延迟 Soft Search：训练时矩阵运算可GPU并行，但候…

#阿里#Hard Search与Soft Search#SIM 模型

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：答案要点 embedding将文本映射到语义空间相似性通过距离度量（余弦/欧氏）计算 ANN算法加速大规模检索倒排索引或图索引优化查询效率 RAG中用于召回相关文档核心原理 Embedding语义映射文本通过预训练模型（如BGE、M3E、OpenAI的text-embedding）编码为固定维度的稠密向量语义相近的文本在向量空间中距离更近，这是检索有效性的基础相似性度量余弦相似度：最常用，关注方向一致性，对向量长度不敏感欧氏距离：关注绝对距离，适合归一化后的向…

#美团#Embedding检索#Embedding 相似性检索

面试题·项目与经历· 字节

大模型 vs 搜推小样本特征怎么融合?

匹配口述回答：…这些特征的取值、缺失和时效有明确结构。语言模型更适合补充语义。可以离线编码query、商品标题、详情、评论和知识内容，把向量写入ANN索引；双塔在大候选库中做高吞吐召回。领域数据有限时，先冻结大部分基座，用对比学习、adapter或LoRA适配，并通过点击、购买或人工相关性构造正样本和硬负样本。还可以把较大cross-encoder的分数蒸馏给双塔。排序阶段把语义向量与结构化、行为和上下文特征一起输入可控的ranker。对于复杂意图，可在传统召回或双塔召回后，对几十到几百…

#特征工程#迁移学习#多模态融合

面试题·模型微调· 京东

300-500意图怎么召回?

匹配口述回答：…] 模型，比如在客服退款数据上 [[SFT]] 过的 [[Bi-Encoder]]，把用户Query和意图描述都转成向量，做 [[ANN]] 检索。另一路是关键词召回，给每个意图维护一个关键词倒排索引，像'退款''少发货'这种词直接命中。还有一路规则兜底，高频意图用正则硬匹配。三路结果合并后，用 [[Cross-Encoder]] 做精排，选Top-3到Top-5。这样实际送到大模型里的上下文，从原本几千token的意图列表，压缩到几百token的候选加几个 [[Few-sh…

#京东#大规模意图识别#上下文长度限制

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…下文，让模型基于检索结果来生成。你可以把它理解成给模型配了个外挂知识库，模型负责推理和表达，知识库负责提供事实。具体架构分三块：索引模块、检索模块、生成模块。先说索引，离线阶段要把原始文档切成小块，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里。这里有个关键取舍：切分策略直接影响召回质量。固定长度切分最简单，但容易把完整语义砍断；语义切分虽然准，但计算成本高。我一般先按段落切，对超长段落再用[[滑动窗口]]重叠处理，这样既能…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配口述回答：…于多路召回加精排，而不是单靠向量。具体来说，我会开三路：第一路是稠密向量，用微调后的Embedding配合[[Faiss]]做[[ANN]]，解决语义相似但字面不同的问题；第二路是[[BM25]]，走精确关键词，专治药品名、法条序号这种必须精确匹配的；第三路是知识图谱，走[[实体链接]]加[[Relation Extraction]]，比如用户问“阿司匹林和布洛芬能一起吃吗”，知识图谱直接返回药物相互作用关系。三路结果用RRF融合，简单有效。如果只靠向量，精确匹配会漏；只靠关…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…考量：对短查询效果差，需配合查询扩展 2. 稀疏检索（BM25/TF-IDF）技术：Elasticsearch、Lucene倒排索引场景：关键词精确匹配、ID查询、数字/专有名词检索考量：零成本、可解释性强，但语义理解弱 3. 混合检索（Hybrid）做法：向量+稀疏双路召回，RRF或线性加权融合场景：通用RAG系统标配，兼顾语义与精确匹配关键：融合权重需根据业务调优，通常α=0.5-0.7偏向向量 4. 重排序（Re-rank）技术：Cross-encoder…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：…该给当前用户看。第二层是检索器。最基础的是向量检索，把 query 和 chunk 都转成 [[embedding]]，用 [[ANN]] 索引找 TopK。但实际我一般会做多路召回：向量召回负责语义相似，[[BM25]] 负责关键词和专有名词，必要时再加业务规则召回，比如按产品线、时间范围、用户权限过滤。多路召回之后可以用 RRF 或加权融合先合并候选。第三层是 reranker。因为第一阶段召回优先保证覆盖，候选中往往会混入噪声，所以可以用 cross-encoder…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 美团

Embedding 模型结构选型

匹配口述回答：…小。这打破了“一次训练固定维度”的限制，部署时灵活调整，特别实用。不过话说回来，Embedding 维度选型还要结合你用的 [[ANN]] 算法。比如 [[IVF-PQ]] 对高维向量做[[乘积量化]]，能大幅压缩索引，但精度损失明显。所以我会把 Embedding 模型选型看成系统组件的一部分，和索引、检索策略一起调优，而不是孤立看模型本身。总结一下，我更倾向于把 Embedding 模型看成整个检索系统的编码器，选型时优先考虑 768 维度的通用模型，再根据业务数据微…

#美团#向量检索#Embedding 模型结构选型

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…文档切分策略，[[Chunk]]太大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延迟，大规模知识库下，[[ANN]]检索可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Age…

#淘天#事实准确性#RAG 减少幻觉