匹配正文：…架构：双塔模型（DSSM）推荐召回的核心是向量检索，主流方案是双塔结构：User塔和Item塔分别编码，点积计算相似度，线上通过ANN快速检索。关键环节设计 1. 特征工程塔核心特征设计要点 User塔用户ID、画像标签、历史行为序列行为序列用Pooling或Transformer压缩，避免长序列直接输入 Item塔物品ID、类目、标签、文本/视觉内容内容特征需预训练（如BERT、CLIP），保持与User塔维度一致关键权衡：ID特征记忆性强但泛化差，需配…

#Tiktok#负采样与向量索引#召回模型搭建

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…

#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?

…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（Cross-Encoder精排）提升精度四、生产优化要点混合检索：向量相似度 + BM25关键词召回，融合排序（RRF算法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/M…

← 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

匹配正文：

#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：…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瓶颈：向量压缩后信息损失，细粒度匹配能力弱 ColBERT Late Interaction机制：token-level向量保留到最后一刻交互 MaxSim操作捕捉细粒度对齐，精度显著优于DPR 代价：存储膨胀（需存文档所有token向量），延迟更高三、工程落地建议场景方案关键词强相关（电商搜索） BM2…

#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 相似性检索原理与索引构建

匹配正文：答案要点理解Embedding将语义映射到高维空间的本质掌握HNSW、IVF等ANN索引的核心思想能区分内积、余弦、欧氏距离等相似度计算的适用场景了解检索的完整流程和性能权衡核心原理 Embedding检索的本质是语义空间中的最近邻搜索，把"找相似文本"转化为"找相近向量"。三个关键环节 1. 向量化（Representation）用预训练模型（BERT、Sentence-BERT、OpenAI API等）将文本编码为稠密向量关键特性：语义相近的文本在向量空间…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：…(query,doc)配对前向；一条query对N文档为N次配对，N句全两两比较才是约O(N²)对。SBERT可预计算文档表示，但ANN检索成本另计。 Sentence-BERT的双塔设计 Tower A (Query) ──→ 固定编码器 ──→ 向量v₁ ──┐ ├──→ 余弦相似度计算 Tower B (Doc) ──→ 共享权重编码器 ──→ 向量v₂ ──┘ 离线编码文档：文档向量预计算存入向量库在线编码查询：仅编码query，实时检索Top-K 向量维度的影响 …

#小米#向量检索#Embedding 向量维度选型

面试题·检索· 百度

向量召回原理与实现?

匹配正文：答案要点向量嵌入将文本/数据映射到语义空间相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似…

#百度#向量召回#向量召回原理

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·检索· 百度

向量检索基本原理是什么?

匹配正文：…训练目标支持时才应使用。欧氏距离适用于按该几何关系训练或验证过的表示，不能只凭经验替换。 4. 在线链路与评测查询编码后进入 ANN 搜索，得到候选，再结合元数据过滤、重排或业务规则返回 Top-K。用精确搜索作为基线评估 ANN Recall@K，并同时看最终证据召回、延迟、内存、构建时间和更新成本。结论：向量检索是 embedding、度量、索引和重排共同组成的链路，索引参数不能弥补表示或分块错误。图解向量检索基本原理是什么?图解

#百度#向量索引#向量检索原理

面试题·多模态· 得物

多模态异构数据怎么统一存储?

匹配口述回答：…投影层同时训练对齐”自相矛盾，必须明确究竟哪些参数在更新。索引有两条路线。对齐证据充分时，可以把不同模态映射到共同空间并使用统一ANN索引，支持文搜图、图搜文等跨模态查询。若还没有可靠共同空间，应按模态维护独立索引，各自取候选，再做late fusion。各索引的原始相似度没有天然共同标尺，需要在验证集上做温度或分位数校准，也可用reciprocal rank fusion，或者训练融合器和reranker。调用层根据query模态、任务、权限和延迟预算选择encoder…

#多模态融合#特征对齐#向量数据库

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·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

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：…最终排序。工作流程分两步走。离线准备阶段，文档切分、向量化、入库，这部分可以离线跑。在线查询时，用户问题先向量化，到向量库做[[近似最近邻]]搜索，取 Top-K 块，然后把这些块和原始问题拼成一个 Prompt，喂给大模型生成答案。这里有个常见失败场景：检索回来的文档质量差，或者和问题不相关，模型就会基于错误上下文胡编。所以我会在检索后加一道置信度过滤，如果 Top-K 的相似度分数普遍低于阈值，就降级处理，比如告诉用户“知识库没有相关答案”，而不是硬生成。相比纯生成模…

#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· 哔哩哔哩

直接精排所有候选，为何不可行？

匹配口述回答：…级，用户早跑了。而且算力成本也受不了，GPU 跑一次精排的消耗跟候选数成正比，业务很难承受。作为对比，召回阶段用哈希查找或者 [[ANN]] 检索，一次查询毫秒级就能从百万候选里捞出几百个；粗排阶段用轻量 [[双塔]]模型或者简单特征，再过滤掉大部分，最后精排只处理几十个候选。这样整个链路才跑得动。再说系统架构。这里有个漏斗效应，每个阶段过滤掉90%的候选，精排只处理可能优质的那一小撮。这样设计的好处是，各阶段可以独立迭代、独立做 A/B 测试，甚至降级熔断。比如召回挂了…

#哔哩哔哩#召回粗排精排#推荐系统架构

面试题·检索· 字节

BM25/向量/混合检索选型

匹配口述回答：…略；三是一致性，比如混合检索的分数归一化做不好，会导致融合结果不稳定。另外，当数据量特别大或者查询特别多样时，纯向量检索的 [[ANN]] 召回质量可能下降，这时候我会考虑用 [[ColBERT]] 这种细粒度交互模型，或者做 [[Self-RAG]] 让模型自己判断要不要检索，而不是每次都用同样的流程。所以整体上，我会把检索选型看成一组可插拔的模块，没有银弹，核心是先做 Badcase 分析，看失败是语义匹配不够，还是精确命中缺失，再对症下药。检索选型本质是语义匹配 …

#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· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配口述回答：…还在探索中。一种做法是语义向量召回，把item通过LLM生成[[Embedding]]，存到[[向量库]]，离线预计算，在线用[[ANN]]检索。另一种是生成式召回，让LLM直接生成候选item的ID或者描述，但需要微调来适配ID空间，而且有[[Hallucination]]问题，生成不存在的item。还有一种是对话式交互，用户query进来，LLM理解意图后扩展语义，适合搜索和推荐联动的场景。这里有个边界：语义向量召回适合冷启动和长尾内容，而ID协同过滤在头部内容上仍然更高…

#快手#LLM推荐系统#LLM 推荐系统

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