匹配正文：一、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Doc）处理口语化输入，如"心跳快"→"心动过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Hua…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rerank）：用Cross-Encoder等交互式模型精排，捕捉细粒度相关性负样本硬挖掘：把"语义近但任务远"的样本加入训练，拉远embedding 3. 数据侧根治收集业务真实的<查询, 相关文档>对，微调Embedding模型引入指令微调：训练时显式区分"相似≠相关" 效果验证 …

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

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…验证的加权策略融合。 1. 三类方案的边界方案优势主要风险稠密检索同义改写、自然语言意图专有名词和长尾实体可能漏召回 BM25 等稀疏检索关键词、编号、错误码精确命中难以覆盖语义改写混合检索同时覆盖语义和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 …

#字节#混合检索#RAG 文档检索选型

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…ng空间不对齐，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-encoder） 2. 上下文切片粒度难把握切分太细丢失全局语义，切分太粗引入噪声改进：语义切分（基于主题边界）、层次索引（摘要+详情）、多粒度召回二、生成阶段的缺陷 3. 上下文利用不足（Lost in the Middle）模型对长上下文中间位置信息遗忘，关键证据在prom…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…问题：知识库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25、向量检索、混合检索的结果差异数据集类型类型用途构建要点开发验证集迭代调优覆盖高频场景，人工标注黄金答案对抗测试集压力测试故意构造易混淆、边界、多跳推理case 线上回流数据持续监控用户反馈（点赞/点踩/未采纳）、A/B测试日志数据质量控制方法采集阶段源文档准入：权威来源优先，设定时效性阈值（如知识库只保留2年…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单query走传统搜索，复杂qu…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…识医疗问诊需专业医学知识构建医学知识库作为外部记忆专业术语理解准确率提升35% 关键工程实践召回策略：向量检索 + 关键词BM25混合，解决语义漂移问题重排序：Cross-Encoder精排Top-20，提升相关性上下文压缩：检索结果摘要后再输入LLM，控制Token消耗局限认知：检索质量是天花板，若文档切分不当或Query与文档表述差异大，容易"检索到了但没用"。

#美团#混合检索#RAG 技术

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：…状态是否正确效率优化：先用规则/模型预标注，人工抽检+修正，迭代提升质量。负样本构造（Hard Negative） RAG：用BM25召回top-5中不相关的doc；语义相似但答案矛盾的doc对 Agent：工具参数错误但语法正确；工具顺序错误但最终碰巧成功原则：负样本要"看起来合理"，才能有效区分模型能力。代表性验证分布对齐：统计query长度、领域分布、复杂度（需推理步数）与线上对齐分层抽样：按业务场景分层，确保每层有足够样本动态更新：定期用线上bad ca…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配正文：…本来自人工确认的支持证据、可靠点击或业务结果，但点击日志必须校正位置偏置和曝光偏置。易负样本用于学习基本主题边界；难负样本应从 BM25、向量召回或旧 Reranker 的高分误召回中挖掘。难负样本必须复核假阴性，避免把实际相关文档当负样本。批内负样本也要防止不同 query 共享答案导致误标。 3. 数据切分与去泄漏按 query、文档来源、时间或用户场景切分训练集和评测集，避免同一问题改写、近重复文档或同一事件跨集合泄漏。线上日志应保留采样策略、召回器版本和曝光位置…

#美团#重排与优化#Reranker 训练数据

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：…bedding随属性变化及时刷新，避免语义漂移 2. 多路召回策略召回方式适用场景向量召回语义相似，理解用户意图关键词/BM25 精确匹配，保证核心词命中倒排索引结构化属性过滤（价格、距离等）图召回用户行为相似推荐各路召回结果融合时，用加权或机器学习模型做初选 3. 重排序（Rerank）精排粗排：向量相似度Top-K快速筛选精排：Cross-Encoder交互式模型（如BGE-Reranker）计算查询-文档相关性分数业务规则：结合点击率、转化率、…

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…新鲜度、token 与单请求成本。用灰度、版本化索引和回滚控制更新风险。假设实验在同一测试集上依次比较：基础向量召回、加入 BM25、加入融合、加入重排、改变上下文组织。每步同时记录质量、延迟和成本，并按 query 类型和文档类型切片。结果用真实实验填写，不能预设某个企业项目或固定提升。

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…BERT）向量数据库 Milvus、Faiss、Pinecone；考虑HNSW索引、量化压缩检索策略稠密检索 + 稀疏检索（BM25）混合；多路召回融合重排序 Cross-Encoder精排（如bge-reranker），提升Top-K质量三、关键优化技术 1. 检索侧优化混合检索：向量语义匹配 + 关键词BM25，用RRF融合排序查询改写：HyDE（假设文档嵌入）、Query扩展、多跳检索上下文压缩：LLMLingua、LongLLMLingua，减少tok…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…齐三、检索策略：多路召回+精排用户Query → 改写/扩展 → 并行召回 ├── 向量检索（语义相似） ├── 关键词检索（BM25，兜底专有名词） └── 图谱检索（如有构建实体关系） ↓ 重排序模型（Cross-Encoder/LLM-based） ↓ Top-K 送入生成模型关键优化：Query改写（HyDE、伪文档生成）、多向量表示（ColBERT）四、模型集成与生成上下文压缩：检索结果去冗余，用LLM摘要或选择性上下文 Prompt设计：明确引用格式要求…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…考来源私有数据无需训练即可利用企业内部知识成本可控比全量微调成本低得多关键优化方向混合检索：向量检索 + 关键词检索（BM25）结合查询改写：HyDE、Query Expansion提升召回率多路召回：摘要、标题、正文分别建索引

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…tch内动态难负例提升显著多路召回架构用户Query → 查询改写（HyDE/扩展）→ 向量检索（Dense）+ 关键词检索（BM25）→ 融合排序 → 精排模型（Cross-Encoder）→ Top-K上下文金融领域加粗体匹配规则（如"第X条"精确命中）重排序用bge-reranker或轻量LLM打分三、生成模块：可控输出 Prompt工程系统角色固化："你是资深医疗顾问，基于以下参考资料回答，不确定时请说明" 上下文组织：按相关性排序，标注来源编号支持溯源 …

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：…占用大，适合百万级 IVF-PQ：磁盘友好，适合亿级规模 Milvus/Pinecone：托管方案，自动分片增强索引稀疏向量：BM25倒排索引，与稠密向量做混合检索元数据过滤：按时间、来源、标签预过滤五、检索与优化检索流程 Query → Embedding → 向量召回Top-K → 重排序（Cross-Encoder） → 精排Top-N 关键优化查询改写：用LLM扩展同义词、纠错多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder（如b…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配正文：…g）：用LLM扩展同义词、澄清指代消解 HyDE（假设文档嵌入）：生成伪答案后再检索，弥合查询-文档语义鸿沟检索策略混合检索：BM25关键词 + Dense向量双路召回，取长补短 Embedding微调：用领域数据对比学习，让向量空间更适配业务后处理层面重排序（Rerank）交叉编码器（Cross-Encoder）精排，计算查询-文档交互注意力多任务学习：同时预测相关性和答案抽取位置上下文压缩置信度过滤：设定相似度阈值，低分文档直接丢弃摘要提取：用SLM压缩…

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…检索失败时缺乏优雅降级机制边缘Query、新领域优化方向与方案 1. 检索层：混合检索+重排序向量检索（语义）+ 稀疏检索（BM25，关键词）+ 知识图谱（实体关系）多路召回引入Cross-Encoder精排模型，替代余弦相似度的粗排 2. 查询层：意图理解与改写识别Query类型（事实型/比较型/推理型），动态调整检索策略多Query扩展：对复杂问题拆解为子查询，分别检索后聚合 3. 生成层：上下文工程检索结果按相关性重排序，关键信息置首尾（利用位置偏置）上…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配正文：…权威源置信度阈值：对低置信度回答触发"我需要查询更多信息" 四、外部知识集成（RAG核心）检索环节混合检索：向量相似度 + BM25关键词 + 知识图谱路径查询改写：HyDE（假设文档嵌入）、子查询分解增强环节重排序：Cross-encoder精排，过滤噪声文档上下文压缩：只保留与问题相关的文档片段生成环节引用生成：强制模型标注信息来源，便于溯源和人工审核实际权衡场景推荐方案高频、事实稳定预检索+缓存，减少实时检索延迟时效性强实时RAG + 搜…

#百度#模型微调#评估与监控

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…回+精排召回通道适用场景实现稠密向量语义相关、同义表达微调后的Embedding+Faiss/Milvus 稀疏向量（BM25）精确匹配、专有名词 Elasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3. 查询理解与改写意图识别：区分"诊断建议"vs"用药禁忌"（医疗）、"法条查询"vs"类案检索"…

#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·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索结果中，模型注意力分散，关键细节丢失根源：固定Top-K截断，无关文档挤占有效token；长上下文模型对中间位置信息召回弱（Lost in the Middle）改进：动…

#淘天#知识图谱#RAG 痛点

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配正文：…R系列或SAM 需支持任意形状UI元素跨模态对齐对比学习微调用产品内部UI数据继续训练检索策略稀疏+稠密混合组件名称用BM25，视觉语义用向量相比纯多模态模型的优势可解释性：能溯源到具体设计规范文档可控性：产品术语、内部黑话可通过知识库注入更新灵活：新组件无需重训大模型，更新知识库即可学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：核心策略：四层Prompt架构 1. 上下文预处理层筛选：按相关性分数阈值过滤，保留Top-K（通常3-5篇）排序：综合BM25分数、向量相似度、时效性加权排序去重：语义去重（embedding聚类）+ 精确去重（URL/ID去重）冲突标记：对矛盾信息打标签，提示模型"存在不同观点" 2. 上下文注入结构 [系统指令] 你是基于检索文档回答的助手，必须引用来源 [检索上下文] [文档1] 内容...【来源：URL1】 [文档2] 内容...【来源：URL2】 [用户查…

#字节#Prompt工程#RAG Prompt 设计