匹配正文：…"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀疏检索（BM25）互补，降低单路失效风险索引优化语义滑窗切分、关键实体提取、文档质量预过滤 2. 重排序层向量重排：用更强的embedding…

#小红书#美团#重排与优化

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：…量差：冗余、过时、包含矛盾信息分块策略不当：关键信息被截断或上下文丢失系统层面 Top-K阈值设置不合理，正确答案被挤出单一向量检索的召回率瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词检索，结果融合多向量表示：ColBERT细粒度交互，解决"粗粒度向量"匹配失效 2. 查询侧优化查询改写：用LLM扩展同义词、澄清歧义（HyDE：生成假设文档再检索）查询…

#小红书#美团#重排与优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

…消解 Query分解：复杂问题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encoder：Query+Document拼接输入，输出相关性分数，精度高但计算慢精排Top-N：…

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：

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声 3. 精排/重排序（Rerank）使用交叉编码器（Cross-Encoder）或轻量重排模型对召回文档精细打分，筛选Top-N（通常3-10）送入生成关键作用：弥补双塔向量检索的语义鸿沟 4. 上下文构…

#美团#RAG全链路#RAG 工作流程

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…据建议微调Embedding模型索引存储：写入Milvus/Faiss/Elasticsearch等向量数据库，可配合稀疏索引（BM25）做混合检索二、在线检索流程 Query理解：query改写、扩展（HyDE生成伪文档）、意图识别向量检索：ANN近似最近邻搜索，召回Top-K（通常20-100个）重排序（Rerank）：用Cross-Encoder（如BGE-Reranker）精排，选出最相关的3-5个送入LLM 三、生成阶段上下文拼接：将检索结果按相关性排序，…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…将chunk编码为稠密向量索引存储：写入Milvus/Pinecone/Elasticsearch等向量数据库，可结合稀疏索引（BM25）做混合检索在线检索生成阶段查询理解：用户query可能需改写/扩展（HyDE、Query2Doc）向量检索：Top-K相似度召回，常用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…构）向量化：Embedding模型编码，写入向量数据库（Milvus/Faiss/Elasticsearch）二、在线检索层混合检索策略：用户Query → Embedding编码 → 向量相似度检索（Top-K） ↓ 关键词BM25检索 → 结果融合（RRF加权） ↓ 精排模型（Cross-Encoder重排序）→ 最终Top-N片段关键优化点： Query改写：扩展同义词、澄清指代多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder比双塔更…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-ada）将文本转为稠密向量存储：写入向量数据库（Milvus/Pinecone/Elasticsearch），同时保…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…（Retrieval）相似度计算：余弦相似度或点积，召回Top-K候选重排序优化：Cross-Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Prompt组装（系统指令+检索上下文+Query） →…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…识边界实时性瓶颈索引更新滞后，新知识无法即时生效结构化缺失表格、图谱等非文本知识利用不足二、改进思路 1. 检索层优化混合检索：BM25 + 向量检索 + 稀疏编码（如SPLADE）互补查询改写：HyDE（假设文档嵌入）、Query2Doc扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion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…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…bedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配口述回答：…规、老版本文档，更新频率低，按天或周重建全量索引。这样既保证实时性，又控制成本。再一个，索引层我会做多路召回融合。具体说就是[[混合检索]]：用 [[BM25]] 捕捉时效性关键词，比如“最新”、“2024年”，同时用向量检索捕捉语义。两条路的结果合并后，再按时间戳加权排序，近期文档得分更高。另外，同一实体我会保留历史快照，但检索时只返回最新版本，避免混淆。检索层还有个动态补偿机制。如果query明显带有时间意图，比如“今天股市行情”，我会触发实时API去拉取最新数据，而…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…：用LLM生成假设文档，再用该文档embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知…

#百度#小鹏#美团

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…向量聚类分片，分布式检索后归并量化压缩：PQ将向量压缩4-32倍，降低内存和IO 缓存策略：热点查询结果缓存，高频向量常驻内存混合检索：向量召回 + BM25关键词召回，RRF融合排序 RAG场景关键点召回率优先：宁可多召不能漏召，靠后续重排序精排延迟敏感：通常P99控制在100-200ms内动态更新：增量索引更新避免全量重建

#百度#向量召回#向量召回原理

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…搜索空间保留原文存储位置，避免向量库膨胀索引结构设计向量索引：HNSW（平衡速度与召回）或 IVF（内存受限时）倒排索引：BM25/关键词索引，用于混合检索分层索引：热点数据内存HNSW + 冷数据磁盘索引生产实践：90%场景用向量+关键词混合检索（RRF融合），纯向量检索在专有名词、ID查询上效果差。

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…tization]]，也就是倒排加乘积量化，省内存，但精度会掉一点。选哪个取决于你的延迟容忍度和精度要求。这里有个坑：很多人以为向量检索就能解决一切，其实不是。关键词检索在精确匹配上比向量强得多，比如订单号、错误码这些，向量可能找偏，但[[BM25]]一搜一个准。所以真正落地的方案，我倾向做[[Hybrid Search]]，也就是向量和关键词两条路一起走，然后合并排序。举个例子，电商客服场景里，用户问“退款怎么还没到”，向量检索能召回相似语义的退款政策文档，但用户如果报…

#美团#Embedding检索#Embedding 相似性检索

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：… 类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展精排层：Cross-Encoder打分，过滤低相关片段重排层：按时效性、权威性加权；医疗优先临床指南，法律优先生效条文查询…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配口述回答：…时，这三者经常是互相牵制的，你得有取舍。先说检索精度。最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满200减50怎么用”，向量可能把“满减规则”和“优惠券叠加”混在一起，但BM25能精准匹配“满200减50”这个短语。不过这里有个前提，就是你得有好的分词和停用词表，否则BM25也会引入噪声。再一个就是查询改…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…edding空间会更贴近业务意图。但这里有个前提，就是LLM本身不能太差，否则生成的假设回答会带偏。再一个，检索侧。我很少只依赖向量检索，因为纯语义匹配容易飘。实际落地我通常走[[Hybrid Search]]，把[[BM25]]的关键词匹配和向量检索结合起来，BM25能兜住精确匹配的场景，比如订单号、错误码。然后最关键的一步是[[重排]]，用[[Cross-Encoder]]模型把召回的top-K候选做一次精细打分，因为它能看query和doc的交互，比双编码器更准。另外…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…拟合，召回变差。所以我会先拿小样本试一下，不显著提升就不微调，直接用通用模型。检索策略我走的是多路召回加精排。具体来说，一条路是向量检索，找语义相似的；另一条是关键词检索，用[[BM25]]兜底专有名词，比如订单号或错误码，向量搜不到但关键词一找一个准。两条路的结果合并后，再用一个[[Cross-Encoder]][[重排]]模型精排，把相关性低的过滤掉。这样既保证召回率，又提升精度。你可以这么理解：向量检索像模糊匹配，BM25像精确匹配，两者互补。真正上线时，我会特别关注…

#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· 字节

领域RAG应用链路怎么搭?

匹配口述回答：…证据完整率、召回和成本。关键是注入元数据，比如文档来源、发布时间、置信度，这样后续检索能按时间或权威度过滤。检索模块。我很少只用向量检索，因为专业领域里关键词匹配往往更精准。所以我会用 [[混合检索]]，把 [[Dense Retrieval]] 和 [[BM25]] 结合起来。比如金融场景，用户搜“第X条”，BM25 能直接命中，向量反而可能跑偏。查询改写也很重要，用户问“这个药能吃吗”，我会先用 HyDE 生成一个假设回答再检索，或者用 LLM 把问题扩展成更完整的表达…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…持8K token，能完整编码长文档。这就引出一个关键：不要迷信单一模型，要根据文本长度和语言灵活组合。再一个，很多人忽略边界。向量检索不是万能的。如果你的query里包含精确订单号或错误码，向量[[embedding]]会丢失精度，这时候需要跟关键词检索结合，比如[[Hybrid Search]]，用[[BM25]]兜底。我见过不少项目上线后召回率低，一查全是向量模型对短代码不敏感。所以前提是，你得先判断数据里有没有结构化片段。举个例子，一个退货申请页面，用户输入“订单…

#百度#文本嵌入模型#Embedding 模型对比