匹配口述回答：…] 算法召回Top-K。但光靠向量不够，比如“退款”和“退货”语义相近但业务不同，所以我会加 [[Hybrid Search]]：向量检索加 [[BM25]] 关键词检索，两路结果合并后再用 [[Cross-Encoder]] [[重排序]]。这一步能显著提升召回相关性，尤其当知识库有大量相似文档时。生成阶段，把检索到的文本和问题拼成Prompt，让LLM基于证据回答。Prompt结构很关键：先给检索内容，再给问题，明确要求模型引用来源。这里有个风险：如果检索内容有噪声或冲…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

RAG 检索与生成流程详解

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（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

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…

← 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

#淘天#知识图谱#RAG 痛点

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配口述回答：…ss-Encoder]]做精排，取Top 5。但只靠向量不够，我会结合关键词检索，也就是[[Hybrid Search]]，用[[BM25]]兜底，因为有些专有名词比如订单号、错误码，语义相近但词面不同，向量可能漏掉。举个例子，用户问'满减政策'，向量能召回'满200减30'，但关键词能召回PDF里的'满减'条款，两者互补。落地时我最关注两个风险。一是记忆冲突和过时：比如商家改价，旧版本还存着，Agent可能召回错误信息。我会做版本化存储，每条记录带时间戳和置信度，低置信的…

#高德#重排与优化#文档处理

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Encoder精排Top10 动态…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 重排序怎么选?

匹配口述回答：… 级的延迟交互，算一个相似度矩阵再求和，精度接近 Cross-Encoder，但速度快很多，尤其适合长文档。还要看多路融合，比如把向量检索、[[BM25]]、稀疏向量结果混合起来，用加权或 RRF 融合，适合数据分布复杂、单一通道不够稳的情况。举个例子，在客服退款场景里，用户问“我买的东西没收到，怎么退款”，向量检索可能召回一堆关于退款流程的文档，但真正需要的是“物流异常+未签收”这种组合。这时候如果只用向量，很容易把“退款流程”和“物流状态”两条线混在一起。我的做法是先用…

#字节#重排与优化#RAG Re-ranking

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配口述回答：…似度，匹配更细。不过代价是存储和检索都更重，所以小规模业务用通用模型加[[Hybrid Search]]其实更划算。检索阶段，纯向量检索有个老毛病，对专有名词和数字不敏感。比如用户搜「订单号2024AB123」，向量可能把它当成噪音忽略掉，但关键词检索能精准命中。所以我会把向量检索和关键词检索结合起来，也就是Hybrid Search，用[[BM25]]走稀疏路，用[[Dense Retrieval]]走语义路，最后加权合并。权重怎么调？我一般离线跑一批测试query，看召…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：答案要点说明两阶段检索的动机（召回vs精度的权衡）解释向量检索的局限性（语义粗粒度、无法利用交互信息）阐述Rerank的核心作用（细粒度语义匹配、计算资源后置）提及常见的Rerank模型（Cross-Encoder、ColBERT等）为什么需要Rerank 向量检索的固有缺陷双塔架构（Query-Document独立编码）只能捕捉粗粒度语义，缺乏细粒度交互 Embedding维度受限（通常768/1024维），信息压缩导致精度损失无法利用Query和Docume…

#字节#Rerank模型#RAG Rerank

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…t）二、在线检索生成（Retrieval & Generation）用户Query → Query改写/扩展 → 向量化 → 向量检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展、多跳查询分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序（Rerank）：Cross-Encoder模型精排，提升相关性上下文组装：检索结果去重、截断、按相关性排序注入Promp…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…能捞出一堆满减规则，却漏了店铺券的条款。改进思路很简单：别只依赖一种检索方式。我会用 [[Hybrid Search]]，把 [[BM25]] 的关键词匹配和向量检索结合起来，再做个 [[重排]]，用 [[Cross-Encoder]] 把候选文档精排，把噪声过滤掉。这里的风险是，重排本身有延迟，如果QPS高，得控制候选数量，不然响应时间会崩。然后是生成阶段。文档捞回来了，但可能太长，关键信息被淹没，模型反而开始“自由发挥”，也就是 [[Hallucination]]。比如…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…op-K=100）快速召回候选精排 Cross-Encoder重排序精细 relevance 打分混合检索：稠密向量 + BM25稀疏检索，RRF融合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. …

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…密检索与稀疏检索的优缺点及混合策略知道重排序模型的作用与典型实现能提出具体可落地的数据优化方案一、评估维度与指标检索阶段 vs 生成阶段检索评估：关注"找得准不准"，用Recall@K（答案是否在TopK）、MRR（首个相关文档排名）、NDCG（考虑相关度分级）端到端评估：用Answer Accuracy或RAGAS框架（context precision/recall, answer relevance等）二、检索模型优化双路召回策略稀疏检索（BM25）：…

#360#召回质量评估#RAG 召回优化

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…全量扫描二、相关性提升策略多路召回方式适用场景稠密向量（Dense）语义匹配、同义词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶段架构：向量召回Top-K → Cross-Encoder/BGE Rerank精排可比较ColBERT…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配口述回答：…索器选择。[[稠密检索]]比如 [[Embedding]] 模型，语义匹配强，但对罕见实体和精确匹配很弱；[[稀疏检索]]像 [[BM25]]，关键词匹配稳，可解释性强，但跨表述理解差。所以真正落地时，我倾向双路召回，把稠密和稀疏的结果用倒数排序融合或者学习权重合并，这样能互补。举个例子，客服退款场景里，用户问“怎么退运费”，BM25能精准匹配“运费”这个词，而稠密检索能理解“运费险”“退货运费”这种变体，两条路一起上，召回覆盖就上去了。再一个，索引结构优化。[[HNSW]…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：…粗排用大块保召回，精排用小块保精准，配合[[Rerank]]效果更好。落地风险也很明显。前提是分块策略要和检索方式匹配。如果只做向量检索，语义分块比固定长度好；但如果混合了[[BM25]]关键词检索，固定长度分块反而可能因为词频统计更均匀而表现更好。常见失败场景是，分块切得太碎，导致检索时上下文丢失，生成结果出现[[Hallucination]]。上线我会特别关注分块数对[[向量库]]规模和推理延迟的影响，分块数太多，检索延迟会飙升。另外，我现在比较关注动态分块，就是根据…

#百度#文本分块#chunking 策略

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：… [[Context Recall]]，确保模型没有忽略检索到的证据。说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模型多强，而是检索链路多稳。我更倾向先…

#美团#事实锚定#RAG 缓解幻觉的机制

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·RAG· 百度

RAG 索引构建管线

匹配口述回答：…型可能把它和'自然灾害'关联，但法律场景下它还有具体的免责条款含义。另外我特别推荐 [[Hybrid Search]]，就是 [[BM25]] 关键词加 [[Dense Retrieval]] 向量。为什么呢？因为关键词匹配擅长处理长尾词、专有名词，比如订单号、错误码，这种向量很难表达；而向量擅长语义匹配，比如'退货流程'和'退款步骤'。两者互补，能覆盖更多场景。但混合检索有个坑：权重怎么配。如果向量权重太高，关键词结果被淹没，长尾就丢了；反过来关键词权重太高，语义匹配又没了…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…相关性判断交叉编码器将query+doc拼接输入Transformer，通过注意力机制捕捉token级交互，能识别"苹果（公司）vs 苹果（水果）"这类双塔难以区分的细微语义差异。实际场景的优势与权衡优势场景：知识库存在大量相似文档（如法律条款、产品手册） query表述模糊，需要深度理解意图对答案准确性要求极高（医疗、金融）关键权衡：候选集大小：通常取Top-K=20~100做重排，K太大延迟爆炸，太小可能漏掉优质doc 延迟优化：可用轻量交叉编码器（如Min…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…比如“退款多久到账”和“退货钱什么时候退”其实是一个意思。然后去向量库做检索，用向量相似度召回Top-K个候选文档。这里有个坑：纯向量检索容易漏掉精确匹配的场景，比如订单号或者错误码。所以落地时我通常会把向量检索和关键词检索结合起来做 [[Hybrid Search]]，比如用 [[BM25]] 做关键词召回，再融合排序。召回的文档不一定都相关，所以下一步是[[重排]]，用 [[Cross-Encoder]] 模型精排，把最相关的文档排到前面。重排之后就是上下文融合，把检索到…

#商汤科技#两阶段文档处理#RAG 系统架构