匹配正文：选型向量数据库，核心看场景匹配度，不能只看 benchmark 数字。 1. 检索性能与索引类型延迟敏感场景（实时对话）选 HNSW，召回率高、查询快，但内存占用大海量数据（十亿级）选 IVF 系列或磁盘索引，牺牲部分召回换存储成本务必关注 filter 下推能力——先元数据过滤再向量检索，避免全量扫描 2. 可扩展性与运维数据量 < 1亿：单节点 Milvus/Pinecone 足够数据量 > 10亿或高并发：需原生分布式（Milvus、Weaviate）或云托…

#京东#向量检索#向量数据库选型

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：一、Embedding模型选择场景推荐模型特点通用中文 BGE-large-zh、M3E-base 开源、效果稳定、支持指令微调多语言 E5-multilingual、BGE-m3 跨语言检索、支持100+语言长文本候选 BAAI/bge-m3 模型卡标注最大8192 tokens；实际长度、切分与截断仍要按任务验证轻量部署 MiniLM、BGE-small 速度快、资源占用低选型关键：在目标资料与query上比较检索质量、语言/长度支持、成本和延迟；维度并非…

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

#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：…PU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…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 美团

Embedding 模型结构选型

匹配正文：…ERT-large、追求效果语义区分度更强 2048+ 多模态、复杂任务存储和计算成本陡增关键权衡：维度↑ → 语义容量↑、检索精度↑，但索引体积↑、延迟↑、训练难度↑。实际需结合向量数据库（如Milvus/Faiss）的索引类型（HNSW/IVF）综合评估。新趋势：MRL（Matryoshka Representation Learning）训练时让模型同时适配多维度，推理时按需截断，打破"一次训练固定维度"的限制。学习建议建议系统学习该知识点

#美团#向量检索#Embedding 模型结构选型

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：…entence-BERT 共享骨干的Siamese/Triplet编码方式通过句对分类、回归或triplet等目标学习可比较的句向量，具体损失依训练方案 BERT为何不适合直接做语义检索 BERT的[CLS]向量未经显式句子相似度训练，语义区分度弱 BERT也能独立编码并pool成向量，但未针对句向量训练的质量未必好。Cross-Encoder才需逐(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…

#小米#向量检索#Embedding 向量维度选型

面试题·检索· 百度

向量召回实现方式有哪些?

匹配正文：答案要点能列举至少3种主流向量检索算法（如HNSW、IVF、LSH、PQ等）能对比不同方法在召回率、延迟、内存占用上的权衡能说明建索引和查询的复杂度差异能结合场景说明选型依据（如实时性要求、数据规模、精度要求）向量检索的核心是近似最近邻（ANN）搜索，常用实现方式可分为以下几类： 1. 基于图的方法：HNSW 原理：构建多层导航图，高层稀疏快速定位，底层稠密精确搜索特点：召回率高（>95%）、查询快（毫秒级），但内存占用大、建索引慢适用：中等规模（千万级）、对延…

#百度#向量检索#向量召回方法

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· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：答案要点余弦相似度的数学原理及为何适用于高维向量 HNSW和IVF的核心机制与适用场景建索引时参数调优的关键维度（ef_construction/M/nlist/nprobe）精度与效率的权衡策略（分层检索、量化压缩、动态阈值）一、相似度计算方法余弦相似度是RAG中最常用的度量：公式：cos(θ) = (A·B) / (||A|| × ||B||) 核心优势：对向量长度不敏感，只关注方向一致性，适合语义相似性判断工程实践：向量通常已归一化，此时点积等价于余弦相似…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配正文：精确检索与 ANN 查询和文档向量采用与模型训练一致的归一化与距离度量。Flat 搜索给出精确基线，但计算随向量数量线性增长；大规模场景通常使用近似最近邻索引。 HNSW：多层导航图，查询延迟低、召回高，代价是图结构内存与构建成本；主要通过 M、efConstruction 和查询 ef 调节。 IVF：先聚类分桶，查询时探测部分桶；nlist 与 nprobe 控制候选范围。 PQ/IVF-PQ：对向量子空间量化以减少存储和带宽，但会引入距离误差。混合架构：热冷分层、稀疏…

#安克科技#ANN性能权衡#RAG 向量匹配

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实检索场景】的混合召回与重排，承担【真实模块和决策】。需要准备：查询与语料场景；职责边界；候选生成与排序工件。使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。需要准备：基线；融合参数；消融结果；工程代价。逐层练习 1.…

#模拟面试#简历项目#连续追问

系统教程·检索

重排与检索优化面试题大全

匹配正文：… topK 控制、batch 推理、轻量模型、缓存和降级策略。好的答案不是“加重排”，而是“在可接受延迟内提升有效上下文”。混合检索和重排怎么配合？混合检索负责扩大候选，重排负责统一相关性判断。常见做法是 BM25 + 向量召回后 RRF 融合，再用 reranker 精排前几十条。继续学习 RAG 面试题大全与知识体系系统设计：把检索链路做成可评估系统

#专题学习#重排与检索优化面试题大全

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…行代码把"排序为什么会错"亲手复现一遍。 3 个核心概念(先白话,再术语) 概念 1:什么是"重排 / 精排"? 第 5 章的混合检索能把几十上百条"可能相关"的候选捞回来,但它们的顺序不一定对。重排(Rerank,也叫精排)就是再加一道关卡,用更强但更慢的模型,把这批候选重新排一次序,把最相关的几条顶到前面。概念 2:为什么粗排会排错? 第 5 章的向量检索和 BM25 都是独立打分的,只看 query 和单个 doc 各自的相似度/词面命中,读不懂 query 和 do…

#RAG#检索#项目实战

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…目标页面有没有解析出来，双栏和表格结构是否正确，切分后条件与结论是否仍在同一个可用语义单元。接着确认 Chunk 是否写进当前可检索索引。文档可能解析成功，却因为批量写入部分失败没有进入向量库。也可能新版本已经上传，检索仍然只看旧索引。权限、知识库和文档状态也可能让正确 Chunk 不在本次范围内。如果正确证据根本不存在于索引，调 BM25 权重、替换 Embedding、扩大 Top-K 都不会修好问题。检索器只能在已有语料中挑选，不能找回从未进入候选空间的内容。 …

#RAG#生成与对话#RAG 检索优化

面试题·Agent

Agent 记忆数据怎么存？关系库、向量库、对象存储与 Schema 怎样设计

匹配正文：…前者。Schema 必须为这些生命周期预留字段和恢复路径。先给出 30 秒回答我会把 Agent 记忆存储设计成“关系事实源、向量语义索引、对象工件层、缓存加速层”。关系库保存 memory_id、主体与租户、类型、规范化内容、来源、时间、版本、有效状态、权限、替代关系和索引状态；向量库只保存可检索文本、embedding、主记录 ID、版本和必要过滤元数据，命中后必须回关系库复查权限与最新状态；长对话、文档和工具产物放对象存储，State 或记忆只保留引用。写入先提交主…

#Agent#记忆与存储#Agent 记忆存储设计

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…：[(timestamp, summary, entities, importance_score)] 3. 长期记忆（冷数据）向量数据库：对话片段embedding + 元数据（时间、主题、情绪）结构化存储：用户画像、偏好、历史任务结果（如SQL/图数据库）检索策略：混合召回场景策略实现即时上下文工作记忆直接读取最近N轮近期相关短期记忆语义匹配摘要向量Top-K 远期细节长期记忆多路召回向量相似度 + 时间衰减 + 关键词过滤关键技巧：检索时拼…

#高德#Agent#Agent 记忆管理

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…意点固定长度按token/字符数切分，带重叠窗口通用场景，实现简单固定长度与重叠窗口都只作为候选配置，具体大小由文档结构、Embedding输入限制和同一评测集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Embedding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小→上下文丢失；块太大→检索精度下降、Embedding稀释。实践中…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：一、Embedding模型选型策略核心原则：任务驱动选型任务场景推荐方向典型模型通用语义检索双塔编码器，MTEB高分 BGE、GTE、E5系列代码/技术文档代码预训练模型 CodeBERT、CodeT5+ 多语言场景多语言对比学习 multilingual-e5、BGE-M3 长文档理解支持长上下文的模型 Jina Embeddings v2（8K）关键考量点：维度与效率权衡：1024维通常效果较好，但768维在速度和存储更优指令微调：E5、BGE等…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配正文：…口、语义分块等）及适用场景分块大小的权衡（粒度vs语义完整性）边界处理策略（句子/段落保持）实际工程中的考量因素（计算成本、检索效果、下游任务）百度场景下的特殊优化（中文分词、长文档处理）核心分块策略 1. 固定长度分块按token数或字符数硬切分（如512 tokens）优点：简单、对齐向量索引、便于批处理缺点：可能切断语义，边界信息丢失 2. 滑动窗口分块把零重叠、短窗口和较长窗口作为候选，用同一评测集比较边界证据完整率、召回与成本保证上下文连续性，减…

#百度#文本分块#chunking 策略

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…padding浪费缓存机制：文档哈希去重，避免重复编码归一化 import torch.nn.functional as F embeddings = F.normalize(embeddings, p=2, dim=1) # L2归一化必要性：将向量映射到单位球面，使余弦相似度等价于点积，加速Milvus/PGVector的检索计算工程注意版本管理：模型更新时全量重刷向量，或双版本并行灰度维度对齐：不同模型输出维度不同（768/1024/3072），入库前校验 …

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：… 嵌入模型的选型原则与主流方案（OpenAI、BGE、M3E等）文本分块的核心策略（固定长度、语义分块、递归分块等）及边界处理向量归一化的作用与L2归一化实现余弦相似度的数学原理与计算优化 ANN近似最近邻算法（HNSW、IVF等）的应用场景一、嵌入模型选型场景推荐方案特点通用中文 BGE-large-zh、M3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂直领域 …

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…ge 跨语言对齐好垂直领域领域微调（如法律、医疗）术语理解更准确选型核心：MTEB榜单参考 + 业务数据实测召回率 3. 嵌入生成与优化批处理推理：GPU批量编码，避免单条推理开销向量归一化：L2归一化后，余弦相似度等价于点积，加速检索维度压缩：必要时用PCA或量化（如1024→256维），权衡精度与存储 4. 质量保障离线评估：Top-K召回率、MRR指标在线验证：人工抽检query-doc相关性，建立bad case闭环

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配正文：…、Serverless计费模式京东场景建议电商搜索对延迟极敏感，推荐Milvus/Zilliz或阿里自研Proxima：商品向量千万级，用HNSW保证<10ms响应结合商品属性做过滤查询（hybrid search），需数据库支持标量过滤下推学习建议深入理解排序学习中pointwise与listwise的区别，结合信息检索场景分析训练与评估目标的差异。

#京东#评估与监控#向量数据库选型

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配正文：…好" 命中率（Hit Rate）：查询是否命中至少一个相关文档评估方式需人工标注query-doc的相关性标签（二元或分级） Embedding/LLM可辅助产生候选标注，但它们有噪声和评估循环风险；应以独立人工复核集校准，不能直接把同一检索器的相似度当黄金相关性。二、生成质量评估忠实性（Faithfulness）答案是否基于检索内容，有无幻觉常用方法：NLI模型判断陈述与文档的蕴含关系答案相关性（Answer Relevance）答案是否直接回应问题，有无跑…

#蚂蚁#评估与监控#RAG 检索与生成评估

Embedding升级后向量对齐方案

向量数据库选型关键因素有哪些？

Embedding + 向量数据库怎么搭?

中文知识库检索选型

Embedding 模型结构选型

Embedding 向量维度选型

向量召回实现方式有哪些?

向量召回原理与实现?

RAG向量匹配原理与ANN算法取舍

RAG 向量匹配怎么高效实现?

混合检索、RRF 与重排项目模拟面试

重排与检索优化面试题大全

第 6 章:重排(Rerank)与检索优化

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

Agent 记忆数据怎么存？关系库、向量库、对象存储与 Schema 怎样设计

Agent记忆分层：摘要与检索协同

RAG 向量索引构建流程详解

Embedding 模型选型 vs 落地流程?

分块策略怎么影响检索?

RAG向量化流程：预处理到归一化

RAG向量化：分块与Embedding

RAG文本向量化：分块与嵌入陷阱

RAG向量数据库选型关键指标

RAG 检索与生成评估