匹配正文：答案要点向量索引选型与优化（HNSW、IVF等）多路召回与融合排序 Embedding模型优化与量化缓存策略与预计算硬件加速与分布式部署检索模块性能优化的核心策略一、索引层优化向量索引选型：以Flat作精确对照，把HNSW、IVF与量化组合列为候选；规模之外还要看维度、内存预算、过滤/更新、质量门槛和实测延迟，不能只凭百万/亿级决定。参数调优：HNSW检查M、构建efConstruction与查询efSearch；IVF扫描nlist/nprobe并核查训练样…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配正文：答案要点能清晰区分四大范式（树/哈希/量化/图）的核心思想和适用场景掌握1-2种代表性算法的细节（如HNSW、PQ、LSH）理解各方法的时空复杂度权衡能结合实际场景（如RAG中的百万/十亿级检索）给出选型建议了解工业界的优化手段（如乘积量化+图索引的混合方案）向量相似度检索的核心矛盾是精确性与效率的权衡。高维空间下精确最近邻复杂度O(n)，必须依赖近似最近邻（ANN）算法。四大范式如下：一、基于树结构：空间划分思想代表算法：KD-Tree、Ball Tree、…

#百度#ANN索引#向量检索方法

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：答案要点明确ANN索引构建的完整流程（数据准备→算法选择→参数调优→持久化部署）能对比主流算法（HNSW/IVF/LSH）的适用场景和trade-off 理解量化压缩（PQ/SQ）在内存与精度间的平衡知道索引更新的策略（增量vs重建）提及实际工具选型（FAISS/Milvus/Pinecone等） ANN索引构建完整流程 1. 数据准备阶段向量归一化：统一维度，处理缺失值，L2归一化（余弦相似度场景）数据分区：按业务维度分片（如按用户/类目），降低单次搜索规模采…

← 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

#拼多多#ANN索引构建#ANN 索引构建

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

面试题·检索· 百度

向量检索基本原理是什么?

匹配正文：…，可作为小规模服务方案或评测近似索引召回的基线；是否可用取决于数据量、维度、硬件、过滤和延迟目标，不存在统一的“百万以内”界线。 HNSW 通过多层近邻图加速搜索，常见特点是较高召回和较大内存开销。 IVF、PQ 及其组合先缩小候选范围并可压缩向量，适合在容量、速度和召回之间取舍，但具体存储形态由引擎决定。 3. 相似度计算余弦相似度比较方向；向量归一化后，余弦排序与点积排序等价。未归一化点积同时受方向和模长影响，只有模型训练目标支持时才应使用。欧氏距离适用于按该几何关…

#百度#向量索引#向量检索原理

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…最近邻,Approximate Nearest Neighbor),避免逐条精确计算。它用可接受的召回损失换查询加速,常见实现有 HNSW、IVF;具体提升幅度受数据规模、硬件、索引和参数影响,要与精确检索在同一数据与负载下实测。面试里被问"向量检索为什么快",可以答到"ANN 缩小候选搜索范围,再用召回与延迟共同验收"。落到技术栈选型时,可以把 Milvus 向量检索 + Elasticsearch/BM25 关键词检索 + FastAPI 编排当成一套候选方案。组件名字…

#RAG#检索#项目实战

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：… 推理服务服务化、限流熔断、健康检查、灰度发布高并发 / 异步处理请求推理服务吞吐设计、请求批处理(batching)、协程与队列文档解析与数据管道 ETL、消息队列、批处理、增量更新向量数据库选型与调优存储选型、索引优化(HNSW/IVF 换个名字的 B+ 树直觉) 缓存设计向量检索结果缓存、语义缓存、Prompt 命中复用推理延迟与成本优化性能调优、连接池、批量化、异步降级可观测性 / 线上质量监控评估指标埋点、离线评测集、线上 badcase 采样…

#求职#职业转型

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：…ex": 3, "source": "技术规范_v2.pdf", "timestamp": "2024-01-15" } } 索引与入库小数据量：Flat（精确搜索）大规模：HNSW（高召回）或 IVF（内存友好）混合检索：稠密向量 + 稀疏向量（如BGE-M3的unified embedding）生产注意：建立版本管理机制，模型更新时需全量重刷向量。学习建议建议系统学习该知识点

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…r PostgreSQL扩展已有PG基础设施，数据量<100M Faiss 纯索引库、轻量实验环境、嵌入式部署 5. 索引构建与优化索引算法：HNSW（高召回、快查询，内存占用大）vs IVF（省内存、适合十亿级）参数调优：HNSW的M（连接数，通常16-64）、efConstruction（构建精度）增强策略：多向量表示：一个文档存摘要向量+详细内容向量元数据过滤：先按时间/类别过滤再向量检索增量更新：处理新增文档的索引合并策略学习建议建议系统学习该知识…

#美团#RAG 知识库构建#文档预处理

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：答案要点数据收集策略与来源选择数据清洗与质量评估方法 Embedding模型选型与微调向量索引结构选择（HNSW/IVF）检索策略优化（重排序、混合检索）知识库更新与维护机制一、数据收集阶段来源分类结构化数据：数据库、API、Excel表格非结构化数据：PDF、Word、网页、聊天记录半结构化数据：Markdown、JSON、XML 关键原则优先收集高频查询场景的数据建立数据版本管理和溯源机制二、数据清洗与预处理核心步骤格式统一：PDF转文本（处…

#百度#大模型知识库构建#知识库向量化

面试题·检索

向量数据库和普通数据库有什么区别?

匹配正文：…NN 为什么快暴力检索要把查询向量和库里每一条都算一次距离，N 条就是 N 次计算，规模一大就扛不住 ANN 提前建索引：比如 HNSW 把向量组织成多层"高速公路网"，查询时从高层粗定位、逐层往下细找，只访问极少数节点代价是"近似"：可能漏掉个别真正的最近邻，用召回率（找回来多少真答案）衡量；实践中 95%+ 的召回换来毫秒级响应，非常划算入门之后，可以往 HNSW/IVF 的原理细节、召回率与延迟的权衡、混合检索方向深入。

#入门#基础概念#向量数据库

面试题·检索· 京东

向量数据库选型关键因素有哪些？

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

RAG 向量检索怎么高效召回?

匹配正文：…补全上下文（如HyDE生成假设文档）意图识别：区分事实查询/摘要/对比类问题，路由到不同检索策略 2. 向量检索执行索引结构：HNSW（高召回+速度平衡）、IVF-PQ（超大规模）、DiskANN（内存受限）参数调优：ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Retrieval（如SPLA…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…如where category='payment'），减少向量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·评估· 字节

知识库更新策略怎么选?

匹配口述回答：…据拆成“旧版本软删除加新版本新增”，删除数据不原地动索引，而是维护一个删除标记列表，后台异步重建索引。这里有个坑：千万不要在 [[HNSW]] 或 [[IVF]] 这种图索引/聚类索引上直接做删除操作，否则检索质量会崩。一致性保障是另一个难点。说白了，你要保证业务数据库和向量库最终一致。我常用的手段是：消费端做幂等处理，每条记录带版本号或时间戳，写向量库时做 upsert 语义。检索的时候，带版本过滤，只取最新版本。这还不够，我会加一个定期对账任务，比如每小时比对源库和向量…

#字节#评估与监控#RAG 知识库更新

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…的做法是先各出一部分结果，再用 [[Rerank]] 模型合并排序。索引结构上，如果数据量不大，几百万以内，直接暴力搜索加 [[IVF]] 就够了。但上了千万甚至亿级，就得用 [[HNSW]] 图索引，它能做到毫秒级召回。不过图索引有个风险：它建起来慢，而且动态更新困难。如果知识库频繁更新，比如每天加几万条新文档，每次都重建索引成本太高。我的做法是增量写入加双缓冲，一个 base 索引，一个 delta 索引，查询时合并，后台异步重建。还有一个优化是元数据过滤。比如客服场景…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG 为何还要重排?

匹配口述回答：…一下。[[RAG]] 系统里，初步检索通常用 [[Embedding]] 加 [[ANN]]，比如 [[Faiss]] 里的 [[HNSW]] 或者 [[IVF]]。这些方法追求的是快，几毫秒从百万级库里捞 Top-K，但用的是 [[Bi-Encoder]]，查询和文档各自独立编码，最后算个余弦相似度。这么做的问题是，它只能捕捉粗粒度的语义相关，比如用户问“退款多久到账”，它可能召回一篇讲“退款流程”的文档，但里面根本没提时间。这就是所谓的“语义相关但内容不匹配”的噪声。重…

#字节#重排与优化#RAG 重排

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…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[[Agentic RAG]]，让模型自主决定检索步骤，或者…

#淘天#事实准确性#RAG 减少幻觉