匹配正文：… 向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（AN…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现还取决于索引版本、并发更新和实现。 3. 上下文增强对候选去重、裁剪并保留来源标识，把问题、证据和回答约束组装成上下文。要处理冲突、过期和权限不足的证据，并防止检索内容中的提示注入被当作系统指令。 4. 生成与…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 哔哩哔哩

召回 vs 粗排怎么分工?

匹配正文：…保留多少候选、模型多大，都由候选规模、精排成本和服务预算决定，不存在通用的“亿级到千级”或“十毫秒”阈值。协同关系候选库 → 多路召回或 ANN → 合并去重 → 可选粗排 → 精排 → 约束与多样性重排召回可来自协同过滤、双塔向量、图、热门或业务规则。粗排可用轻量 GBDT、浅层网络或蒸馏模型，并应覆盖精排所依赖的主要目标。若粗排标签、特征或目标与精排不一致，会产生选择偏差，把后续本可识别的优质项提前删除。视频推荐可以并行召回关注作者、历史兴趣、相似内容与探索候选；…

← 上一页第 4 / 4 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

#哔哩哔哩#召回与粗排#召回与粗排区别

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…Sharding）+ 路由层，支持水平扩展预过滤（metadata filter）减少候选集，避免全量扫描二、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…

#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？

匹配正文：一、检索器选择：多路召回稠密检索（Dense）基于Embedding：DPR、Contriever，适合语义匹配优势：跨表述理解；劣势：对罕见实体、精确匹配弱稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：低频全量重建，天级或周级索引层：多路召回融合时间戳过滤：检索时优先召回近期文档，或按时间加权打分多版本共存：同一实体保留历史快照，检索时返回最新版稀疏+稠密混合：BM25捕捉时效关键词，向量捕捉语义检索层：动态补偿机制时效性检测：对Query做时间意图识别（"最新"、"2024年"），触发实时搜索补充置信度阈值：检索得分低于阈值时，降级到实时API（如搜索引擎）获取最…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…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SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：答案要点区分检索失败类型（无结果/低质量结果）并设计不同策略查询改写与扩展的具体方法多路召回与混合检索的架构设计大模型自身知识的安全调用机制用户感知的透明反馈设计核心策略：分层兜底架构 1. 失败类型识别零结果：向量库返回空，检查embedding/索引问题低质量结果：有结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再…

#百度#小鹏#美团

面试题·检索· 字节

向量检索加速：有哪些陷阱

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· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…设答案再检索查询分解：复杂问题拆成子查询分别检索 2. 检索侧增强混合检索：向量+关键词 BM25 融合，互补长尾和精确匹配多路召回：不同 embedding 模型、不同切分粒度并行召回粗排→精排：先用轻量模型快速筛选，再用 Cross-Encoder 精排 3. 文档侧处理动态上下文压缩：用 LLM 提取关键片段，去除冗余元信息过滤：按时间、来源等标签预过滤索引优化：调整 chunk 大小和重叠策略，关键信息不截断 4. 重排序与过滤 Cross-Encode…

#字节#检索故障诊断#检索质量优化

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配正文：…叠区域做embedding去重，减少存储粒度权衡原则细粒度（小chunk）优势：检索精确度高、噪音少风险：丢失上下文、需要多路召回拼接粗粒度（大chunk）优势：信息完整、减少拼接风险：引入无关信息、压缩有效信号工程实践建议分层索引：短chunk用于精排，长chunk用于生成动态调整：根据query长度和文档类型自适应chunk size 效果验证：用Hit@K和答案完整性做离线评估，结合用户反馈迭代实际落地中，我倾向于结构感知+适度重叠的组合，在Mar…

#小鹏#文本分块优化#RAG 文本分段

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：…c_id做关联，保证最终一致性集成关键点写入流程：原文入库 → 生成embedding → 双写（事务或异步补偿）检索流程：多路召回（向量Top-K + BM25关键词）→ 重排序 → 过滤业务条件一致性：向量库无事务，建议用异步任务+对账机制，而非强事务选型决策因素数据规模：百万级以下pgvector够用，千万级以上考虑专用向量库查询复杂度：需要复杂过滤（时间范围+标签+语义）→ 优先统一存储或强关联设计团队成本：pgvector降低技术栈复杂度，Milvu…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·文档处理· 百度

RAG ANN 索引优化

匹配追问：…RAG系统里向量索引做召回，你觉得哪些环节会影响效果？……比如分块策略？嵌入模型？……那具体怎么提升召回率呢，像ANN算法调参或者多路召回这些，你怎么看？直球架构请列举RAG系统中向量索引优化的常见策略，比如分块、嵌入、ANN算法、多路召回等，并解释每个策略为什么能提升效率或召回率。

#百度#文档处理#RAG ANN 索引优化

面试题·评估· 小红书

用户兴趣建模：数据与特征陷阱

匹配口述回答：…，天级更新就够了。关键技巧是时间衰减加权，近期行为权重指数级提升，不然三个月前点的健身视频还在推，用户早腻了。算法选型上，我坚持多路召回加精排。召回层我会上协同过滤的ItemCF，捕捉“看了又看”的关联；向量召回用[[双塔]]模型，用户embedding实时更新；再加上图召回，基于社交关系的GraphSAGE。精排层主模型用DeepFM或者DIN，DIN的好处是能通过注意力机制处理行为序列，把用户最近对什么感兴趣显式地建模出来。多目标优化我会用MMoE结构，同时优化点击、互…

#小红书#评估与监控#用户兴趣建模

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配追问：…球架构请从检索器、生成器、整体架构三个层面，讲一下RAG系统提升检索精度和生成质量的有效手段，比如查询改写、重排序、上下文压缩、多路召回这些，你会怎么选型和取舍？

#AIlab#检索器优化#RAG 优化

面试题·RAG· 小红书

生成式推荐系统未来怎么发展？

匹配口述回答：…D的电商推荐，ID空间太大，Tokenizer编码会丢信息，反而退化成降级方案。所以落地时我常把统一框架只用在重排阶段，前几级还是多路召回，这样既保留效率又提升生成质量。训练方式上，一个明显趋势是引入[[RLHF]]或[[DPO]]。生成式推荐容易有曝光偏差，模型只学到用户看了什么，没学到用户真正喜欢什么。用用户真实反馈，比如点击、收藏、观看时长，来优化生成策略，就能对齐真实偏好。举个例子，在小红书场景下，笔记生成的优化目标应该是收藏率而不是点击率，因为收藏代表用户觉得有用…

#小红书#生成式推荐趋势#生成式推荐系统

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配口述回答：…但实时性还是不够理想。所以整体上，我会把RAG看成一套需要根据场景动态调整的管线。比如客服场景，召回率比延迟更重要，我会用重排加多路召回；但如果是实时问答机器人，延迟敏感，我会牺牲一点召回率，只用向量检索加轻量级过滤。没有银弹，只有取舍。 RAG本质是给LLM配外挂知识库离线建库：分块粒度与混合索引在线检索：从Query改写到底层召回策略生成阶段：Prompt约束与幻觉管控落地权衡：场景决定方案选择约4分钟知识库频繁更新时，离线建库和在线检索之间的延迟与一致性平…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配口述回答：…模型要领域适配，融合参数要按场景调过。如果资源有限，我会优先把预算花在embedding模型的微调和检索链路的监控上，而不是盲目上多路召回。一句定位：RAG检索本质是召回与精度的取舍 BM25：精确关键词匹配，适合专有名词场景向量检索：语义扩展强，但依赖embedding质量混合检索：实际落地标配，RRF融合有坑场景举例：电商搜索中品牌词与长尾词的动态权重约4分钟混合检索的融合时机：先检索后融合 vs. 先融合索引再检索，后者如ColBERT的late inter…

#小红书#检索方法对比#BM25 向量检索混合检索