匹配口述回答：…选BGE-m3这种多语言模型，还得注意跨语言的检索能力，比如用户用中文查，英文文档能不能召回。最后说落地。真正上线时，我很少只用向量检索。更常见的做法是[[Hybrid Search]]，把向量和[[BM25]]结合起来。因为向量模型对字面匹配、专有名词比如订单号、错误码这些，效果很差，但BM25很擅长。所以我会同时建向量索引和倒排索引，检索时把两路结果融合，再用Rerank模型排序。这个方案能覆盖更多case，但代价是多维护一套索引和增加延迟。还有一个点值得注意：模型微…

#百度#评估与监控#向量检索

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：…近但答案错误的段落，让模型学会区分“看着像但不对”的情况，这对提升判别能力非常关键。再说检索优化。这里有个常见的误区，就是只依赖向量检索。实际上，向量检索在语义匹配上强，但在精确关键词匹配上弱，比如订单号、政策条款编号。所以我会用[[混合检索]]，把[[BM25]]关键词和向量双路召回结合起来，再合并排序。查询改写也很实用，比如用大模型把用户的问题做同义词扩展或指代消解，把“它”换成具体的商品名。还有一个技巧是HyDE，就是先生成一个伪答案，再用这个伪答案去检索，能有效弥合…

#字节#RAG 检索噪声#RAG 数据构建

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

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

匹配口述回答：…erank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；另一条是[[Hybrid Search]]，把[[BM25]]和向量检索结合，关键词匹配和语义匹配互补。这里有个坑：重排模型不能太慢，否则延迟受不了，上线前一定要压测P99。还有，如果业务文档本身质量差，比如全是[[OCR]]错字，那重排也救不了，得先清洗数据。再一个，上下文稀释。模型上下文窗口再大，有效信息被一堆无关段落淹没，注意力就散了，典型的就是Lost in the Middle现象。我…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…些在复杂场景下效果更好。但我觉得，RAG 落地的上限其实在检索质量，而不是生成能力。所以我会把更多精力放在检索链路优化上，比如[[混合检索]]，把向量和 [[BM25]] 关键词结合起来，应对不同 query 类型。总的来说，RAG 不是万能药，前提是你的知识库质量要够高，文档结构清晰，否则检索不准，后面生成再好也没用。我更倾向先做检索评测，再逐步优化生成，这样迭代路径更清晰。 RAG的核心定位与适用边界三阶段流程与关键环节落地风险与优化策略高级变体与工程取舍约4分…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…构。我一般会分四层：数据层、检索层、生成层、应用层。数据层不只是存文档，还包括用户交互日志，用来做后续的反馈闭环。检索层我坚持[[混合检索]]，不只用向量。生成层核心是让模型学会说「我不知道」，而不是瞎编。应用层负责权限、审核、对话管理。检索模块我重点讲。很多人一上来就用 Hybrid Search，但它的前提是你的标注数据够好，不然权重调不准。我的做法是：先做多路召回，向量检索和 [[BM25]] 关键词检索并行，再加结构化查询。举个例子，法律场景里查《民法典》第几条，关…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配口述回答：…词更有区分度，用 IDF 加权。公式我就不背了，但它的好处是确定性强、可解释、延迟极低。在客服退款场景里，用户问“退款多久到账”，BM25 能准确命中“退款到账时间”这个文档，因为它对“退款”和“到账”这种关键词非常敏感。但局限也很明显：词汇鸿沟，用户说“苹果”是水果还是手机，BM25 分不清；而且它完全基于字面匹配，语义上“退货”和“退款”相近，它就不行。所以有了语义匹配，也就是稠密向量检索。[[双塔]]架构，查询和文档分别编码成向量，用 [[ANN]] 近似最近邻检索…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：…景互补：向量适合模糊语义匹配，关键词适合精确术语，图谱能回答多跳关系问题，比如某个药和某个症状的关联。检索器设计这块，我会走[[混合检索]]加[[重排]]。召回层分三路：一是领域微调的向量模型，比如医疗用PubMedBERT，法律用Legal-BERT；二是[[BM25]]加领域同义词扩展，像医疗里UMLS同义词库，避免用户说“头疼”但知识库写“头痛”就搜不到；三是[[知识图谱]]检索，用Neo4j存实体关系，比如“疾病-症状-药品”三元组。这三路结果合并后用[[交叉编码器…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…dding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索结果为生成提供"事实锚点"，LLM从参数记忆转向上下文引用效果：可追溯来源，降低事实性错误 2. 动态知识更新 …

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…沿着检索、[[重排序]]、上下文融合、生成这条线走，但真正落地时很多决策是耦合的。先说检索。很多人一上来就堆向量，但实际业务里，向量检索对高频实体和精确匹配反而弱。比如客服场景里，用户问‘订单号12345退款失败’，关键词[[BM25]]直接命中订单号，向量可能因为语义偏移排到后面。所以我会优先做[[Hybrid Search]]，把向量和关键词结合。具体来说，索引侧我会做[[Embedding]]微调，用领域数据，比如退款、满减这类客服语料；查询侧做query改写，比如用…

#字节#RAG迭代优化#RAG 优化

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· 快手

RAG 延迟与准确率优化

匹配口述回答：…会崩，我一般用软删除加异步重建。三是流式生成，首token出来后一段一段吐，用户感知延迟会好很多。正确率方面，我会重点推**[[混合检索]]**，把[[BM25]]关键词召回和向量检索结合起来，再用RRF融合排序。这样能互补各自的盲区，比如订单号、错误码这种精确匹配的场景，纯向量就抓瞎，但关键词一查一个准。再一个是查询改写，用HyDE先生成一段伪答案再检索，能有效缩小query和文档的语义gap。还有[[Self-RAG]]，让模型在生成时自己判断要不要补充检索，避免过度检…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…的是企业合规文档，大量专业术语和内部缩写，通用 BGE 效果可能不好，需要领域适配微调。然后是检索阶段。这里有个常见误区，以为纯向量检索就够了。实际落地中，向量检索对语义相似性很敏感，但遇到精确匹配的场景，比如订单号、错误码，向量检索反而会跑偏。所以线上我一般用 [[混合检索]]，向量走 [[ANN]] 搜语义，关键词走 [[BM25]] 搜精确匹配，最后用 RRF 融合排序。但这样就够了吗？不够。融合后的Top-K候选里，可能还有一两篇不相关的，所以我会再加一层 [[重排…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配口述回答：…同样用那个 Embedding 模型把问题转成向量，去库里做相似度搜索，召回 Top-K 个相关片段。这里有个常见的失败场景：纯用向量检索，碰上关键词匹配的场景容易翻车。比如用户问“订单号 ERR-2024-001”，向量检索可能因为语义不相似而漏掉精确匹配的文档。所以真正上线我一般用 [[Hybrid Search]]，把向量检索和 [[BM25]] [[稀疏检索]]结合起来，比如线性加权或者 RRF [[重排]]。举个业务场景：电商客服处理退款，用户说“我买的东西降价了，…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…相似度计算会偏。索引结构，百万级用[[HNSW]]，内存够快；亿级就得用[[Faiss]]的[[IVF]]或者上分布式数据库。但纯向量检索有个问题：用户写个订单号或者错误码，向量相似度经常找不到，因为语义空间和字面匹配是两回事。所以我倾向做**[[混合检索]]**，把[[BM25]]关键词召回和向量召回两条路并行，再合并排序。这能明显提升召回率，尤其在客服退款、订单异常这类场景。在线检索流程里，我特别看重精排这一步。粗召回我一般拉100到200条，然后用[[Cross-En…

#百度#文档切分与检索#RAG 实现流程

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· 字节

RAG检索方法选型原因？

匹配正文：…能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval）传统BM25或TF-IDF，基于词项匹配优势：精准匹配专有名词、ID、代码片段；可解释性强适用：关键词明确的查询、长尾实体检索 3. 混合检索（Hybrid Retrieval）实际生产中的主流方案：Dense + Sparse并行召回融合策略：线性加权（α·Dense_score + (1-α)·Sparse_score）或RRF倒数排序融合…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…数据量上千万、要求实时更新，就得用Milvus或者Pinecone。这里有个前提：如果业务场景是精确匹配，比如查订单号或错误码，那向量检索不如关键词搜索[[BM25]]，所以生产上我一般搞[[混合检索]]，向量和关键词两条路一起走，再用[[Rerank]]精排。说到Rerank，这是提升质量的关键。向量检索是粗筛，召回几百条，但很多不相关，这时候用[[Cross-Encoder]]模型对候选结果逐条打分，只保留Top-5。代价是多了几十毫秒延迟，但效果提升明显，尤其对客服退…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…余：同一内容生成256/512/1024三种chunk，适配不同查询深度二、检索优化层多路召回召回通道适用场景实现方式向量检索语义相关领域微调Embedding + HNSW索引关键词检索精确匹配 BM25 + 领域同义词扩展结构化检索条件过滤元数据标签（时间、版本、文档类型）重排序与精排交叉编码器做精排，领域数据微调（如bge-reranker）引入用户反馈信号（点击、停留时长）做在线学习三、生成改进层上下文工程动态窗口：根据问题复杂度…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配口述回答：…阁。这里有个常见失败场景：很多人花大量时间调检索参数，但其实问题出在Embedding没对齐业务语义。检索环节，我通常会做 [[混合检索]]，就是 [[BM25]] 关键词匹配加向量检索并行。为什么？因为向量检索擅长语义相似，但精确匹配比如订单号、错误码，它反而不如关键词。举个例子，用户问“订单12345退款到哪了”，向量检索可能找到一堆退款政策，但关键词直接命中那个订单的详情。两个结果合并后，再用 [[Rerank]] 模型精排，把最相关的那条顶上去。另外，查询扩展也很有…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…：原文段落（粗粒度）+ 法条拆解（细粒度）+ 问答对（应用层）语义完整性：按条款边界切分，避免"第X条"跨块断裂二、检索优化混合检索方式实现适用场景稠密向量领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配口述回答：…val]]，用[[Embedding]]做语义匹配，适合长尾query；另一条是[[Sparse Retrieval]]，比如[[BM25]]，做精确词匹配，适合高频术语或订单号这种场景。真正落地时，我很少单选一条，而是用[[Hybrid Search]]把两者结果融合，比如用RRF排序。举个具体例子：客服场景里用户问‘退款到账时间’，语义上可能匹配到‘退款流程’，但关键词‘到账时间’能精确命中FAQ里对应的字段，混合检索能把两类结果都捞上来。这里有个坑：如果query和文档…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 美团

RAG 架构怎么搭?

匹配口述回答：…转成向量，存到 [[Vector Database]] 里。这里有个前提：如果你的知识库是纯关键词匹配场景，比如查订单号或错误码，向量检索反而不好使，因为短文本语义不丰富，这时候 [[BM25]] 的精确匹配更靠谱。所以真正落地，我倾向于 [[Hybrid Search]]，把稀疏和稠密两条路结合起来。然后说检索。在线阶段用户来了一个query，直接去向量库搜往往不够。比如用户问「退货怎么退」，但库里文档标题是「退款流程」，语义有偏差。所以我会先做一遍 Query改写，用大模…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…小丢信息。前提是你的文档结构清晰，如果文档质量差，语义切分反而更乱，那不如固定切分加overlap兜底。检索召回阶段，很多人只做向量检索，但通用[[Embedding]]在垂直领域效果很差。我会做 [[混合检索]]，向量加[[BM25]]关键词两条腿走路。向量负责语义，BM25负责精确匹配，比如订单号、错误码这种。然后一定要加 [[重排]]，用[[Cross-Encoder]]把Top-K结果精排一遍，这是性价比最高的优化，能显著提升最终生成质量。不过重排有延迟，如果要求实…

#美团#RAG常见陷阱#RAG 系统陷阱