匹配正文：… 按对话轮次分块，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存…

#高德#Agent#向量检索

面试题·Agent· 字节

Agent 长期记忆存哪里?

匹配正文：答案要点区分短期记忆与长期记忆的设计边界向量数据库、键值存储、摘要记忆三种方案的核心原理与适用场景从检索延迟、存储成本、上下文窗口限制三个维度分析权衡提及MemGPT、LangChain等主流实现作为案例支撑指出多层级混合架构是当前工业界主流实践 Agent长期记忆的三种主流实现及权衡： 1. 向量数据库（Vector DB）原理：对话历史分块→Embedding→相似度检索优势：语义检索能力强，支持模糊匹配劣势：延迟高（10-100ms级），存在"中间丢失"…

#字节#百度#Agent

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…、表格单元格关系） 2. 文本清洗与标准化去除页眉页脚、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 3. 分块（Chunking）——核心环节策略适用场景权衡固定长度（多组候选）结构较弱或需要快速建立基线的场景可能切断语义单元语义分块（Sentence-BERT断句）长文档计算开销大结构感知（按段落/标题）技术文档/论文依赖解析质量重叠策略：把零重叠、短窗口和较长窗口作为…

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#文档处理#向量检索

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：先明确优化对象索引效率与召回率存在权衡，不能只调一个参数。应先建立精确搜索基线，再在真实向量分布、过滤条件和并发下测 Recall@K、P50/P95 延迟、QPS、内存、构建时间与更新成本。常见策略索引选择：HNSW 通常以较高内存换取低延迟和较高召回；IVF 通过聚类缩小扫描范围；PQ/OPQ 压缩向量以节省存储和带宽。选择取决于数据规模、更新模式、内存和目标硬件。参数调优：HNSW 的 M、efConstruction、efSearch，IVF 的 nlist、…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…文，块太大可能引入噪声。应把多组 chunk size 与 overlap 组合放进同一评测集，比较召回、答案质量和成本。 3. 向量化与存储 Embedding选型：中文用BGE、M3E，多语言用E5、OpenAI text-embedding-3 向量数据库：Milvus（大规模）、Qdrant（易用）、Elasticsearch（混合检索方便）索引构建：HNSW（图索引，召回率高）、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优化混合检索：向量相…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…verlap 候选，验证边界召回和冗余成本递归字符按标点/换行逐级切分优先保证句子完整性语义分块对连贯性要求高的文档用Embedding相似度判断断点，计算成本较高结构感知论文、合同等结构化文档按章节、条款边界切分，保留元数据关键权衡：块太小→语义不完整；块太大→检索噪声高、Embedding稀释 3. Embedding模型选择通用场景：BGE-M3（支持多语言、长文本）、GTE-large 英文专用：OpenAI text-embedding-3-l…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、位置、类型） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写入向量库 ↓ 按需建立倒排索引，用于混合检索工程注意点： batch si…

#蔚来#文档处理#RAG文本分块

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：1. 准确性：语义相似 ≠ 事实正确向量Embedding捕获的是语义相关性，不是逻辑等价性典型问题：查询"苹果公司的创始人"，可能召回"苹果公司的新产品"（都含"苹果"语义） LLM能进行精确理解：识别实体关系、时间约束、否定词等细微差别例：用户问"2023年营收"，向量可能匹配到"2022年营收"的相似表述，LLM能识别时间错位 2. 上下文完整性：片段 ≠ 整体检索返回的是离散的文本块（chunks），天然割裂了原文逻辑常见问题：指代消解："该公司"在chu…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：…5。BGE-M3官方还支持sparse与multi-vector检索，不能把整个模型等同于单一稠密检索。维度 BGE-M3（稠密向量） BM25（稀疏词频）匹配方式语义相似度（cosine）精确词项匹配优势场景同义改写、跨语言、长语义理解专有名词、短查询、实时性要求高典型短板冷启动、罕见实体、计算开销语义鸿沟、词形变化敏感关键评估指标质量指标 Recall@k：前k个结果命中的相关文档数 / 已标注相关文档总数；前k中的相关占比是Precision@k…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 哔哩哔哩

粗排冷启动指标与路径

匹配正文：…术路径新用户冷启动 side information融合： demographics + 上下文（时间、地理位置、设备）→ 共享embedding层元学习（MAML）：学一个"好初始化"，新用户几步梯度快速适应跨域迁移：用站外行为预训练（如有），或站内其他业务线数据新物品冷启动内容理解embedding：视频标题/封面/标签走多模态编码（CLIP类），与ID embedding对齐到同一空间作者/品类先验：新视频继承作者历史表现、同品类热门物品的embedding…

#哔哩哔哩#评估与监控#向量检索

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…法问题本质分析这种现象叫**"语义相关但任务无关"**，典型场景：查询"苹果手机的电池寿命"，检索到"苹果的营养价值" 两者embedding相近（都是"苹果"），但用户意图完全不同核心矛盾：Embedding模型训练目标（语义相似）与RAG业务目标（任务相关）存在错位。解决策略（分层处理） 1. 查询侧优化查询重写（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：… 区分传统搜索与大模型搜索的本质差异（语义理解 vs 关键词匹配）阐述RAG核心架构（检索+生成）及关键模块说明混合检索策略（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

#商汤科技#检索生成流程#RAG 技术流程

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·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

RAG 完整流程分几步？

匹配正文：答案要点全流程五大步：文档解析 → 分块 → 向量化 → 检索 → 生成前三步是离线建库：把原始文档加工成可检索的知识库，提前做好后两步是在线问答：用户提问时实时执行，检索资料再生成答案分块是最容易被忽视却影响最大的一步：块太大噪声多，块太小语义被切断排查 RAG 效果差的问题，就按这条链路逐步定位是哪一环丢了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成…

#入门#基础概念#RAG流程

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：核心思想 GraphRAG 把文本证据与实体、关系或社区结构关联起来，用显式图结构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 G…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配正文：核心机制：从"语义相似"到"结构关联" 传统RAG的局限在于孤立看待文本块，仅通过向量相似度匹配，丢失了文档间的逻辑关联。GraphRAG通过三层机制突破这一瓶颈： 1. 显式关系建模实体-关系-实体的三元组结构，将隐式语义转为显式边解决"指代消解"问题：同一实体的不同表述（如"OpenAI"和"ChatGPT的开发商"）在图中归一关系类型自带语义：区分"创始人"vs"投资人"vs"竞争对手"，向量相似度无法区分 2. 多跳推理召回向量检索是单点匹配，GraphRAG…

#百度#知识图谱#评估与监控

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：答案要点能清晰区分RAG与微调的技术边界，说明何时选RAG 讲清楚"离线建库-在线检索-增强生成"的三阶段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：答案要点文档解析与结构化提取（表格/OCR/布局分析）多模态Embedding策略（文本+图像联合编码或分离编码）检索层面的多模态对齐与融合生成阶段的跨模态上下文整合实际挑战（解析精度、计算成本、模态对齐）核心思路多模态RAG的关键是统一表示 + 按需检索 + 跨模态生成。把表格、图片都转成模型能理解的格式，同时保留结构化信息供精准召回。技术方案 1. 文档解析层类型处理方法表格用专用工具（如Camelot、Table Transformer）提取为H…

#小鹏#多模态#RAG 表格处理

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：… 实时流（分钟级）：Kafka → Flink特征工程 → 实时数据库（Redis/HBase）批量流（小时级）：Spark生成Embedding → 增量更新向量库（Milvus/Pinecone）关键设计：双版本向量库（蓝绿部署），更新时切流量，失败秒级回滚 3. 检索决策层混合检索：向量相似度 + 实时库过滤条件（时间窗口、地域）动态权重：根据漂移强度调节外接知识vs模型参数的权重（门控网络或规则）更新机制的三种模式场景机制延迟一致性高频低危（推荐文…

#美团#分布漂移#外接数据库增强

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late interaction、多向量索引提升细粒度匹配稀疏-稠密混合：BM25关键词 + Dense向量，互补长尾与语义匹配三、索引结构优化分层索引：先粗筛（聚类中心）再精排，降低高维检索复杂度图…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：一、查询侧优化（让问题更清晰）查询重写/扩展 HyDE（Hypothetical Document Embedding）：让LLM先生成假设答案，用答案去检索而非原始问题 Query2Doc：类似思路，用少量生成内容扩展查询语义多查询扩展：一个query改写成多个不同表述，分别检索后合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融…

#字节#HyDE#RAG 检索质量