匹配正文：…4. 混合策略：1:1:1的easy:batch:hard比例，平衡收敛速度与区分度 4. 向量索引构建方案适用场景注意点 HNSW 百万级、精度要求高内存占用大，需控制ef参数 IVF-PQ 十亿级、内存受限聚类中心数与量化比特数 trade-off 实时增量新物料秒级入库需支持HNSW的动态增删或定期重建工程实践：Item向量离线预计算，User向量实时推理；索引按类目/热度分片，降低检索空间。链路解耦离线：全量Item编码 → 构建Faiss/Mil…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…5等模型生成稠密向量元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，过滤低质结果 3. 生成阶段上下文组装：按相关性排序，控制token预算 LLM生成：结合检索内容作答时效性优化方案核心思路：让"新"文档在相似度计算中获得隐性加分方案 …

#字节#向量库时效性#RAG 工作流程

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…

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

#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· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…osine端点可能已代办。若任务使用含模长信息的内积或原始L2，不应盲目归一化。三、向量数据库与检索机制核心组件：索引结构：HNSW（图索引，高召回）、IVF-PQ（倒排+量化，省内存）、Flat（暴力搜索，精度最高）距离度量：余弦相似度（方向一致即可）、欧氏距离（绝对位置重要）、内积（带模长信息）检索流程：查询文本 → Embedding模型 → 查询向量 q ANN索引快速召回Top-K候选（如HNSW的ef_search参数控制深度）可选：重排序（Cros…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 美团

Embedding 模型结构选型

匹配正文：…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· 美团

Embedding 相似性检索原理与索引构建

匹配正文：答案要点理解Embedding将语义映射到高维空间的本质掌握HNSW、IVF等ANN索引的核心思想能区分内积、余弦、欧氏距离等相似度计算的适用场景了解检索的完整流程和性能权衡核心原理 Embedding检索的本质是语义空间中的最近邻搜索，把"找相似文本"转化为"找相近向量"。三个关键环节 1. 向量化（Representation）用预训练模型（BERT、Sentence-BERT、OpenAI API等）将文本编码为稠密向量关键特性：语义相近的文本在向量空间…

#美团#Embedding相似性检索#Embedding 相似性检索

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· 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· 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…

#拼多多#ANN索引构建#ANN 索引构建

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·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配正文：…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、稀疏与稠密融合、过滤后检索都必须在目…

#安克科技#ANN性能权衡#RAG 向量匹配

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：…点积：计算快，但受向量模长影响工作机制离线阶段：索引构建文本 → 分块 → Embedding模型 → 向量 → 构建索引（HNSW/IVF-PQ）→ 存入向量库在线阶段：相似检索查询文本 → 向量化 → ANN搜索Top-K → 返回相似文档 ANN加速算法 HNSW：图索引，查询快、精度高，内存占用大，适合百万级 IVF-PQ：倒排+乘积量化，内存省、亿级规模，精度略降实际选型看数据规模和延迟要求 RAG中的关键作用作为召回环节，解决"找什么"的问题。检索质…

#美团#Embedding检索#Embedding 相似性检索

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

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：…了，可能需要重新切分或微调模型。说到监控，我发现很多团队只关注召回率，但其实检索延迟和存储成本的平衡才是线上真正的瓶颈。比如[[HNSW]]索引参数调不好，召回率再高，延迟超标也上不了线。这块其实可以深挖一下。所以整体上，我会把向量化流程看成一个根据业务场景不断迭代的工程系统，而不是一套固定的脚本。预处理、模型选择、归一化、版本管理，每一步都要和业务数据对齐，上线后持续观测，才不至于变成'离线跑分高、线上效果差'的尴尬局面。一句话定位：RAG落地的核心工程问题文本预处…

#安克科技#RAG 向量化流程#Embedding 模型选择

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

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·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…比如每次发版后自动同步文档。延迟也是个大问题。组件预计算embedding，检索走[[ANN]]，比如用[[Faiss]]的[[HNSW]]索引，这样检索能在毫秒级完成。大模型只负责最终生成，而且我会用流式输出，让用户不用等太久。另外，如果组件特别多，比如一个界面有上百个元素，我会考虑用[[GraphRAG]]来建模组件之间的层次关系，比如一个“表单”包含多个“输入框”，这样检索时能利用结构信息提升精度。所以整体上，我会把[[RAG]]看成一种连接视觉和语义的桥梁，核心…

#淘天#多模态#多模态 RAG

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：…态Embedding的存储和检索成本。CLIP这种模型的向量维度通常是512或768，但一些更大的模型可能到1024以上，这对[[HNSW]]索引的内存消耗压力很大。我最近在关注用[[Product Quantization]]做量化压缩，能在召回率损失1%以内把内存减半，这个方向挺有前景的。所以整体上，我更倾向于把伪多模态看作一个快速验证的起点，真正多模态是最终目标，但中间那个折中方案才是大多数业务落地的常态。一句话定位：这道题在问多模态检索的两种路线，本质是信息无损 …

#淘天#多模态#伪多模态RAG

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配口述回答：…Vector Database]] 比如 Milvus，小时级重建。一个容易踩的坑是，向量库频繁更新时，索引质量会下降，比如 [[HNSW]] 图结构会碎掉。我的做法是用蓝绿部署，双版本向量库，更新时切流量，失败秒级回滚，保证召回质量不崩。第三层是检索决策层，也就是[[混合检索]]加动态权重。检索时既做向量相似度，又用实时库过滤条件，比如时间窗口或地域。然后根据漂移强度，动态调节外接知识对模型输出的影响，比如用门控网络或简单规则。举个例子，外卖业务中，商家经常上下架或改库存…

#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

匹配口述回答：… 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。比如客服场景里，用户问的是'满减政策'，但文档里既有今年的也有去…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配口述回答：…aIndex默认索引可能性能不足，需要分库、缓存或改用更轻量的Faiss。面试官可能会追问大规模索引的优化策略，比如分片、缓存、HNSW参数调优，或者LlamaIndex与向量数据库的集成方案。

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配口述回答：…“当前该商户运力不足，建议暂停接单”。但这里有个坑。高并发写入时，向量索引的图结构更新很麻烦。你不能每来一条新数据就重建整个[[HNSW]]图，那延迟扛不住。我会把追加和删除分开处理：追加直接插入，删除用软删除加后台异步重建，用双缓冲影子索引保障实时性。另外，外卖场景里地理位置是硬过滤条件，检索时必须先按经纬度圈定范围，再在圈内做向量相似度，否则召回的商户在隔壁区就没意义。冷启动也是个问题，新商户没有向量积累，我会用结构化字段兜底，比如品类、价格区间先匹配，等积累足够点击数…

#美团#外挂数据库增强#外挂数据库