匹配正文：答案要点能清晰区分检索阶段与生成阶段的评估差异掌握常用检索评估指标（Recall@K、MRR、NDCG）理解稠密检索与稀疏检索的优缺点及混合策略知道重排序模型的作用与典型实现能提出具体可落地的数据优化方案一、评估维度与指标检索阶段 vs 生成阶段检索评估：关注"找得准不准"，用Recall@K（答案是否在TopK）、MRR（首个相关文档排名）、NDCG（考虑相关度分级）端到端评估：用Answer Accuracy或RAGAS框架（context precis…

#360#召回质量评估#RAG 召回优化

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…，但仍需调节候选深度和常数；分数加权必须防止尺度漂移。应分别报告 BM25、Dense 与 Hybrid 的 Recall@K、MRR/NDCG、无答案率、P95 延迟和成本，并按编号、术语、同义改写等查询桶分析。只有覆盖收益大于重排与延迟成本时，融合才值得上线。图解混合检索怎么提升 RAG 召回?图解

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：… 参数与验证 k1、b、分词、停用词、字段权重和 IDF 变体共同影响结果。典型默认值只用于起点，最终应在目标语料和标注查询上以 MRR、NDCG、Recall@K 与业务结果调参。在 RAG 中的作用 BM25 擅长术语、编号、实体和错误码等词面匹配，可与稠密向量召回互补。它不理解未出现词项的语义关系，也不能被称为对 OOV 天然鲁棒；同义表达需要分词、扩展词、混合检索或重排补充。图解 BM25 原理与 TF-IDF 改进点图解

← 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

#美团#BM25#BM25 算法原理

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配正文：…能笼统说它完全不处理长度。 k1、b 的默认值只是起点。分词、字段权重、停用词、IDF 变体和语料长度分布都会改变最佳设置，应以 MRR、NDCG、Recall@K 和业务查询集调参。 BM25 对术语、实体、编号和错误码的词面匹配强；但查询与文档没有共享词项时得分可能为零，也不等于能处理所有 OOV。它常与稠密召回取并集，再经 RRF、分数校准或重排融合。图解 BM25公式参数含义与TF-IDF对比图解

#美团#BM25#BM25 算法原理

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配正文：…一定可替代重编码。迁移策略应按数据量、变更速率、算力和停机预算决定，而不是固定数量级阈值。验收应比较 Recall@K、NDCG/MRR、无结果率、P95 延迟和索引新鲜度。图解 Embedding升级后向量对齐方案图解

#抖音#向量检索#Embedding 升级

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/MRR与长尾质量变化要实测，不承诺固定<2%。增量更新：避免全量重建索引，使用HNSW的动态插入特性学习建议建议系统学习该知识点参考资料 Faiss官方内积、余弦与L2关系 DPR原论文的成对查询/文档编码器 BGE-M3官方模型卡与最大序列长度 Sentence Transformers官方Embedding量化与校准

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配正文：…为4→2字节，INT8为4→1字节；总索引还含图、ID、码本与缓冲。区分向量压缩和模型权重量化，INT8需合适校准，Recall/MRR等质量变化必须实测，不保证<1%。缓存策略：热点Query embedding缓存、结果缓存；预计算高频文档向量批处理推理：Query向量化时合并请求，提升GPU利用率四、工程架构优化分片与分布式：按业务/时间分片，多副本负载均衡硬件加速：GPU索引（Faiss-GPU）、专用向量数据库（Milvus/Zilliz）流控与降级：超…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配正文：…假设实验从 Flat 基线开始，在同一向量集和 query 集上扫描 HNSW、IVF 与 PQ 参数。报告 Recall@K、MRR/NDCG、P50/P95/P99、QPS、内存、构建时间和更新成本；按热词、长尾、过滤条件与租户切片。只有真实曲线才能决定是否接受量化或分层。

#安克科技#ANN性能权衡#RAG 向量匹配

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配口述回答：…别关注几个风险。一个是嵌入模型的质量，如果模型在领域数据上表现差，整个检索效果都会崩，所以一定要先做离线评测，用Recall@K和MRR指标卡一下。另一个是索引的实时更新，知识库频繁增删时，HNSW索引的增量更新容易导致召回率下降，我一般用软删除加定时重建的策略。还有一个方向，就是单向量检索有时候不够，比如用户问题里有否定词或条件限定，向量空间里可能区分不开。这时候可以用[[ColBERT]]这种交互式模型做后期交互，或者用[[Self-RAG]]让模型自己判断召回的内容是…

#字节#文档处理#向量检索

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配口述回答：…如果知识库里本身就有错，或者分块不合理，检索结果全是无关的，那LLM再强也白搭。所以我上线前一定会做召回评估，看Recall@K和MRR，确保检索质量达标。另外，RAG和微调不是二选一。微调适合让模型学会特定格式或风格，但知识更新慢。RAG适合动态知识，比如价格、库存、政策。真正落地往往是两者结合：微调让模型理解业务语义，RAG提供实时知识。最后说一下我的判断。我会把RAG看成一套系统工程，而不是简单的检索加生成。它的前提是知识库质量要够高，如果文档本身混乱、噪声多，RAG…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…带偏。我会特别强调一点：RAG 的上限往往先由检索结果决定，再由生成模型决定。一个成熟系统要同时评估检索侧的 Recall@K、MRR，也要评估生成侧的[[忠实度]]和答案正确率。 RAG本质：用检索约束生成，解决幻觉和时效性离线预处理：文档切块、Embedding、建向量数据库在线检索：向量搜索 + 重排序增强阶段：组装Prompt，控制上下文生成阶段：引用溯源和拒绝回答的机制约4分钟 RAG 的本质不是“外挂知识库”，而是一条可评估、可追踪、可回滚的知识使用链…

#百度#RAG三阶段#RAG 工作流程