匹配正文：RAG完整工作流程 1. 查询预处理阶段 Query改写：识别用户意图，扩展同义词，澄清指代消解 Query分解：复杂问题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encod…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：RAG完整工作流程 1. 查询理解与改写查询扩展：识别用户意图，必要时进行query改写（如多跳问题分解）向量化：将query编码为dense/sparse向量，用于相似度检索 2. 检索召回（多路并行）方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…以从检索前、检索中、检索后三个阶段系统提升：一、检索前：查询优化查询扩展：用LLM生成伪文档（HyDE）或扩展查询词，弥补用户query语义不完整的问题查询改写：识别用户真实意图，消解歧义（如"苹果"→区分水果/公司）多跳查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如SPLADE）统…

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#混合检索#RAG 检索优化

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…相似度分数 × exp(-λ×时间差)，优先近期记忆实体预过滤：先用关键词/NER匹配缩小候选集，再向量检索查询扩展：用LLM改写用户问题，生成多个检索query 落地权衡场景策略延迟敏感（<200ms）纯HNSW，放弃重排序；或本地部署小模型精度优先交叉编码器+多路召回（向量+关键词+图谱）长记忆（>10万条）分层存储：热数据内存向量库，冷数据磁盘索引学习建议建议系统学习该知识点

#高德#Agent#向量数据库 Agent

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…索层优化（源头质量）手段具体做法索引策略按语义/结构切分（如标题+正文），关键信息冗余存储；多粒度索引（段落+句子）查询改写 Query扩展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top-K重排，比向量相似度更准多路融合：不同召回源（KG、向量、倒排）按置信度加权动态截断：…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：…见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，模…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：…op-K检索结果混入无关文档，稀释有效信号多跳失败：复杂问题需跨文档推理，单轮检索覆盖不全优化思路延迟优化预检索策略：热点query缓存、用户画像预加载常用知识检索加速：向量量化(IVF-PQ)、图索引(HNSW)、检索结果缓存流式生成：首token返回后chunk输出，降低用户感知延迟并行化：检索与LLM调用解耦，工具调用异步化正确率优化混合检索：向量+关键词+知识图谱多路召回，RRF融合查询改写：HyDE生成伪答案再检索，解决query-doc语义ga…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…5）：精准匹配关键词，补充稠密检索混合检索：稠密+稀疏融合，线性加权或RRF重排 3. 生成阶段上下文组装：检索结果 + 用户Query构造Prompt 大模型生成：基于提供的上下文作答，典型Prompt模板包含"仅根据以下信息回答，不知道就说不知道" 关键优化点环节优化手段检索质量查询改写（HyDE）、多路召回、重排序（Cross-Encoder）上下文利用长上下文压缩、信息去重、相关性过滤端到端 Self-RAG（模型自主判断是否需要检索）、RAG-Fu…

#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?

匹配正文：…VF或Milvus分布式方案多路召回：关键词（BM25）+ 向量双索引，解决语义漂移问题三、在线检索流程阶段技术要点查询改写 Query扩展、同义词补全、意图澄清（必要时主动反问）粗召回 Top-K向量检索（K=100~1000）精排序 Cross-encoder重排（如BGE-Reranker），筛选Top-5~10 过滤策略相关性阈值截断、元数据过滤（如只查最近1年文档）四、上下文构建与生成上下文组装：按相关性排序，标注来源；超长时采用摘要压缩或多轮检…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…/Pinecone/Elasticsearch等向量数据库，可结合稀疏索引（BM25）做混合检索在线检索生成阶段查询理解：用户query可能需改写/扩展（HyDE、Query2Doc）向量检索：Top-K相似度召回，常用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答二、关键技术组件组件作用常用方案 Embedd…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…edding模型编码，写入向量数据库（Milvus/Faiss/Elasticsearch）二、在线检索层混合检索策略：用户Query → Embedding编码 → 向量相似度检索（Top-K） ↓ 关键词BM25检索 → 结果融合（RRF加权） ↓ 精排模型（Cross-Encoder重排序）→ 最终Top-N片段关键优化点： Query改写：扩展同义词、澄清指代多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder比双塔更准，但 latenc…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…算法；向量数据库（Milvus、Faiss、Qdrant）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…

#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：…具体手段索引优化 HNSW参数调优（ef_construction/ef_search）、量化（PQ/IVF）降存储查询优化 Query改写（HyDE生成伪文档）、意图分类路由不同检索策略结果优化两阶段检索：粗排（Top-K召回）+ 精排（Cross-Encoder Rerank）数据优化文档分块策略（按语义/结构切分）、元数据过滤预筛选 Rerank环节尤为重要：用轻量Cross-Encoder（如bge-reranker）对Top-100重排，NDCG@10提…

#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?

匹配正文：…r模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Query → 路由判断 → 多路检索(向量+关键词+图谱) → Rerank精排 → 上下文压缩/摘要 → LLM生成增强点：查询改写、混合检索、检索结果过滤、引用溯源落地关键挑战检索精度：Em…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…-rerank）场景：召回Top-K后精排，计算成本高但精度提升明显取舍：在线延迟敏感时，可离线预计算或裁剪候选集 5. 查询改写（Query Transformation） HyDE：用LLM生成假设文档，再用该文档做向量检索多查询扩展：LLM生成3-5个变体查询，并行检索后去重场景：用户问题模糊、短查询、专业术语对齐字节场景下的典型选型场景方案抖音电商客服（商品/订单查询）混合检索 + 结构化过滤（类目、店铺ID）飞书知识库（长文档问答）向量检索 +…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…层索引：高频走内存HNSW，低频走磁盘IVF 检索流程两阶段检索：向量召回Top-100 → 轻量重排模型精排Top-10 查询改写：HyDE、Query2Doc扩展，解决短查询语义缺失系统层结果缓存：高频Query直接命中异步预计算：热门文档块预加载实际项目中，建议先混合检索跑通基线，再通过Badcase分析决定优化方向——是向量模型不够准、还是召回不足、或是融合权重不对，对症下药。

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Prompt组装（系统指令+检索上下文+Query） → LLM生成 → 输出+溯源引用缓解幻觉的核心优势机制作用事实锚定生成内容被约束在检索到的上下文范围内，减少自由发挥可溯源输出可附带原文出处，便于人工校验知识时效性无需重训模型，更新知识库即可同步最新信息领域适配低成本注入私有/垂直领域知识关键局限：检索质量是天花板——"检索错则生成错"，需配合查询改写、多路…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…储写入向量数据库 Milvus/Pinecone/Elasticsearch；构建HNSW索引加速ANN检索三、在线检索生成（Query Pipeline）用户Query → 查询改写 → 多路检索 → 重排序 → 上下文组装 → LLM生成环节说明查询改写扩展同义词、纠错、指代消解（如"它"→具体实体）多路检索向量检索（语义匹配）+ 关键词检索（精确匹配）+ 可能的知识图谱召回重排序（Rerank）用Cross-Encoder（如BGE-Reranke…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难以捕获生成整合上下文爆炸检索文档过长，淹没关键信息忠实性缺陷模型"幻觉"编造或过度综合检索内容引用困难难以精准溯源，答案可信度存疑知识边界实时性瓶颈索引更新滞后，新知识无法即时生效结构化缺失…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…入向量数据库（Milvus、Faiss、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：答案要点数据预处理：文档解析、结构化抽取、质量过滤、领域术语标准化检索优化：混合检索（向量+关键词）、重排序、查询改写、多粒度索引生成优化：领域Prompt工程、引用溯源、幻觉检测、人机协同审核系统层面：离线在线分离、缓存策略、反馈闭环整体架构用户Query → 查询理解 → 混合检索 → 重排序 → 上下文组装 → 领域生成 → 后处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：P…

#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

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计