匹配正文：…00~200重排，平衡召回与成本级联过滤：先用轻量模型（如bge-reranker-base）粗排，再用大模型精排Top-20 延迟优化：交叉编码器可蒸馏为tiny版本，或用ONNX/TensorRT加速；ColBERT支持PLAID索引进一步提速一句话总结：重排序是RAG从"可用"到"好用"的关键投入，建议至少部署轻量交叉编码器，高价值场景叠加LLM重排。学习建议建议系统学习该知识点

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配口述回答：…，线上根本扛不住。所以实际中常用的是轻量级模型，比如 MiniLM 或者[[蒸馏]]过的版本，或者用 [[ColBERT]] 这种延迟交互的方案，效果接近 Cross-Encoder 但快很多。第二个坑是输入截断。重排模型通常有长度限制，比如 512 tokens，而很多文档比这个长。如果不做截断策略，直接把文档尾巴切掉，可能会丢掉关键信息。我一般会先对文档做关键片段提取，或者用[[滑动窗口]]把长文档切成多段分别打分，再取最高分。所以我的倾向是，把重排看成 RAG 系统的…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：核心思路 RAG优化是个系统工程，需分模块迭代+数据驱动，避免单点优化陷入局部最优。一、检索层优化（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…

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#RAG评估闭环#RAG 系统优化

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：…不是重排模型有偏见。另外，最近也有用大模型直接做重排的尝试，比如让LLM输出相关性分数或直接生成排序。这个方向精度很高，但成本和延迟都太大，我觉得短期内只适合离线场景或作为精排的最后一层。不过如果未来推理成本降下来，可能会改变现有架构。所以我会把重排看作RAG系统里精度和效率的平衡器，它不是一个可选项，而是保证LLM输入质量的最后一道关卡。没有重排，召回阶段的噪声会直接污染生成结果，导致[[Hallucination]]。我的建议是，先做一套轻量级重排上线，再根据业务反馈…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 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，…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…）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256-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键…

#AIlab#RAG工作流#RAG 技术流程

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 Query 改写方法

匹配口述回答：…。比如电商客服场景，用户问‘为什么我的订单退款还没到’，既模糊又涉及多步，我会把多查询扩展和子问题分解混着用，线上只用一层改写控制延迟，复杂情况走异步多路召回。这里有个坑：改写过度会导致语义漂移。我上线时会加一致性校验，改写后的query和原query的embedding相似度低于阈值就回退。说白了，改写不是越多越好，得在召回率和速度之间平衡。好，检索到文档后，提示词构建是关键。我的模板核心就三块：角色定义、上下文组织、引用标注。先说角色，比如‘你是电商客服专家，基于参考资料…

#百度#小鹏#美团

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“我的订单怎么还没到”，系统需要同时理解“订单延迟”这个语义，又要精确匹配订单号。你实际会怎么设计检索策略？层层追问 RAG里你一般怎么从文档里找答案？……如果只用向量检索，碰到“iPhone15”这种精确型号会不会漏？那你怎么把精确匹配加进来？……两个结果怎么融合？直球架构在RAG系统中，你采用了哪些检索方法？请说明选型原因，并讨论至少两种优化策略，包括索引、查询或重排序方面的具体手段。

#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：…向量领域适配（M3E/BGE/自研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder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） …

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

RAG检索方法如何优化？

匹配口述回答：这个问题其实在问，[[RAG]]系统里怎么平衡检索的语义理解能力和精准命中能力。先说我的核心判断：没有一种检索方法能通吃所有场景，真正落地时往往是混合方案打底，再根据业务数据特征做取舍。常用方法主要有三种。稠密向量检索，就是靠[[Embedding]]做语义匹配，比如用户问“退款多久到账”，它能匹配到“退单处理时效”这种同义表述，容错性很好。但短板也很明显，对专业术语和长尾实体很弱，比如搜“订单号A123456”，它可能拉出一堆语义相关的订单描述，就是找不到那一条。稀疏向量…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…uery]" 四、关键优化点混合检索：稠密向量+稀疏向量+倒排索引，兼顾语义和精确匹配检索缓存：高频Query直接走缓存，降低延迟多路召回融合：不同检索策略结果用RRF（Reciprocal Rank Fusion）合并动态分块：根据Query意图调整chunk粒度（细粒度事实 vs 粗粒度综述）

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…LM 进阶优化手段查询改写：用LLM扩展同义问法，解决语义gap 上下文压缩：检索后先用小模型过滤无关片段，减少噪声 Self-RAG：让模型判断是否需要检索，避免过度依赖落地注意点切分粒度：太细丢上下文，太粗检索不精准，建议按段落/语义边界元数据过滤：结合时间、来源等标签预过滤，减少搜索空间缓存策略：热门query结果缓存，降低向量检索延迟

#字节#RAG系统实现#RAG 实现

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

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：真实性边界问题要求说明“在项目中应用 RAG”的技术细节。检索延迟、端到端延迟、准确率和幻觉率只能来自真实项目；通用架构示意不能包装成个人上线结果。回答框架知识库：数据来源、解析、分块、元数据、权限、版本与更新方式。检索器：稀疏/稠密模型、索引、Top-K、过滤、融合和查询改写。重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。 …

#美团#知识库构建#RAG 检索器设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…ing、向量存储等离线模块准确描述Query理解、检索召回、重排序、上下文融合、LLM生成等在线模块能说明数据流转的完整链路 RAG两阶段架构核心模块与数据流转第一阶段：离线索引（Indexing）目标：将原始文档转化为可检索的向量知识库模块功能输出文档解析处理PDF/Word/网页等多格式，提取结构化文本原始文本文档分块（Chunking）按语义/固定长度/递归等方式切分，平衡粒度与上下文文本块集合 Embedding编码用BGE、M3E等模型将…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…正确性。生成侧：答案正确性、Faithfulness、引用准确率、拒答质量。工程侧：索引新鲜度、吞吐、P50/P95/P99 延迟、成本和失败率。延迟目标必须依据产品 SLO、硬件和模型确定，不能把“向量检索低于 50ms、整体 P99 低于 500ms”作为所有 RAG 系统的通用标准。结论：RAG 的技术实现是一条带版本、权限、评测和回滚能力的证据链，而不是固定的组件清单。图解 RAG 系统核心组件怎么搭?图解

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么在保证检索精度的同时，把延迟和成本压下来。本质是个工程平衡问题。我主要从检索、[[重排]]、查询改写、混合方案几个方向来说。先说向量检索层。最常用的索引是 [[HNSW]]，它本质是图索引，在召回率和速度之间做得比较均衡。但有两个关键参数要调：M控制每个节点的邻居数，ef控制搜索宽度。M太小图会不连通，召回会崩；ef太大延迟就上去了。一般我会先拿业务数据跑一下，看Recall@100在什么水平，再决定参数。另一个常见优化是量化压…

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：这道题其实问的是[[RAG]]落地时怎么平衡检索质量、上下文利用和生成效果，避免出现检索一堆但生成瞎编的尴尬。我重点讲几个实战中容易踩坑的地方。先说检索。[[分块]]策略是个基础但容易翻车的点。固定切分简单，但遇到表格、代码或长段落，边界切在语义中间，检索召回率直接崩。我会优先按语义切，实在不行用Chunk重叠加LLM辅助判断边界。块大小一般256到512 tokens，太大模型上下文窗口塞不下，太小丢信息。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…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发"未知"回答迭代检索：多轮检索-生成，逐步细化答案（如Self-RAG）关键权衡点召回 vs 精确：分块粒度、检索Top-K数量延迟 vs 质量：是否做重排序、模型大小选择成本：Embedding调用、向量存储、生成token消耗

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…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