页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「RAG Embedding 选型」找到 131 条内容
按专题浏览 →匹配正文：…感 欧氏距离：关注绝对距离，适合归一化后的向量 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…
匹配口述回答：这道题其实问的是在[[RAG]]系统里，怎么平衡检索粒度和语义完整性。说白了，你要找的信息有可能散落在文档的不同位置，切太碎可能让关键上下文断裂，切太大又可能把噪声带进来。我从最直接的方法说起吧。 最粗暴的当然是固定长度[[切块]]，按token或者字符数硬切。这个方案的好处是简单、可预测，处理日志或者流式数据这种没有强语义结构的场景很合适。但它的致命伤是语义断裂，比如一个完整的段落被拦腰切断，重要的结论前半段在一个块，后半段在另一个块，检索时很容易丢信息。所以它的边界很清楚…
…法？……具体从三个层面——检索器、生成器、整体架构——你分别会做什么优化？ 直球架构 请从检索器、生成器、整体架构三个层面，讲一下RAG系统提升检索精度和生成质量的有效手段，比如查询改写、重排序、上下文压缩、多路召回这些，你会怎么选型和取舍？
学习内容与项目面试，在同一条路上。