搜索大模型内容

RAG 检索器与知识库怎么搭?

匹配正文：…【】，语料【】，我负责【】。基线检索和生成链路【】，主要错误【】。实际选用【检索/融合/重排方案】，参数由【真实实验】确定。真实 Recall@K/MRR/NDCG【】，答案支持率【】，P95/P99【】，样本与硬件【】，副作用【】。证据自检所有阈值和指标应说明数据集、标注、硬件、并发与统计窗口。必须分开测候选召回、排序质量、上下文利用和最终回答；不能用单一“准确率”概括整条 RAG。追问入口准备解释为什么选择当前融合、RRF 常数或权重怎样确定、Top-K 和延迟如…

#美团#知识库构建#RAG 检索器设计

RAG 系统核心组件怎么搭?

匹配正文：…模型输出引用后，服务端校验引用是否真实支持对应 claim；资料不足、冲突或越权时拒答或继续检索。四、评测与运行检索侧：证据 Recall@K、MRR/NDCG、重复率、过滤正确性。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…

#美团#RAG工程实现#RAG 系统实现

RAG 系统有哪些常见陷阱?

匹配正文：…说明分歧四、系统层面延迟优化：向量检索<50ms，重排序并行化，流式生成首token 离线评估：构建黄金测试集，分离评估检索（Recall@K）和生成（F1/人工评分）缓存：高频query embedding缓存，热门文档预加载

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 360

RAG 召回准确性：三大失败场景

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· 百度

RAG 三阶段原理与失败场景

匹配正文：…chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现还取决于索引版本、并发更新和实现。 3. 上下文增强对候选去重、裁剪并保留来源标…

#百度#RAG三阶段#RAG 工作流程

#美团#混合检索#混合检索 Hybrid Retrieval

混合检索怎么提升 RAG 召回?

匹配正文：…要求原始分数同尺度，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

BM25 原理与 TF-IDF 改进点

匹配正文：…、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

#美团#BM25#BM25 算法原理

BM25公式参数含义与TF-IDF对比

匹配正文：…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· 小红书

多路召回 vs 排序模型怎么分工?

匹配正文：…粗排→精排→约束重排。重排可处理去重、多样性、频控、公平或业务约束；这些目标也可以进入学习目标，不能笼统认定只能靠规则。召回看 Recall@K、覆盖、重复率、新颖性和延迟；排序看 NDCG/AUC、校准、分桶质量及线上指标。离线日志来自旧策略，需关注反事实偏差，并用随机流量、倾向校正或受控实验验证。图解多路召回 vs 排序模型怎么分工?图解

#小红书#多路召回与排序#多路召回

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配正文：…据和任务，不能假设一定有损或一定可替代重编码。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· 安克科技

RAG 向量匹配怎么高效实现?

匹配正文：…回放和原子发布。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·检索· 百度

向量检索基本原理是什么?

匹配正文：…与评测查询编码后进入 ANN 搜索，得到候选，再结合元数据过滤、重排或业务规则返回 Top-K。用精确搜索作为基线评估 ANN Recall@K，并同时看最终证据召回、延迟、内存、构建时间和更新成本。结论：向量检索是 embedding、度量、索引和重排共同组成的链路，索引参数不能弥补表示或分块错误。图解向量检索基本原理是什么?图解

#百度#向量索引#向量检索原理

面试题·评估· 京东

NDCG 怎么计算?

匹配口述回答：…，和给定公式并不一致。搜索中，NDCG适合评估多级人工相关性；推荐中可以把不同强度的反馈映射为gain，但映射规则要固定。它不是Recall@K，后者更关心相关项目有没有被召回。一个系统可能召回很差却把少数已召回结果排得很好，也可能召回足够但头部顺序不佳，所以常把Recall、NDCG、MRR和线上指标一起看。落地时还要固定标签尺度、gain公式、折扣函数、候选集合和截断k，并检查标注一致性。不同团队若一个使用线性gain、另一个使用指数gain，数字不能直接比较。对无点…

#排序评估指标#信息检索#推荐系统

面试题·Agent· 字节

大量工具怎么选?

匹配口述回答：…步执行。落地时我特别关注几个风险。先看工具描述质量，如果描述写得差，检索召回率会崩，所以上线前我会用一批历史query跑一遍，看Recall@K，不达标就迭代描述。然后看缓存一致性，工具结果变了但缓存没刷新，给用户旧数据，这很危险，所以缓存要有TTL和主动失效机制。另外还要看成本，预加载和并行调用会加大资源消耗，得做容量规划。另外，我觉得还有一个方向可以深挖，就是工具学习。通过收集工具调用的成功率、耗时、用户满意度，反过来自动优化工具描述，甚至根据历史任务模式预测可能需要…

#字节#百度#Agent

文本块怎么转向量并建索引?

匹配口述回答：…如果知识库频繁增删，直接重建会中断服务。我的做法是双buffer切换，线上用只读索引，后台异步重建，构建完用固定query回放校验Recall@K和延迟，达标才原子切换。删除千万别原地动图索引，否则召回质量会崩。另外，我最近在关注[[混合检索]]，比如把向量和BM25结合，在RAG里能显著提升召回率。但混合检索的权重怎么调、什么时候用关键词什么时候用向量，这是个值得深挖的点。所以整体上，我更倾向把向量化加索引看成一条完整的pipeline，而不是割裂的两步。从分块到嵌入到…

RAG 向量索引构建流程详解

匹配口述回答：…增直接走 HNSW 的增量插入；删除不做原地删除，而是维护一个删除标记，后台异步重建索引。上线前会用固定 query 回放，对比 Recall@K 和延迟，通过才原子切换，不通过就回滚。还有一个方向值得深入，就是[[混合检索]]。单纯用向量检索，遇到订单号、错误码这种精确匹配场景召回很差，因为 Embedding 对精确 token 不敏感。我会结合 [[BM25]] 做[[稀疏检索]]，然后用 Hybrid Search 融合分数，或者用 ColBERT 的 late i…

#字节#文档处理#RAG 数据处理流程

RAG 数据处理与索引流程?

匹配口述回答：…引参数没调好，比如 HNSW 的 efConstruction 设太小，召回率会崩。我上线前会用一组固定 query 回放，对比 Recall@K 和延迟，达标才切。最后提一个延伸点。整个链路里，我特别关注增量更新。因为知识库是动态的，如果每次更新都全量重建，成本太高。我的思路是新增直接插入，修改和删除用软删除加后台异步重建，再配合双缓冲索引保证原子切换。这里有个坑：删除千万别原地动图索引，否则召回质量会崩。所以，我更倾向于把整个流程看成一条可观测的管道，每个环节都加监控…

Chunk 向量化与索引怎么选?

匹配口述回答：…略，一个 base 索引负责线上查询，一个 delta 索引接收增量更新，定期合并重建。构建完用一批固定 query 回放，对比 Recall@K 和延迟，通过才原子切换，不通过就回滚。其实还有个容易被忽略的点：当业务文档频繁更新时，比如每天新增几千条政策，增量索引的实时性和一致性很难同时保证。我一般会按更新频率做冷热分层，热数据用小索引高频更新，冷数据用大索引低频重建，但具体阈值怎么定，得看业务容忍度。所以整体来看，我会把 [[RAG]] 向量检索看成一个系统工程，不是…

#字节#向量检索#Chunk 向量化

Embedding+向量库怎么做语义匹配?

匹配口述回答：…。上线前我还会特别关注几个风险。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…

RAG 文本分块与向量索引流程

匹配口述回答：…索引，而是维护删除标记，后台异步重建。整体用base加delta双索引，查询时合并再按版本过滤。上线前会用固定query回放，对比Recall@K和延迟，通过才原子切换。检索阶段，我通常用[[混合检索]]加[[重排]]两步走。先用Hybrid Search，把向量相似度和[[BM25]]关键词分数加权融合，比如alpha=0.7，兼顾语义和精确匹配。然后对top 100候选用[[Cross-Encoder]]重排，比如bge-reranker-base，精排到top 10。…