匹配正文：…权限标签）减少搜索空间 4. 候选排序与筛选多路召回：向量+稀疏（BM25）+ 关键词，线性加权或Learned Fusion 重排序（Rerank）：Cross-Encoder精排，如bge-reranker，Top-K从100→20 去噪策略：置信度阈值、聚类去重 5. 性能影响要点环节核心瓶颈优化方向 Embedding 模型推理延迟量化INT8、ONNX/TensorRT、批处理 ANN检索内存占用、建索引时间分层量化、增量索引 Rerank 二次编码开…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：Cross-encoder（如bge-reranker）精排，领域数据微调；法律场景加入引用频率和时效性作为手工特征查询改写：用LLM做Query2Doc扩展，医疗场景做症状标准化对齐四、生成融合：上下文组装与约束上下文压缩：用LLM对…

#字节#重排与优化#RAG 链路优化

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀疏检索（BM25）互补，降低单路失效风险索引优化语义…

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

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索结果为生成提供"事实锚点"，LLM从参数记忆转向上下文引用效果：可追溯来源，降低事实性错误 2. 动态知识更新机制：知识库与模型解耦…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…E/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检索通用场景 RR融合或线性加权，兼顾语义与精确匹配质量影响：召回率决定答案上限，需平衡速度与精度（Top-K通常取20-100） 3. 重排序（精排阶段）必要性：双塔Embedding检索牺牲精度换速度，需Cross-Encoder二次精排实现：ColBERT轻量交互、LLM-based重排（成本高但效果好）质量…

#阿里云#重排与优化#向量检索

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：…方法解决思路检索未召回检查正确答案是否在候选池扩大召回、混合检索、查询扩展检索召回但排序低查看正确答案的原始排序位次重排序优化、特征工程检索正确但生成错分析上下文窗口、指令遵循提示工程、RAG-specific微调实际优化需结合具体bad case分析，避免盲目堆技术。学习建议深入理解RAG架构，掌握检索与生成模块的协同机制，学习常见失败模式及优化策略。

#小红书#美团#重排与优化

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…s": ["北京", "上海"] # 用于预过滤 } } 多粒度表示：同时存储句子级（精细检索）和会话级（主题召回）向量高效检索策略两阶段检索架构粗排（向量相似度）：HNSW索引快速召回Top-K（K=50~100）距离度量：余弦相似度（归一化后）或点积阈值过滤：低于0.7的直接丢弃精排（重排序）：交叉编码器（Cross-encoder）：精度高但慢，用于Top-20重排轻量方案：ColBERT late interaction 或学习排序模型关键优化时…

#高德#Agent#向量数据库 Agent

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· 百度

RAG Query 改写方法

匹配正文：答案要点查询改写的常见策略（HyDE、多查询扩展、子问题分解）提示词构建的核心要素（角色定义、上下文组织、引用标注）检索后处理的技巧（重排序、上下文截断）实际落地中的权衡取舍查询改写策略核心目标：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子…

#百度#小鹏#美团

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：答案要点区分密集检索与稀疏检索的适用场景说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval） …

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…索、混合检索等）并对比优缺点阐述技术选型的核心考量维度（数据特征、延迟要求、精度要求、成本）给出具体的性能优化手段（索引优化、重排序、缓存策略）体现工程权衡思维，而非单纯罗列技术常用检索方法对比方法核心机制优点缺点适用场景稠密向量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解释性好语义鸿沟，同义词失效专业术语、ID类查询 …

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…。 Cross-Encoder：联合编码 query-document，通常能刻画更细的交互相关性，但每个候选都要前向计算，只适合重排有限候选。融合策略两路召回先各取候选并按文档 ID 去重。RRF 只使用排名，避免直接比较不同系统的分数尺度，是稳健的无监督基线；若有可靠标注，也可对归一化分数做线性融合，或训练学习排序模型。RRF 不是任何场景都优于加权融合。重排前应保留来源、权限、时间和业务过滤条件。候选规模、RRF 参数和最终 Top-K 都应通过离线 Recall…

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配正文：…商家名、菜品名的精确匹配（"肯德基"必须匹配到KFC）稠密检索：理解"适合聚会的餐厅"→ 抓取"包厢、多人套餐"等语义特征融合策略：两阶段检索（稠密召回Top-K + 稀疏补充 + 统一Rerank），或线性加权融合分数关键经验：稠密检索的增益在头部热门query最明显，长尾query仍需稀疏兜底。学习建议建议先掌握向量空间模型与词袋模型基础，再学习BM25和Sentence-BERT等典型算法，通过动手实现简单检索系统加深理解。

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…分片（Sharding）+ 路由层，支持水平扩展预过滤（metadata filter）减少候选集，避免全量扫描二、相关性提升策略多路召回方式适用场景稠密向量（Dense）语义匹配、同义词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配口述回答：…，比如爬虫抓的新闻发布时间是错的，那所有时效优化都白搭。所以我一般会加一层时间清洗，比如用页面里的发布时间而不是抓取时间。这个清洗策略其实可以单独聊。最后总结一下：RAG 不是简单的检索加生成，难点在索引和检索阶段的工程细节，尤其是时效性和语义的平衡。我会把时间衰减看成一种先验偏置，而不是绝对规则，具体参数靠业务调优。这样既能保证回答新鲜，又不牺牲精准度。 RAG本质是外挂知识库的查漏补缺索引阶段：分块、向量化、存元数据检索阶段：混合检索+重排生成阶段：组装上下文、防…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知识库补充提供"未找到答案，提交人工反馈"入口关键权衡：业务容忍度决定策略——客服场景宁可不答不能错答；通用问答可…

#百度#小鹏#美团

面经·项目面试

Reranker 的上限，藏在候选集里

匹配正文：…本中的位置。原始候选不变而可见文本变化，可以直接定位到预算处理。实际项目中，应进一步核对送入模型的tokenized输入和真实截断策略，而不是只保存截断前的完整正文。如果模型按批次返回一组分数，分数也需要与当时的候选标识保持对齐。输入顺序调整过，却仍按旧顺序把分数贴回去，会制造另一种排名异常。因此要保存输入标识序列，输出再核对对应关系，不能只有一个脱离候选身份的分数数组。还要分开模型重排顺序与最后的证据选择。目标可能在重排后已经靠前，却又在阈值过滤、去重或上下文预算处理中…

#RAG#Rerank#候选召回

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完…

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…k、答案正确率等指标的公式、分母与统计窗口冻结评测集、模型和检索配置下的旧方案结果评测集来源、规模、业务切片和版本记录召回、重排与生成模块的单变量或去除实验下一步：failure。配套学习：召回策略怎么选? Recall@k 怎么看?。 7. failure · failure 哪类查询在新方案里仍然失败，甚至比旧方案更差？你如何复现、归因并决定修复还是拒答？考察重点：确认候选人见过方案边界，并能完成证据驱动的失败复盘。可复现的输入、链路证据和错误输出根因验证…

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…判定规则冻结数据版本和评测器版本下的基线报告样本来源、分层、去重、标注分歧和泄漏检查下一步：failure。配套学习：召回策略怎么选? Recall@k 怎么看?、多路召回评估指标与RAG场景。 7. failure · failure 选一个 bad case，从原查询、权限、候选、重排、上下文到答案逐层定位；证据怎样排除其他根因？考察重点：确认候选人见过方案边界，并能完成证据驱动的失败复盘。可复现的输入、链路证据和错误输出根因验证与修复后的固定样本回归需要…

#模拟面试#简历项目#连续追问

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…交给模型生成答案。它适合“答案已经存在于某一处资料中”的问题。例如安装方法、字段含义、某条规则的适用条件。工程重点是解析、召回、重排、证据门槛和引用，而不是让模型自主做长期规划。 Agentic RAG 把检索从固定步骤变成 Agent 可以反复调用的工具。模型看到第一次结果不够，可以改写查询，再查一次或打开某个候选来源。它适合一次检索经常不够，但任务仍以“回答当前问题”为主的场景。 Deep Research 的目标不再是一段即时回答，而是一轮完整研究。系统要先明确任务边…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…题问法五花八门:"报销制度是什么"是流程型问题(答案在规章制度里);"怎么提升业绩"是思考型问题(答案零散在培训材料里)。一套检索策略很难同时伺候好两类。工程提示:Garbage in, garbage out。 RAG 的质量不只由模型决定,还取决于解析、切分、检索、重排和评估。不同项目的工时占比没有统一答案,正文不使用无法核验的固定百分比。你以为在学 RAG,其实也在学:怎么把一座杂乱的文档山,整理成模型能查到并引用的参考书。 2.4 什么场景该上 RAG?(以及什么时…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…开发岗更靠近业务系统和用户结果。两者都重要,但日常问题完全不同。维度大模型算法岗大模型应用开发岗核心产出更好的模型、训练策略、评估方法可上线的大模型应用、RAG/Agent 系统、业务流程自动化日常关键词 SFT、DPO、RLHF/GRPO、数据配比、loss、benchmark API、RAG、Agent、工具调用、检索、评估、延迟、成本面试重点数学基础、论文理解、训练细节、实验设计项目深挖、系统设计、工程取舍、真题口述简历筛选硕博、论文、竞赛、模型…

#求职#职业转型