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 核心实现原理是什么?

匹配正文：… → 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：Embedding语义漂移、领域术语匹配差 → 需微调Embedding+RRF融合上下文窗口：检索结果过长 → 采用摘要、分层检索、Map-Reduce策略答案幻觉：模型不忠实于检索内容 → 加引用标注、约束生成Prompt

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-ada）将文本转为稠密向量存储：写入向量数据库（Milvus/Pinecone/Elasticsearch），同时保…

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组件协同#RAG 系统架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…（Retrieval）相似度计算：余弦相似度或点积，召回Top-K候选重排序优化：Cross-Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户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） →…

#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：…（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│ └─────────────────┘ └─────────────────┘ …

#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：…识别RAG在检索质量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 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…

#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：… 清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI tex…

#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

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：…排序策略：Cross-Encoder、ColBERT、多阶段排序查询扩展：HyDE、Query Rewriting、子查询分解混合检索方案：向量+关键词融合实际落地中的工程权衡一、向量检索优化索引层面 HNSW（Hierarchical Navigable Small World）：主流近似最近邻算法，平衡召回与速度；关键参数M（邻居数）和ef（搜索宽度）需根据数据规模调优量化压缩：PQ（Product Quantization）、SQ降低内存占用，适合十亿级向量…

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…词、ID类查询效果好，可解释性强稠密检索（Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生成伪文档再检索）、Query2Doc扩展三、重排序（Rerank）策略交叉编码器（Cross-Encoder）：精度高但慢，适合精排Top100→Top10 …

#360#召回质量评估#RAG 召回优化

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…相似度 = (A·B)/(||A||·||B||)，值域[-1,1]，实际取Top-K 关键优化点优化方向具体手段召回质量混合检索（向量+关键词BM25）、查询改写、多向量表示精度提升两阶段检索（粗排+精排/Cross-Encoder重排序）效率优化量化（FP32→FP16/INT8）、索引分区、缓存热点查询领域适配 Embedding微调、Hard Negative Mining 余弦相似度的选择逻辑归一化后等价于点积，计算高效对向量长度不敏感，适合语…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：…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

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…天数据，无结果再扩展全库金融公告、政策文件时间感知Embedding 训练时注入时间编码，或拼接时间特征向量需要端到端优化混合检索时间范围过滤 + 语义检索，ES的range+knn组合查询工程落地首选工程实践要点：时间戳作为元数据存储，检索时用于预过滤或后排序 λ参数需业务调优：新闻类λ大（衰减快），百科类λ小避免过度衰减导致"新但无关"内容压制"旧但精准"内容学习建议建议系统学习该知识点

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…-K候选（如HNSW的ef_search参数控制深度）可选：重排序（Cross-Encoder精排）提升精度四、生产优化要点混合检索：向量相似度 + BM25关键词召回，融合排序（RRF算法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/MRR与长尾质量变化要实测，不承诺固定<2%。增量更新：避免全量重建索引，使用HNSW的动态插入特性学习建议建议系统学习该知识点参考资料 Faiss…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配正文：…度惩罚可解释性强：每个词的贡献清晰可见，便于调试 RAG场景价值精确匹配兜底：处理专有名词、ID、代码片段等需精确匹配的场景混合检索：与向量检索互补（BM25抓关键词，向量抓语义）计算高效：倒排索引，毫秒级响应，适合大规模召回学习建议建议系统学习该知识点

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…, b）能对比BM25与TF-IDF的优劣（BM25对长文档更友好、有非线性饱和）了解BM25在RAG中的典型应用场景（粗排、混合检索）知道BM25的局限性（语义理解缺失，需配合向量检索）核心思想 BM25（Best Match 25）是基于概率检索框架的改进算法，核心洞察：词频贡献存在饱和效应——一个词出现10次和100次的区分度，远不如出现1次和10次。同时引入文档长度归一化，解决长文档天然词频高的问题。数学公式单查询词得分： \text{score}(D,Q…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配正文：…引检索 → Top-K候选 → 重排序（可选）→ 返回工程要点：索引需定期增量更新；大流量场景做查询缓存；关键业务加向量+关键词混合检索。

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：答案要点区分检索失败类型（无结果/低质量结果）并设计不同策略查询改写与扩展的具体方法多路召回与混合检索的架构设计大模型自身知识的安全调用机制用户感知的透明反馈设计核心策略：分层兜底架构 1. 失败类型识别零结果：向量库返回空，检查embedding/索引问题低质量结果：有结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再…

#百度#小鹏#美团

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…向量聚类分片，分布式检索后归并量化压缩：PQ将向量压缩4-32倍，降低内存和IO 缓存策略：热点查询结果缓存，高频向量常驻内存混合检索：向量召回 + BM25关键词召回，RRF融合排序 RAG场景关键点召回率优先：宁可多召不能漏召，靠后续重排序精排延迟敏感：通常P99控制在100-200ms内动态更新：增量索引更新避免全量重建

#百度#向量召回#向量召回原理

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…展同义词、补全省略的主语伪文档生成：HyDE 用模型生成假设答案再检索查询分解：复杂问题拆成子查询分别检索 2. 检索侧增强混合检索：向量+关键词 BM25 融合，互补长尾和精确匹配多路召回：不同 embedding 模型、不同切分粒度并行召回粗排→精排：先用轻量模型快速筛选，再用 Cross-Encoder 精排 3. 文档侧处理动态上下文压缩：用 LLM 提取关键片段，去除冗余元信息过滤：按时间、来源等标签预过滤索引优化：调整 chunk 大小和重叠策略，…

#字节#检索故障诊断#检索质量优化

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…xt-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone），可叠加倒排索引做混合检索 2. 检索阶段（在线） Query改写：扩展、澄清用户问题，提升召回率相似度计算：余弦相似度/IP距离，Top-K召回重排序（Rerank）：用Cross-Encoder精排，过滤低质片段 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：基于检索上下文回答，可引用来源典型应用场景场景说…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：答案要点向量数据库选型需考虑规模、延迟、成本三要素元数据设计要支持过滤和排序索引结构需权衡召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用 …

#安克科技#向量数据库选型#RAG 知识库存储