匹配正文：… 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encoder：Query+Document拼接输入，输出相关性分数，精度高但计算慢精排Top-N：从粗排结果中选出最终5-10篇送入生成去重与多样性控制：MMR算法避免内容重复，保证信息覆盖度 4. …

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声 3. 精排/重排序（Rerank）使用交叉编码器（Cross-Encoder）或轻量重排模型对召回文档精细打分，筛选Top-N（通常3-10）送入生成关键作用：弥补双塔向量检索的语义鸿沟 4. 上下文构…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如SPLADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-Encoder（如bge-reranker）对Top-K精排，捕捉细粒度交…

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#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：…求高、延迟可接受 ColBERT 延迟交互，token级相似度计算，兼顾效率和精度中等延迟、长文档场景多路融合向量检索 + BM25 + 稀疏向量（如Splade）结果融合数据分布复杂、单一通道不足 LLM-based重排用GPT-4/Claude等直接打分或生成排序理由极高精度需求、成本不敏感工程实践要点候选集大小：通常取向量检索Top-100~200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To…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：为何需要重排初检的局限性向量检索（双塔模型）追求效率，用点积/余弦快速近似，牺牲语义精细度多路召回（BM25+向量+关键词）结果混杂，缺乏统一相关性度量存在"伪相关"：向量相似≠真实答案相关解耦设计的好处召回阶段：广撒网，保召回率，毫秒级响应重排阶段：精筛，保准确率，接受百毫秒级延迟重排的核心作用作用说明语义精排用交互式模型捕捉query与doc的细粒度匹配多路融合统一打分不同来源的候选（向量/BM25/图谱）业务过滤加入时效性、权威性、用户偏…

#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：…误累积。教学假设假设电商政策问答既包含自然语言问题，也包含订单号和时间条件。可以从 Naive 基线开始，再分别加入实体抽取、BM25、向量召回、RRF、重排和权限过滤。每次只增加一个主要模块，不能直接宣称准确率会达到某个数字。评测与选型分别测知识覆盖、Recall@K、MRR/NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。简单文档问答若基线已满足要求，不必升级；只有明确 bad case 和消融证据支持时才增加 Advanced 或 Agentic…

#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：…型（如BGE、GTE）、多向量表示（ColBERT）、HyDE（假设文档嵌入）提升语义匹配精度检索策略混合检索（向量+关键词BM25）、多路召回、查询扩展（同义词/LLM改写）、多轮对话历史压缩覆盖长尾查询，解决词汇不匹配重排序交叉编码器（Cross-Encoder，如bge-reranker）、LLM-based Rerank 精排Top-K，提升相关性生成优化上下文压缩（如LongLLMLingua）、引用溯源、拒绝回答机制（检索不足时）降低幻觉，提升可…

#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：…据建议微调Embedding模型索引存储：写入Milvus/Faiss/Elasticsearch等向量数据库，可配合稀疏索引（BM25）做混合检索二、在线检索流程 Query理解：query改写、扩展（HyDE生成伪文档）、意图识别向量检索：ANN近似最近邻搜索，召回Top-K（通常20-100个）重排序（Rerank）：用Cross-Encoder（如BGE-Reranker）精排，选出最相关的3-5个送入LLM 三、生成阶段上下文拼接：将检索结果按相关性排序，…

#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：…查询扩展：同义词、相关术语扩展召回意图识别：区分事实查询/摘要/对比类问题，路由到不同索引检索策略混合检索：向量相似度 + BM25关键词，RRF融合排序重排序（Rerank）：Cross-encoder精排，如bge-reranker，Top-K从100→20 多路召回：向量库+图谱+传统数据库并行检索二、生成层优化上下文处理上下文压缩：LLM摘要过滤冗余，或训练专用压缩模型引用溯源：要求模型标注答案来源，便于事实核查动态截断：按相关性分数加权拼接，非简单…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：… 为什么必须分两阶段？阶段处理规模模型特点核心目标召回（Retrieval）百万~亿级文档轻量、快速（如向量相似度、BM25）快速筛选，从海量中捞出Top-K候选重排序（Rerank）百~千级候选重型、精准（如Cross-Encoder）精细排序，用复杂交互计算最终相关性重排序模型（如BERT-based Cross-Encoder）需要query和document拼接后过Transformer，计算复杂度O(n)，无法承受直接扫描百万级文档的延迟和…

#字节#两阶段检索#RAG 重排序

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…HNSW等近似索引加速检索二、在线检索阶段双路召回策略：向量检索：Query向量化后ANN搜索，捕获语义相似性关键词检索：BM25等传统方法补充，确保专有名词命中结果融合：RRF（Reciprocal Rank Fusion）合并两路结果重排序优化：用Cross-Encoder（如BGE-Reranker）精排Top-K候选，提升相关性三、增强与生成阶段上下文拼接：按相关性排序检索结果，拼入Prompt模板提示工程：明确指令"基于以下参考资料回答"，约束模…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…g模型编码相似度计算：余弦相似度或点积，召回Top-K相关片段检索策略演进：稠密检索：语义匹配好，但可能漏关键词稀疏检索（BM25）：精准匹配关键词，补充稠密检索混合检索：稠密+稀疏融合，线性加权或RRF重排 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：基于提供的上下文作答，典型Prompt模板包含"仅根据以下信息回答，不知道就说不知道" 关键优化点环节优化手段检索质量查询改写（HyDE）、多路召回、重排序（Cros…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…E，垂直领域需微调索引结构：百万级用HNSW（内存索引），亿级考虑FAISS IVF或Milvus分布式方案多路召回：关键词（BM25）+ 向量双索引，解决语义漂移问题三、在线检索流程阶段技术要点查询改写 Query扩展、同义词补全、意图澄清（必要时主动反问）粗召回 Top-K向量检索（K=100~1000）精排序 Cross-encoder重排（如BGE-Reranker），筛选Top-5~10 过滤策略相关性阈值截断、元数据过滤（如只查最近1年文档）四…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…将chunk编码为稠密向量索引存储：写入Milvus/Pinecone/Elasticsearch等向量数据库，可结合稀疏索引（BM25）做混合检索在线检索生成阶段查询理解：用户query可能需改写/扩展（HyDE、Query2Doc）向量检索：Top-K相似度召回，常用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…rch）二、在线检索层混合检索策略：用户Query → Embedding编码 → 向量相似度检索（Top-K） ↓ 关键词BM25检索 → 结果融合（RRF加权） ↓ 精排模型（Cross-Encoder重排序）→ 最终Top-N片段关键优化点： Query改写：扩展同义词、澄清指代多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder比双塔更准，但 latency 高三、生成集成层上下文组装：检索片段按相关性排序，拼接为上下文控制总长度…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：… 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展、多跳查询分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序（Rerank）：Cross-Encoder模型精排，提升相关性上下文组装：检索结果去重、截断、按相关性排序注入Prompt 三、核心技术要点分块策略：按语义边界切分，避免切断关键信息；重叠窗口保持上下文连贯检索精度：多路召回（向量+关键词）+ Rerank，解决语义漂移问题生成控制：限制LLM仅基于检索内容回答，降低…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…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）传统BM25或TF-IDF，基于词项匹配优势：精准匹配专有名词、ID、代码片段；可解释性强适用：关键词明确的查询、长尾实体检索 3. 混合检索（Hybrid Retrieval）实际生产中的主流方案：Dense + Sparse并行召回融合策略：线性加权（α·Dense_score + (1-α)·Sparse_score）或RRF倒数排序融合…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：… 多路召回召回通道适用场景实现方式向量检索语义相关领域微调Embedding + HNSW索引关键词检索精确匹配 BM25 + 领域同义词扩展结构化检索条件过滤元数据标签（时间、版本、文档类型）重排序与精排交叉编码器做精排，领域数据微调（如bge-reranker）引入用户反馈信号（点击、停留时长）做在线学习三、生成改进层上下文工程动态窗口：根据问题复杂度选择top-k，复杂问题用递归检索扩展上下文引用溯源：生成时强制标注来源chunk_i…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…etrieval）查询优化：查询重写（HyDE生成伪文档）、意图识别、多跳分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合多路召回（关键词+向量+图谱）重排序（Rerank）：Cross-Encoder模型精排Top-K，过滤低相关文档 3. 生成模块（Generation）上下文组装：按相关性排序文档，截断至上下文窗口 Prompt工程：明确指令+检索上下文+用户问题，要求"仅基于上下文回答，不确定则拒绝" 后处理：答案溯源（标注引用来源）、幻觉…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…用对比学习在业务数据上微调Embedding模型多向量表征：一个文档生成多个向量（摘要、关键词、详细内容）稀疏-稠密混合：结合BM25和向量检索的优势 3. 向量检索核心问题：召回率和延迟的权衡优化策略：索引优化：HNSW参数调优（ef_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 + 关键词检索 + 知识图谱并行召回查询扩展：用LLM生成同义查询，提升覆盖度 4. 重排序（Rerank）核心问题：粗排结果精化优化策…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…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） → LLM生成 → 输出+溯源引…

#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：…256-512 tokens 向量化 Embedding模型编码为稠密向量选用领域适配的模型（如BGE、M3E）；考虑稀疏向量（BM25）做混合索引存储写入向量数据库 Milvus/Pinecone/Elasticsearch；构建HNSW索引加速ANN检索三、在线检索生成（Query Pipeline）用户Query → 查询改写 → 多路检索 → 重排序 → 上下文组装 → LLM生成环节说明查询改写扩展同义词、纠错、指代消解（如"它"→具体实体）多路…

#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：…时性瓶颈索引更新滞后，新知识无法即时生效结构化缺失表格、图谱等非文本知识利用不足二、改进思路 1. 检索层优化混合检索：BM25 + 向量检索 + 稀疏编码（如SPLADE）互补查询改写：HyDE（假设文档嵌入）、Query2Doc扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 …

#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：…bedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召…

#字节#RAG系统实现#RAG 实现