匹配口述回答：…]]的话，我会关注索引算法，[[HNSW]] 在中等规模下表现稳定，但数据到千万级就得考虑 [[IVF]] 分区了。这里有个前提：向量检索只能做语义相似，没法做精确关键词匹配，所以单纯靠向量容易漏掉那些带特定订单号或错误码的查询。所以检索模块我一般走[[混合检索]]。粗排阶段，同时跑稠密向量和 [[BM25]] [[稀疏检索]]，然后用 RRF 或者倒数排名融合把结果合并。举个例子，用户问“我的退款订单 AB123 处理到哪了”，向量可能把“退款”相关的文档都召回，但 BM…

#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

匹配口述回答：…终答案好不好，这跟检索评估是两码事，我一般分开看。然后说检索模型优化。这里有个很实际的选择：用关键词还是向量。关键词检索像 [[BM25]]，对专有名词、订单号这类精确匹配特别稳，可解释性强，但语义理解弱。向量检索 [[Embedding]] 语义能力强，但领域不匹配时效果会崩。真正落地我倾向 [[混合检索]]，把 BM25 和向量分数加权融合，或者用 RRF 合并排名。举个例子，在企业SOP合规文档场景，员工问“报销流程”，关键词可能漏掉“费用申请”这种同义词，向量能补上…

#360#召回质量评估#RAG 召回优化

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

← 上一页第 5 / 5 页

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

匹配口述回答：…果往往比用原始query好。复杂问题我会拆成子查询分别检索再合并，这样能提高召回。再一个是检索侧增强。最基础也最有效的方案是[[混合检索]]，把向量检索和[[BM25]]关键词检索结合起来。向量擅长语义匹配，BM25强在精确匹配，比如订单号、错误码这些，向量可能跑偏，但BM25能精准命中。实际落地时，我会先用混合检索做粗筛，再上轻量重排比如[[Cross-Encoder]]精排，把最相关的几篇顶到前面。这里有个坑，Cross-Encoder效果虽好，但延迟高，所以一般只对粗…

#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：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…任务生成embedding再写向量库，写成功后更新状态。定期跑对账脚本，把状态不一致的补写或告警。检索流程上，我一般走多路召回：向量检索Top-K，同时用[[BM25]]做关键词召回，结果合并后去重，再做[[Rerank]]，最后用结构化条件过滤。比如用户搜“满200减50”，向量可能把“满300减80”也召回来，但BM25能精准命中“满减”关键词，合并后rerank把最相关的排前面，再过滤掉已过期的活动。这里有个常见失败场景：如果只依赖向量，当用户输入的是精确术语比如订单…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配口述回答：…有要求，传统RAG直接不可用。针对这些痛点，优化方向其实挺明确的。检索噪声可以用[[重排]]或者多路召回融合来解决，比如先用[[BM25]]和向量做[[混合检索]]，再让一个更精细的排序模型过滤一遍。上下文冗余可以做上下文压缩，或者用摘要增强，把多个chunk的关键信息提炼成一个精炼版本。知识更新延迟就得靠实时索引管道，或者干脆让模型直接调用API获取动态数据。不过说实话，这些优化都是打补丁。真正要想从根本上解决问题，得跳出'检索-拼接-生成'这个线性范式。比如现在比较热…

#淘天#Agent#RAG 痛点

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…。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 interaction 做二阶段精排。这其实引出一个问题：稠密和稀疏向量怎么融合、权重怎么…

#字节#文档处理#RAG 数据处理流程

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…。还有个噪声敏感问题，检索到无关内容会干扰生成，这就是所谓的"迷失在中间"效应。所以真正落地的时候，我会做几个工程取舍。先说[[混合检索]]，不只用向量，还结合[[BM25]]这类关键词匹配，让两种方法互补。再一个是加[[重排]]，召回Top-K之后用更精细的模型比如[[Cross-Encoder]]重新打分，把真正相关的顶上来。还有就是置信度过滤，分太低的直接扔掉，宁可少给信息也别给错的。还有一个常被问到的问题是RAG和微调的边界。我的看法是，RAG适合知识更新快、需要…

#百度#评估与监控#RAG 架构

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…义切分虽然准，但计算成本高。我一般先按段落切，对超长段落再用[[滑动窗口]]重叠处理，这样既能保留上下文，又控制单块长度。另外，纯向量检索对关键词不敏感，比如搜“退款政策”可能因为语义偏差召不回“退货流程”，所以生产上我倾向 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，再通过 [[Rerank]] 模型做最终排序。工作流程分两步走。离线准备阶段，文档切分、向量化、入库，这部分可以离线跑。在线查询时，用户问题先向量化，到向量库做[[…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…似度会跑偏。再说检索。用户问一个问题，同样转成向量，去库里搜最相似的 Top-K 块。相似度计算用余弦或者内积。但这里有个坑：纯向量检索对关键词不敏感，比如搜订单号或者错误码，向量相似度往往不如 [[BM25]]。所以实际落地我会用 [[Hybrid Search]]，向量和关键词两条路同时走，结果再融合。举个例子，电商客服场景，用户问“我上次买的手机怎么还没到”，向量检索能理解“手机”和“物流”的语义，但如果用户说“订单号 12345 怎么退款”，关键词匹配更准。所以混合…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…了生成的上限。如果检索回来的东西不相关，LLM再强也白搭。所以落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百条，再用 [[Cross-Encoder]] 精排一遍，把最相关的前几条送进生成，能显著减少噪声。说个真实业务场景吧，比如电商客服的退款政策问答。用户问“七天无理由退货的运费谁出”，如果只用LLM微调，模型可能…

#字节#外部知识检索#RAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…型可能把它和'自然灾害'关联，但法律场景下它还有具体的免责条款含义。另外我特别推荐 [[Hybrid Search]]，就是 [[BM25]] 关键词加 [[Dense Retrieval]] 向量。为什么呢？因为关键词匹配擅长处理长尾词、专有名词，比如订单号、错误码，这种向量很难表达；而向量擅长语义匹配，比如'退货流程'和'退款步骤'。两者互补，能覆盖更多场景。但混合检索有个坑：权重怎么配。如果向量权重太高，关键词结果被淹没，长尾就丢了；反过来关键词权重太高，语义匹配又没了…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…P 合规场景，文档里可能夹杂了历史版本说明和废弃流程，压缩之后只保留当前有效条款，生成准确率明显提升。再一个，我比较推荐搞 [[混合检索]]，就是向量检索加 [[BM25]] 关键词检索，甚至接[[知识图谱]]，多路召回之后做加权融合。这样能避免单一检索方式被噪声带偏。比如向量检索容易把语义相近但实际无关的文档召回来，关键词检索反而能纠正。但这里有个坑：融合策略不是简单的取交集或求平均，得根据场景调权重。比如小红书那种 UGC 内容，噪声类型很复杂，标题党、软广、过时笔记都…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…、召回、重排、上下文、生成、引用与监控。然后挑一个最有代表性的 bad case，说明【关键改动】为什么针对根因，而不是直接罗列 BM25、向量检索或 RRF。检索、排序和生成分层评测，每轮固定语料与测试集做消融。项目结果按【评测结果】填写，同时交代 Recall@K 或排序指标、答案支持率、P95/P99、成本和观察窗口，不能用一个“准确率”概括全链路。我还会准备【失败案例】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embeddi…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：…质量，如果检索回来的东西就不对，后面再怎么调也救不回来。这里有个关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比如订单号、错误码这种；向量检索适合语义匹配，比如用户说“退款没到账”这种口语化表达。真正落地时我会做 [[Hybrid Search]]，把关键词和向量结合起来，再配合查询改写，比如用户说“退货”，我能自动扩展成“退货退款”“退货流程”，或者用 LLM 把模糊 query 转成更明确的意图。举个例子，在客服场景里，用户…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…ext Engineering 是选材的艺术。具体到上下文工程，我一般把它拆成三层。第一层是检索，这里不能只用一种方法，我会把向量检索和 [[BM25]] 这种关键词检索结合起来做，也就是 [[Hybrid Search]]，能覆盖语义相似和精确匹配两种需求。第二层是[[重排序]]，因为初步召回的结果往往有噪音，我会用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相似内容挤占上下文窗口。第三层是压缩，…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…前提：如果你的业务场景对精度极其敏感，比如医疗诊断，那量化压缩就要慎用，得先做A/B测试。再一个，相关性提升。我见过很多团队只靠向量检索，结果关键词匹配一塌糊涂。实际上，真正落地的方案往往是[[混合检索]]，[[Dense Retrieval]]加[[Sparse Retrieval]]一起上。比如用户搜“退款”，向量能召回“退货”“赔付”这些语义相近的，但[[BM25]]能精准命中“退款流程”这个短语。所以我会把两条路的结果做加权融合，权重根据场景调。然后还有查询优化，比…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…降，就是因为只做了全量构建，没处理增量。我的做法是维护一个base索引加一个delta索引，查询时合并，定期重建base。另外，纯向量检索在短文本或专有名词场景下可能不如关键词，比如订单号、错误码，所以我会加上[[BM25]]做[[Hybrid Search]]，用规则或学习权重融合。说到混合检索，其实这里有一个延伸点：向量检索和关键词检索的权重怎么融合？是手动调参还是用学习模型动态决定？我倾向用轻量级模型学习权重，因为不同query对向量和关键词的依赖差别很大，比如“退货…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：…几百条，语义匹配的精度提升也很明显。这里有个边界：如果文档本身是结构化或者关键词密集的，比如订单号、错误码，那向量搜索不一定比[[BM25]]好，[[混合检索]]才是正解。然后说文本[[分块]]策略，这是最容易被低估的坑。固定长度分块最简单，但具体token数要作为候选变量；它经常把一句话或者一个逻辑段切两半，导致检索时上下文不完整。递归分块会好一些，先按段落切，超长了再细分，尽量保持语义边界。还有语义分块，用模型判断边界，精度最高但计算成本也高。我的做法是：先比较递归分块…

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：…[[Faithfulness]] 和 [[Context Recall]]，确保模型没有忽略检索到的证据。说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…elf-RAG]]让模型学会反思。所以真正落地的时候，我倾向于把RAG当成基础设施，但不会只依赖它。比如检索环节，我会做**[[混合检索]]**，把[[BM25]]关键词和向量检索结合起来，避免因为语义偏差漏掉关键文档。生成环节，我会加[[Rerank]]和[[Self-Refine]]，先让模型基于检索内容生成，再自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种…

#京东#知识型幻觉#RAG 幻觉

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…识库里全是“售后政策2024版”这种正式标题，检索召回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rerank]]，把最相关的片段顶到前面。另外说一个我特别关注的点：当知识库频繁更新时，[[Vector Database]]的增量索引和一致性怎么保证？比如客服知识库每天有几百条修改，你不能每次重建索引，但增量插入又可能让检索精度下降。我倾向于用双索引策略，一个base索引定期全量重建，一个d…

#美团#模型微调#RAG vs SFT