匹配正文：…5 + 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 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 …

#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：…邻搜索 Milvus、Weaviate、pgvector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型精排优化 Cross-Encoder、ColBERT 生成模型最终答案生成 GPT-4、Claude、本地LLM 进阶优化手段查询改写：用LLM扩展同义问法，解决语义gap 上下文压缩：检索后先用小模型过滤无关片段，减少噪声 Self-RAG：让模型判断是否需要检索，避免过度依赖落地注意点切分粒度：太细丢上下文，太粗检索不精准，建议按段落/语义边界 …

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…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Prompt → LLM生成答案关键设计：检索结果作为**上下文(Con…

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#向量库与重排序#RAG 架构设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…LLM生成 → 返回结果核心模块：检索召回：基于向量相似度（cosine/IP）快速筛选候选，可用倒排索引混合召回重排序：用Cross-Encoder（如bge-reranker）精排，弥补双塔模型语义鸿沟上下文融合：将检索文档按相关性排序，截断后填入Prompt模板，控制token预算生成模块：LLM基于"检索上下文+原始Query"生成答案，需处理"找不到答案"的拒答场景数据流转全景离线：原始文档 → 解析 → 分块 → Embedding → 向量DB ↑…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…：可选的Query改写（HyDE、子查询扩展）提升召回向量检索：Top-K近似最近邻搜索，召回候选文档重排序（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，必要时加引用标注检索器与生成器的协同机制协同点具体做法信息注入检索结果直接拼入Pro…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启用，因为它们也可能引入偏移。三、生成器集成候选去重、裁剪、排序并附来源标识后，与用户问题和回答约束一起组装上下文。长文档压缩可能丢证据，应保留原文映射。模型输出引用后，服务端校验引用是…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：答案要点向量检索优化：HNSW索引、量化压缩、分区策略重排序策略：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 …

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…al）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineering（造好"食材"）→ Prompt Engineering（做好"烹饪"）→ 模型输出 CE是PE的基础：再精妙…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：… 职责关键技术检索器从知识库召回相关文档稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序器精排Top-K结果 Cross-Encoder（如bge-reranker）生成器基于检索上下文生成答案大模型+Prompt工程，控制幻觉协同机制——上下文融合用户Query → 检索Top-K文档 → 拼接Prompt模板： "基于以下参考资料回答问题：[文档1]...[文档K]\n问题：{Query}\n答案：" → LLM生成（检索内容通过Attent…

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…dding，通用模型域外效果差多路召回：向量检索 + 关键词（BM25）+ 知识图谱重排序（Rerank）是性价比最高的优化，Cross-Encoder比Bi-Encoder准但慢常见陷阱只测Top-1命中率，忽略MRR和召回率向量维度高≠效果好，768/1024够用，关注训练数据质量二、上下文处理窗口管理检索结果去重：MMR算法或语义去重避免重复段落相关性过滤：设阈值剔除低分chunk，宁可少也不要噪声动态窗口：根据问题复杂度调整检索数量（简单问题3-5…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…用分区/分片 3. 检索模块两阶段检索架构：阶段方法作用粗排向量相似度检索（Top-K=100）快速召回候选精排 Cross-Encoder重排序精细 relevance 打分混合检索：稠密向量 + BM25稀疏检索，RRF融合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：…缩归档 5. 查询优化查询重写：Query2Doc扩展、同义词改写，解决语义鸿沟两阶段检索：向量召回Top-K → 精排模型（Cross-Encoder）重排序缓存策略：热门Query的向量结果缓存，Embedding结果缓存

#高德#评估与监控#向量数据库构建

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…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 ColBERT等轻量方案：平衡效率与效果多任务学习：结合点击日志训练排序模型四、数据质量治理问题类型解决方案文档过长语义切分（按主题/段落），控制chunk 300-500 tokens 信息密度低清洗HTML标签、广告，提取核心内容多跳关联构建知识图谱，…

#360#召回质量评估#RAG 召回优化

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…sticsearch）→ 语义召回Top-K 过滤层：关系型数据库（MySQL/PostgreSQL）→ 元数据精确过滤重排层：Cross-encoder/BGE-reranker → 精排生成层：LLM → 最终答案结构化+非结构化融合策略：多路召回（Multi-way Retrieval）向量检索：用户问题embedding → 语义相关文档关键词检索：BM25/倒排索引 → 精确匹配实体结构化查询：SQL过滤时间、品类、权限等元数据增强向量检索向量存储…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…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、裁剪并保留来源标识，把问题、证据和回答约束组装成上下文。要处理冲突、过期和权限不足的证据，并防止检索内容中的提示注入被当作系统指令。 4. 生成与校验模型基于证据生成答案和引用；证据不…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…质量取决于训练域、负样本和文档切分。融合与评估可对两路候选取并集去重后用 RRF 按名次融合；也可校准两路分数后加权，或交给 cross-encoder 重排。RRF 不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…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…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，适合语义匹配（关注方向而非幅度）替代方案：欧氏距离或内积；内积本身不要求归一化，只有用它模拟余…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…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段架构：向量召回Top-K → Cross-Encoder/BGE Rerank精排可比较ColBERT的late interaction或Cross-Encoder交互打分；是否优于当前双塔需固定候选集、题集与预算验证，不能预设必然显著提升。三、可扩展性设计增量索引：避免全量重建，支持实时数据流入（如Milvus的segment机制）冷热分层：热数据放内存HNSW，温数…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…念再检索子查询分解复杂query拆成多个子问题历史上下文补全多轮对话中补全指代消解四、进阶优化重排序（Rerank）：Cross-encoder精排，如ColBERT、BGE-Reranker 迭代检索：根据中间结果动态调整query（IRCOT）元数据过滤：先结构化过滤，再向量检索，减少搜索空间一句话总结：召回链路优化 = 多路召回扩覆盖 + 索引结构保效率 + 查询重写对齐语义 + 重排序保精准。学习建议建议系统学习该知识点

#阿里云#查询重写#RAG 召回优化

面试题·检索· 美团

稀疏稠密与混合检索

匹配正文：…：线性加权 score = α·BM25_score + β·dense_score，或训练 LTR 模型两阶段：混合召回 → Cross-Encoder 精排美团这类业务场景（POI搜索、外卖Query）尤其需要混合策略——用户既搜"麦当劳"（精确品牌）也搜"好吃的汉堡"（语义意图），单一检索无法兼顾。学习建议建议系统学习该知识点

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，过滤低质结果 3. 生成阶段上下文组装：按相关性排序，控制token预算 LLM生成：结合检索内容作答时效性优化方案核心思路：让"新"文档在相似度计算中获得隐性加分方案实现方式适用场景时间衰减加权 score_final = score_semantic × exp(-λ·Δt)，λ控制衰减速率新闻、…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…据分布索引更新延迟、冷热数据分层、租户隔离实践调优要点动态检索：小模型预判所需token数，自适应调整top-k 结果重排：Cross-Encoder精排，或ColBERT轻量级交互反馈闭环：用户点击数据回流，训练领域Embedding 学习建议建议系统学习该知识点

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…edding模型 → 查询向量 q ANN索引快速召回Top-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…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：答案要点区分BERT骨干、Cross-Encoder配对打分与SBERT独立句向量训练；“双塔”描述编码方式，不必是两套独立权重解释CLS token与Mean Pooling的优劣说明向量维度的影响（表达能力vs计算效率、存储成本）提及实际选型考量（MTEB榜单、领域适配）主流Embedding架构对比模型核心架构关键改进 BERT Transformer Encoder 预训练MLM+NSP，输出token级表示 Sentence-BERT 共享骨干的Si…

#小米#向量检索#Embedding 向量维度选型