匹配正文：…tion）用户Query → Query改写/扩展 → 向量化 → 向量检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 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…

#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：… 查询优化 Query改写（HyDE生成伪文档）、意图分类路由不同检索策略结果优化两阶段检索：粗排（Top-K召回）+ 精排（Cross-Encoder Rerank）数据优化文档分块策略（按语义/结构切分）、元数据过滤预筛选 Rerank环节尤为重要：用轻量Cross-Encoder（如bge-reranker）对Top-100重排，NDCG@10提升15-20%常见。

#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：…领域适配（M3E/BGE/自研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Que…

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实现原理#RAG 实现原理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：答案要点能区分稠密检索与稀疏检索的适用场景理解混合检索的融合策略（如RRF）知道何时需要重排序（Cross-encoder）掌握查询改写/扩展技术（HyDE、多查询）能结合业务场景说明选型依据核心检索方法及选型 1. 向量检索（Dense Retrieval）技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/Faiss）场景：语义匹配、长文档理解、跨表述查询（如"苹果价格"→"iPhone多少钱"）考量：对短查询效…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…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）、幻觉检测、流式输出完整数据流用户Query → …

#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：…csearch等，支持ANN近似最近邻搜索 2. 检索层（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 → …

#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：…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）多路检索向量检索（语义匹配）+ 关键词检索（精确匹配）+ 可能的知识图谱召回重排序（Rerank）用Cross-Encoder（如BGE-Reranker）精排Top-K，提升相关性上下文组装按相关性排序拼接chunk，控制总长…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…ch），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…

#字节#RAG系统实现#RAG 实现

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：…& Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → 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…

#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：…索阶段（在线）查询理解：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…

#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：…用 LLM 就默认更好。二、检索器使用向量检索、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…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…ring 的三层方法检索层（Retrieval）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…

#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：… 第二阶段：在线检索生成模块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…

#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与召回领域数据务必微调embedding，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：…

#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· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…/Elasticsearch）→ 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 …

#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：…-back 抽象出高层概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· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…e/ES，建立HNSW索引 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)…

#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：…层数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