搜索大模型内容

#美团#Hybrid Retrieval#混合检索

混合检索为什么用 Sparse+Dense?

匹配正文：…词，但无法理解同义词、语义变体 Dense检索：擅长语义理解，但对罕见词、专有名词容易失配混合检索=精确性+语义泛化能力，是生产RAG系统的标配。 Sparse检索（稀疏检索）原理：基于倒排索引的词频统计方法，典型代表BM25 BM25(q,d) = Σ IDF(q_i) · [f(q_i,d)·(k1+1)] / [f(q_i,d) + k1·(1-b+b·|d|/avgdl)] 只关注查询词是否出现在文档中，向量极度稀疏（维度=词表大小）相似度度量：BM25 sco…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

BM25 公式与 TF-IDF 对比

匹配正文：BM25核心原理 BM25（Best Match 25）是概率检索框架下的经典算法，核心思想：词频贡献存在饱和效应，文档长度需要归一化。数学公式 score(D,Q) = \sum_{i=1}^{n} IDF(q_i) \cdot \frac{f(q_i,D) \cdot (k_1+1)}{f(q_i,D) + k_1 \cdot (1-b+b\cdot\frac{|D|}{avgdl})} 其中： f(q_i,D)：词项q_i在文档D中的词频 |D|：文档长度，avgdl…

#美团#BM25长度归一化#BM25 参数 k1/b 调优

BM25 参数 k1/b 调优

匹配正文：BM25核心原理 BM25（Best Match 25）是概率检索框架下的经典算法，核心思想：词频贡献存在上限，文档长度需要归一化。评分公式 \text{score}(D,Q) = \sum_{i=1}^{n} \text{IDF}(q_i) \cdot \frac{f(q_i,D) \cdot (k_1+1)}{f(q_i,D) + k_1 \cdot (1-b+b\cdot\frac{|D|}{\text{avgdl}})} 三个关键组件： IDF：逆文档频率，惩罚常见…

面试题·检索· 小红书

中文知识库检索选型

匹配正文：RAG检索方法主要分为稀疏检索和稠密检索两类，实际生产环境常采用混合方案。一、稀疏检索：BM25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Ret…

#小红书#稀疏与稠密检索#中文知识库检索选型

#美团#Embedding检索#Embedding 相似性检索

Embedding 相似性检索怎么工作?

匹配正文：…bedding将文本映射到语义空间相似性通过距离度量（余弦/欧氏）计算 ANN算法加速大规模检索倒排索引或图索引优化查询效率 RAG中用于召回相关文档核心原理 Embedding语义映射文本通过预训练模型（如BGE、M3E、OpenAI的text-embedding）编码为固定维度的稠密向量语义相近的文本在向量空间中距离更近，这是检索有效性的基础相似性度量余弦相似度：最常用，关注方向一致性，对向量长度不敏感欧氏距离：关注绝对距离，适合归一化后的向量点积：计算…

系统教程·模型微调

大模型微调与训练面试题大全

匹配正文：…与偏好对齐 RLHF、DPO 与偏好对齐常见问题应用岗一定要会微调吗？不一定要做深度训练，但要会判断边界：Prompt / RAG 解决不了风格、格式、领域行为或工具轨迹问题时，才考虑 SFT / LoRA / DPO，并且必须能评估收益。 LoRA 面试最常被问哪些点？常问参数高效的原理、rank 怎么选、和全量微调的差异、数据质量、过拟合、合并权重、推理部署，以及为什么这件事值得微调。 DPO 和 RLHF 怎么讲得清楚？ RLHF 是奖励模型 + 强化学习的经典…

#专题学习#大模型微调与训练面试题大全

系统教程·AI 编程

面试高频:LLM、Token、上下文、Agent 到底是什么

匹配正文：…次都选最可能的那个。要区分模型本身与承载它的应用：实时信息：仅靠训练得到的参数，不能可靠知道训练之后发生的新闻；应用接入搜索、RAG 或实时 API 后，可以把新资料交给模型使用。缺少资料时可能回答错误，也可能说明不知道。对话记忆：模型使用本次调用收到的上下文；多轮历史、会话状态与长期记忆，需要由应用或服务提供并管理。工具执行：在本文的文本对话示例里，模型生成文本或工具调用请求，查数据库、运行代码等动作由宿主或工具服务执行。多模态能力与可用工具取决于具体模型和应用。 …

#Agent#AI 编程

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…都重要,但日常问题完全不同。维度大模型算法岗大模型应用开发岗核心产出更好的模型、训练策略、评估方法可上线的大模型应用、RAG/Agent 系统、业务流程自动化日常关键词 SFT、DPO、RLHF/GRPO、数据配比、loss、benchmark API、RAG、Agent、工具调用、检索、评估、延迟、成本面试重点数学基础、论文理解、训练细节、实验设计项目深挖、系统设计、工程取舍、真题口述简历筛选硕博、论文、竞赛、模型训练经历加分明显工程经验、项目深度…

#Agent#Deep Research#项目实战

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…迹数据数据构造分两层,先有「问题」,再有「做这些问题的完整过程」: 种子数据(seed):一批高质量的调研问题。比如「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」。它是整个数据的源头。轨迹数据(trajectory):针对每个种子问题,一条完整的「怎么一步步做出来」的过程:Thought → Action → Observation → … → Final。这才是模型真正要学的东西。概念 2:一条「轨迹」长什么样轨迹就是把第 …

面试题·模型架构· 得物

大模型面临哪些核心挑战?

匹配标题与标签：…分析模型架构计算效率幻觉问题长上下文模型对齐数据瓶颈 2026真题大模型挑战推理延迟上下文长度限制大模型架构与原理得物

#计算效率#幻觉问题#长上下文

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：…端起点时间充裕,可系统过一遍全部概念已有工程直觉,时间紧,只补缺口补的顺序按上表从上到下走一遍,建立完整地图直接跳到 RAG / Agent / 评估这三块补直觉深度取向可往下多探一层(Embedding 怎么训、注意力机制),为要不要走应用算法留口子不必深挖原理,重点是"这概念影响我哪个设计决策" 里程碑能对着一张架构图把每个概念讲 20 分钟能把概念挂到自己的项目和后端经验上别做的事别只刷概念不动手,概念会飘别从头学深度学习数学,那是浪费时间 …

#Agent#Deep Research#项目实战

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…么」一路做到「上线」,但有个问题一直没正面回答:怎么知道它做得好不好? 调研类任务没有唯一标准答案,这让评估格外难。本章就把评估的原理、方法、陷阱讲透。这一章你会学到什么 ✓ 想清一个根本难题:分类任务有标准答案,调研报告这种开放任务「好」在哪、怎么量 ✓ 搞懂评估的两个层面:结果质量(对不对、有没有幻觉)和过程质量(步骤合不合理) ✓ 掌握 LLM-as-a-Judge:用强模型当裁判怎么打分、它有哪些偏见(位置 / 长度 / 自我偏好)、怎么缓解 ✓ 理解评估最大的陷阱…

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…务化、数据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的区别为什么说后端是转型最顺的一批人因为大模…

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…证什么,单开了一篇细讲:面试官怎么一层层追问。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /que…

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：大模型应用开发岗的 JD 有固定语法:真正的「必须项」通常只有三四条(LLM 应用链路、一门工程语言、RAG 或 Agent 之一),其余多数是「加分项写成了必须项的样子」。会读 JD 的人命中六七成核心项过硬就投,投得准也准备得省;不会读的人被一句「熟悉大模型训练原理」吓退,错过本来能上的岗。作者:吴师兄 | 适合:准备投大模型应用岗但看不懂招聘要求的人 | 前置:了解应用岗和算法岗的基本区别 JD 是愿望清单,不是准入门槛先建立一个心态:JD 是招聘方对「理想候选人」…

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…目追问模板把这条追问链练习一遍。围绕简历里的项目逐层自问,哪一层你答不出来,就是你项目要补的那一环。对照已公开的工程面试教学复原理解追问密度，再用简历项目模拟面试练习自己的项目。教学对话不能当作真实公司或候选人的面试实录。如果自测发现项目证据不够撑,回去把项目做实:把 RAG 教程做成你自己的项目或从零做一个 Agent 项目,重点是留下每一环的取舍和数字。针对性刷项目与经历题库(31 题),这些题问的就是深挖环节的常见追问。想按方向补八股,别和项目深挖混着练…

转行大模型应用开发常见问题(FAQ)

匹配正文：…模型应用岗和算法岗有什么区别。数学不好、没学过深度学习,是硬伤吗? 对应用开发岗不是。日常工作和面试考的是工程判断:什么时候用 RAG、怎么评估效果、延迟和成本怎么权衡,不是公式推导。你需要的原理是概念级的,知道模型为什么会幻觉、上下文窗口意味着什么、embedding 大致在做什么,这些不需要先修完一整门深度学习课。真要补到什么程度、哪些能力必须要、哪些可以跳过,转大模型应用开发数学要学到什么程度里按岗位分了层。一定要会 Python 吗?我只会 Java,能用吗? 需…