匹配正文：…、检索优化混合检索方式实现适用场景稠密向量领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法律领域微调的ColBERT）时效性加权：新法优先；地域匹配：当事人所在地法…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…etrieval 双塔Embedding（Query/Doc各编码）语义匹配、长尾Query Sparse Retrieval BM25、TF-IDF词项匹配精确匹配、高频术语混合检索(Hybrid) Dense+Sparse结果融合（RRF/线性加权）通用场景首选查询改写 HyDE（生成假设文档）、Query Expansion Query与Doc语义Gap大 Embedding模型选型：MTEB榜单参考，领域适配可作为候选，但是否提升及幅度应在固定留出集和相同检…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…复检索关键优化方向查询侧：Query2Doc、Step-back prompting扩展查询语义检索侧：稀疏+稠密混合召回（BM25 + Dense），多索引融合生成侧：Self-RAG、Corrective RAG让模型主动判断检索质量实际落地中，检索质量决定RAG上限，建议优先投入Rerank和Query改写。

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

#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：…证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 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…

#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：…：复杂问题拆分为多个子问题并行检索，结果聚合 Step-back Prompting：先问通用概念再具体到细节四、混合检索融合 BM25 + 向量：关键词匹配兜底专有名词、ID，向量捕捉语义融合策略：RRF（Reciprocal Rank Fusion）或线性加权，避免单一模态失效关键权衡：精度vs延迟、内存vs召回，需根据业务SLA选择组合。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…SW索引加速检索第二阶段：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…

#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：…，不能粗暴切分 Embedding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…

#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：…op-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] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. …

#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

匹配正文：…ontext precision/recall, answer relevance等）二、检索模型优化双路召回策略稀疏检索（BM25）：关键词匹配，对专有名词、ID类查询效果好，可解释性强稠密检索（Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生…

#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：…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时携带结构化标签（{"doc_id": "xxx", "category": "售后", "valid_until": "2024-12"}）检索后先用结构化条件过滤，再送入LLM 统一查询接口用户问题先过NL2SQL/意图识别，拆分为"…

#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：…集验证证据 Recall@K、重复率、过滤正确性和索引更新。 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。 …

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…关文档片段（doc_id + 文本 + 相似度分数）两大检索范式类型原理代表模型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，…

#字节#Retriever#RAG Retriever

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…/(||A||·||B||)，值域[-1,1]，实际取Top-K 关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…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配正文：… 稀疏检索（Sparse Retrieval）原理：基于倒排索引的关键词匹配，计算query与doc的词项重叠程度。代表方法：BM25 score(D,Q) = Σ IDF(q_i) · [f(q_i,D)·(k1+1)] / [f(q_i,D) + k1·(1-b+b·|D|/avgdl)] IDF：词项区分度 k1/b：控制词频饱和度和文档长度归化特点：可解释性强，对精确匹配场景效果好零成本处理新词（只要词表里有）无法捕捉语义相似性（"苹果手机"≠"iPhon…

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…全量扫描二、相关性提升策略多路召回方式适用场景稠密向量（Dense）语义匹配、同义词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、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…

#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：…dding：DPR、Contriever，适合语义匹配优势：跨表述理解；劣势：对罕见实体、精确匹配弱稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类分桶，减少搜索空间亿级，内存受限 PQ/OPQ 向量量化压缩…

#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：稀疏检索（Sparse Retrieval）原理：基于词项空间的高维稀疏向量，经典代表是 BM25 和 TF-IDF。维度 = 词表大小（通常 10万+），向量极度稀疏（大部分为0）相似度度量：词袋匹配 + 词频加权，BM25 公式核心衡量词项与文档的相关性优势：精确匹配能力强、可解释性好、无需训练、对关键词敏感稠密检索（Dense Retrieval）原理：通过编码器（如BERT、双塔模型）将文本压缩为低维稠密向量。维度通常 256-1024，向量稠密相似度…

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配正文：…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 score（基于TF-IDF的改进版）特点：对高频词降权、对文档长度归一化，检索速度快 Dens…

#美团#Hybrid Retrieval#混合检索

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…回融合时间戳过滤：检索时优先召回近期文档，或按时间加权打分多版本共存：同一实体保留历史快照，检索时返回最新版稀疏+稠密混合：BM25捕捉时效关键词，向量捕捉语义检索层：动态补偿机制时效性检测：对Query做时间意图识别（"最新"、"2024年"），触发实时搜索补充置信度阈值：检索得分低于阈值时，降级到实时API（如搜索引擎）获取最新信息反馈闭环：用户标注"信息过时"后，触发该文档的优先级降级或更新典型场景金融/新闻：强依赖实时数据，需结合API实时拉取 + …

#字节#时间衰减检索#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：…ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Retrieval（如SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量内积vs…

#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：…_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的动态插入特性学习建议建议系统学习该知识点参考资料 Faiss官方内积、余弦与L2关系 …

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…档，再用该文档embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知识库补充提供"未找…

#百度#小鹏#美团

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…后归并量化压缩：PQ将向量压缩4-32倍，降低内存和IO 缓存策略：热点查询结果缓存，高频向量常驻内存混合检索：向量召回 + BM25关键词召回，RRF融合排序 RAG场景关键点召回率优先：宁可多召不能漏召，靠后续重排序精排延迟敏感：通常P99控制在100-200ms内动态更新：增量索引更新避免全量重建

#百度#向量召回#向量召回原理

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配正文：…的起点，不是通用最优值。增量索引：避免全量重建，采用分层索引或增量HNSW 二、召回策略优化多路召回：向量检索 + 倒排索引（BM25）+ 稀疏向量（SPLADE），取长补短粗排+精排：先用IVF快速筛选候选集，再用精确距离计算Top-K 查询扩展：HyDE、Query2Doc可作为候选，用同题集消融验证；生成伪文档也可能偏离原问题并增加延迟与成本。三、模型与计算优化 Embedding量化：只算每维存储，FP32→FP16为4→2字节，INT8为4→1字节；总索引还…

#字节#检索性能优化#向量检索性能优化