搜索大模型内容

RAG 系统迭代优化方向有哪些?

匹配正文：…多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Encoder精排Top10 动态重排：结合用户反馈的在线学习排序上下文融合优化上下文压缩：LLMLingua选择性压缩、重排序后截断关键片段多文档处理：去重合并、按相关…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配正文：…题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encoder：Query+Document拼接输入，输出相关性分数，精度高但计算慢精排Top-N：从粗排结果中选出最终5-10…

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#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声 3. 精排/重排序（Rerank）使用交叉编码器（Cross-Encoder）或轻量重排模型对召回文档精细打分，筛选Top-N（通常3-10）送入生成关键作用：弥补双塔向量检索的语义鸿沟 4. 上下文构造格式组装：按相关性排序，添加文档标识（如[Doc 1]）长度控制：截断、摘要压缩、或分层检索（摘要→全文）去重与连贯性：处理重复段落，保证上下文逻…

#美团#RAG全链路#RAG 工作流程

RAG 系统怎么持续迭代?

匹配正文：…展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top-K重排，比向量相似度更准多路融合：不同召回源（KG、向量、倒排）按置信度加权动态截断：根据query难度自适应调整送入LLM的文档数三、生成层优化（最终输出）上下文压缩：检索结果去重、摘要提取，避免超长context稀释注意力引…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

#字节#检索方法选型#BM25/向量/混合检索选型

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…

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难以捕获生成整合上下文爆炸检索文档过长，淹没关键信息忠实性缺陷模型"幻觉"编造或过度综合检索内容引用困难难以精准溯源，答案可信度存疑知识边界实时性瓶颈索引更新滞后，新知识无法即时生效结构化缺失表格、图谱等非文本知识利用不足二、改进思路 1. 检索层优化混合检索：BM25 + 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…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：…；通用架构示意不能包装成个人上线结果。回答框架知识库：数据来源、解析、分块、元数据、权限、版本与更新方式。检索器：稀疏/稠密模型、索引、Top-K、过滤、融合和查询改写。重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。事实填空项目【】，语料【】，我负责【】。基线检索和生成链路【】，主要错误【】。实际选用【检索/融合/重排方案】…

#美团#知识库构建#RAG 检索器设计

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…优化，Context Engineering聚焦外部信息的筛选与组织阐述Context Engineering的三层架构（检索-重排序-压缩）说明两者协同关系：Context Engineering为Prompt Engineering提供高质量"原料" 举例典型应用场景差异核心区别维度 Prompt Engineering Context Engineering 目标优化模型输入的表达方式优化模型输入的信息质量操作对象提示模板、指令结构、示例格式外部知识的…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#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：答案要点文本预处理的关键步骤（清洗、分块、元数据保留） Embedding模型选型依据（领域适配、多语言、维度权衡）向量索引算法选择（HNSW、IVF、PQ的适用场景）存储方案设计（向量+标量混合存储、分片策略）查询优化手段（查询重写、重排序、缓存策略） 1. 文本预处理清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理元数据关联：保留原始I…

#高德#评估与监控#向量数据库构建

#字节#Retriever#RAG Retriever

RAG Retriever 工作机制详解

匹配正文：…ry（可能经过改写/扩展）输出：Top-K相关文档片段（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（…

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：…理解item A和item B的语义关联，生成隐式交叉特征快手实践：用LLM解析短视频标题/ASR文本，生成结构化标签，喂给双塔模型 2. 召回层（探索中）方案原理挑战语义向量召回 Item→LLM Embedding→向量库推理成本高，需离线预计算生成式召回 LLM直接生成候选item ID或描述需微调适配ID空间，幻觉问题对话式交互用户query→LLM理解→扩展语义召回适合搜索推荐联动场景 3. 排序层（谨慎切入）重排序阶段：用LLM做精排后的多…

#快手#LLM推荐系统#LLM 推荐系统

#字节#Embedding向量检索#Embedding 向量数据库

Embedding + 向量数据库怎么搭?

匹配正文：… 距离度量：余弦相似度（方向一致即可）、欧氏距离（绝对位置重要）、内积（带模长信息）检索流程：查询文本 → Embedding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…

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：…三种运算的性质。虽然人工目标B在部分结果里排得更高，也不能据此报告真实检索收益。做真实对照时，先把两路返回的候选固定下来。索引和模型版本、过滤条件、每路数量、统一身份与去重规则都应一致，下游接收的候选数量也保持一致。否则，一边多拿了候选，或者后面的重排更强，最后的差异就不能归到融合公式上。这里的统一身份也有粒度。同一个片段在两路命中，应合并贡献；同一文档中的不同片段，可能分别包含必要证据，不能只因父文档相同就全部折成一条。高度重合的相邻块则可能挤占位置，需要单独定义内容去…

#RAG#混合检索#RRF

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR /…

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…考察重点：核验效果数字是否有定义、基线、样本和可归因证据。 Recall@k、答案正确率等指标的公式、分母与统计窗口冻结评测集、模型和检索配置下的旧方案结果评测集来源、规模、业务切片和版本记录召回、重排与生成模块的单变量或去除实验需要追加追问时：metric_undefined → metrics-proof；baseline_missing → metrics-proof；evaluation_set_missing → metrics-proof；ablation…

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：评测数据集怎么选?、大模型任务表现差怎么排查？。 4. tradeoff · tradeoff 哪些指标自动计算，哪些必须人工或模型评审？为什么不只用一个端到端正确率？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：自动 vs 人工评价怎么选?、大模型应用…

#模拟面试#简历项目#连续追问

第 1 章:为什么做 RAG?

匹配正文：…g(把文字转成一串数字向量)转成向量,存进向量库。只跑一次或定期更新,用户感知不到。在线问答:用户每次提问,把问题向量化、检索、重排,把最相关的几段拼成上下文交给模型生成。每次提问都要实时跑完。两条链路靠向量库这一个交汇点连起来,这正是 Part 1 里 retrieve() 那一步的"真实版"。注意一个常被忽略的细节:连录播视频都要进知识库,先用语音识别(ASR)转成字幕文本再切段入库。RAG 的"知识"远不止 PDF。 2.3 一个反直觉的事实:模型是这套系统里最省…

第 2 章:RAG 整体架构

匹配正文：…"交汇 ✅ 端到端骨架的 5 个函数,以及"剪 → 存 → 捞 → 拼 → 答"这条主线 ✅ 亲手调了 top_k,感受到"检索给模型几块资料"是个要权衡的事你刚才做的,对应工程系统里的哪些职责? 教学函数对应工程系统的候选模块你写的 build_index = 字节、阿里、各家保险/医疗 RAG 里离线建库环节的入门版(它们会换成向量库 + 倒排索引); 你写的 retrieve = 工程系统的检索召回职责(可选向量检索、BM25 与重排,是否组合需评估); 你写的 a…

第 3 章:文档预处理与切分

匹配正文：…一个块,"战争、核辐射……"进了另一个块。假设用户问:"核辐射在保障范围内吗?" 系统只找回前半块,那块读起来像"本保险承保"。模型如果没有拒答约束,就可能据此回答:"在保障范围内。" 这个演练要说明的不是某次真实损失,而是因果链:一句话被切断 → 检索只返回残缺证据 → 生成阶段依据错误上下文作答。因此,切分策略是 RAG 系统的隐形地基;上层模型无法补回未被检索到的证据。这个失败路径,用一张图就能看明白: 切分前 vs 切分后:错误如何沿链路放大别急着记结论。本章后…

#Deep Research#问题边界与研究闭环#Deep Research 引用溯源

面试题·Agent

Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？

匹配正文：…案例，报告不能扩展成普遍规律。引用链要从工具返回时就建立如果 Agent 只把网页正文作为一大段 Observation 塞给模型，等最终写报告时再让模型回忆来源，很容易错配。更稳的方式是在 Visit 工具返回时就结构化保存证据单元。一个证据单元可以包括来源 ID、页面标题、规范化 URL、发布时间或更新时间、访问时间、相关原文、位置、目标主张和来源类型。 Search 返回的标题和摘要只适合发现线索。关键结论需要进入正文，确认上下文和口径。若页面无法访问，只能把搜索…

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…ub.com/MisterBooo/rag-from-zero clone后先阅读项目首页的配套代码与运行环境，把零依赖演练与完整模型/API链路分开验证本章的纯 Python BM25(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:Embedding 选型与向量化 | 下一章:重排与检索优化 → | 回到项目首页