匹配正文：… 伪文档生成：HyDE 用模型生成假设答案再检索查询分解：复杂问题拆成子查询分别检索 2. 检索侧增强混合检索：向量+关键词 BM25 融合，互补长尾和精确匹配多路召回：不同 embedding 模型、不同切分粒度并行召回粗排→精排：先用轻量模型快速筛选，再用 Cross-Encoder 精排 3. 文档侧处理动态上下文压缩：用 LLM 提取关键片段，去除冗余元信息过滤：按时间、来源等标签预过滤索引优化：调整 chunk 大小和重叠策略，关键信息不截断 4. 重…

#字节#检索故障诊断#检索质量优化

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…搜索空间保留原文存储位置，避免向量库膨胀索引结构设计向量索引：HNSW（平衡速度与召回）或 IVF（内存受限时）倒排索引：BM25/关键词索引，用于混合检索分层索引：热点数据内存HNSW + 冷数据磁盘索引生产实践：90%场景用向量+关键词混合检索（RRF融合），纯向量检索在专有名词、ID查询上效果差。

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：… 集成关键点写入流程：原文入库 → 生成embedding → 双写（事务或异步补偿）检索流程：多路召回（向量Top-K + BM25关键词）→ 重排序 → 过滤业务条件一致性：向量库无事务，建议用异步任务+对账机制，而非强事务选型决策因素数据规模：百万级以下pgvector够用，千万级以上考虑专用向量库查询复杂度：需要复杂过滤（时间范围+标签+语义）→ 优先统一存储或强关联设计团队成本：pgvector降低技术栈复杂度，Milvus需要专门运维

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

#安克科技#知识库存储架构#RAG 知识库存储

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：混合检索先过一关：两路分数能直接相加吗？做了两路召回，一路用BM25找字面匹配，一路用向量找语义相近。接下来怎么排？你可能会写下一个很自然的公式：BM25占一半，向量占一半，两路分数加起来，取前几名。面试官追问：“为什么各占一半？”你说希望兼顾关键词和语义。再追问：“BM25给50分，向量给0.9分，这两个一半，实际贡献一样吗？”这时，权重选择还没开始，分数可比性就已经成了问题。它像两个裁判，一个拿米尺，一个拿温度计。工具读数都能写成数字，但不能因为各乘0.5，就认为可…

#RAG#混合检索#RRF

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配口述回答：…有要求，传统RAG直接不可用。针对这些痛点，优化方向其实挺明确的。检索噪声可以用[[重排]]或者多路召回融合来解决，比如先用[[BM25]]和向量做[[混合检索]]，再让一个更精细的排序模型过滤一遍。上下文冗余可以做上下文压缩，或者用摘要增强，把多个chunk的关键信息提炼成一个精炼版本。知识更新延迟就得靠实时索引管道，或者干脆让模型直接调用API获取动态数据。不过说实话，这些优化都是打补丁。真正要想从根本上解决问题，得跳出'检索-拼接-生成'这个线性范式。比如现在比较热…

#淘天#Agent#RAG 痛点

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：…rank]]效果更好。落地风险也很明显。前提是分块策略要和检索方式匹配。如果只做向量检索，语义分块比固定长度好；但如果混合了[[BM25]]关键词检索，固定长度分块反而可能因为词频统计更均匀而表现更好。常见失败场景是，分块切得太碎，导致检索时上下文丢失，生成结果出现[[Hallucination]]。上线我会特别关注分块数对[[向量库]]规模和推理延迟的影响，分块数太多，检索延迟会飙升。另外，我现在比较关注动态分块，就是根据内容类型自适应调整。比如代码块保留完整，正文按段…

#百度#文本分块#chunking 策略

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：…几百条，语义匹配的精度提升也很明显。这里有个边界：如果文档本身是结构化或者关键词密集的，比如订单号、错误码，那向量搜索不一定比[[BM25]]好，[[混合检索]]才是正解。然后说文本[[分块]]策略，这是最容易被低估的坑。固定长度分块最简单，但具体token数要作为候选变量；它经常把一句话或者一个逻辑段切两半，导致检索时上下文不完整。递归分块会好一些，先按段落切，超长了再细分，尽量保持语义边界。还有语义分块，用模型判断边界，精度最高但计算成本也高。我的做法是：先比较递归分块…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配口述回答：…边界。分块和模型选型没有银弹，固定切分适合日志、代码这种结构简单的，语义切分适合新闻、报告；稠密向量适合语义匹配，稀疏向量比如[[BM25]]适合关键词精确匹配，真正落地常常两者混合。我倾向用[[混合检索]]，把两条路的结果合并再[[重排]]，这样既能抓住语义也能兜底精确匹配。如果面试官追问，我会补充一点：RAG的向量化质量最终要靠端到端评测，不是单看召回率。我常用[[RAGAS]]框架，从[[Faithfulness]]、[[Context Precision]]等维度评…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：…是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模型多强，而是检索链路多稳。我更倾向先保证检索的精度和召回，再考虑生成，因为一旦检索错了，后续生成再优化也救不回来。 RAG 本质是给大模型配一个外…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…量可能把“满100减20”的文档也召回来，因为都是优惠券。我会加上关键词权重，甚至用[[Hybrid Search]]把向量和[[BM25]]结合起来，再经过[[Rerank]]把最相关的顶上去。而且上线前我会特别关注chunk的边界是否合理，以及大模型会不会忽略检索内容、自己瞎编，这是常见的失败场景。说到幻觉控制，我最近在关注一个方向：让大模型在生成时能主动判断检索内容是否足够，如果不够就触发多轮检索，而不是硬凑答案。比如[[Self-RAG]]那种思路，让模型自己决定要…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：…业务指标，比如客服场景下的用户满意度或问题解决率。优化策略这块，我习惯按三个方向展开。检索侧，最见效的是[[混合检索]]，把[[BM25]]和[[Embedding]]结合起来，能覆盖关键词和语义两种场景。比如企业合规文档里，员工查“报销流程”可能用模糊描述，但查“SOP-2024-01”这种编号就必须靠关键词，所以两条路都得有。再一个就是[[分块]]策略，按语义切分比固定窗口好，但遇到表格或代码块，就得保留结构完整性。另外[[重排]]也很关键，用[[Cross-Encod…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…ocument]]保留上下文层级。另外，检索本身也不能只靠向量相似度，我通常会把[[Hybrid Search]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺，还得看它有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估，但最终还是得人工抽检。所以，我会把RAG看成是让大模型在真实业务里落地的必选项，但不是…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配口述回答：…能理解语义，但如果是查'退款政策第3条'这种精确短语，向量就不如关键词。所以我会做[[Hybrid Search]]，把向量和[[BM25]]结合起来。评估多路时先对去重并集直接计算黄金相关集覆盖，再看最终融合/截断结果，做去掉一路的增量对照。不能直接把各路Recall代入一减漏召回概率乘积，除非命中事件独立；两路召回完全相同文档时就不满足。如果去掉某路只掉了1个点，那这路可能就没必要上，避免'伪多路'，就是多条路召回的结果高度重叠，看着多其实没用。但离线指标再漂亮，也不代…

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 字节

RAG 召回评估指标对比

匹配口述回答：…rank 环节，或者用压缩策略把不相关的滤掉。另外，如果用了多路召回，比如[[Hybrid Search]]同时跑了向量检索和[[BM25]]，我会分别评估每条路的Recall，再测融合后的Recall，单独一路差可能拖累整体。这里有个延伸点：其实指标选完了，真正上线前我还会做一轮query回放，拿一批真实用户问题回测，对比新旧策略的Recall和MRR变化，如果新方案Recall涨了但MRR掉了，我得掂量一下是否值得，因为MRR掉意味着用户等得久，业务上可能更敏感。所以…

#抖音#Recall@k#RAG 召回评估

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…和关键词检索结合起来，也就是 [[Hybrid Search]]，因为向量擅长语义匹配，但精确匹配比如订单号、政策条款号，还是[[BM25]]更靠谱。怎么评估编码模型的检索能力？RAG场景下，我最看重的是 Recall@K，比如Recall@5。为什么？因为生成阶段能容忍一些噪声，你给大模型十段文档，哪怕其中两三段不相关，它也能挑出有用的信息。但如果你漏掉了关键文档，大模型就真不知道，那它就可能会瞎编，也就是 [[Hallucination]]。所以召回完整性是第一位的。M…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…学会反思。所以真正落地的时候，我倾向于把RAG当成基础设施，但不会只依赖它。比如检索环节，我会做**[[混合检索]]**，把[[BM25]]关键词和向量检索结合起来，避免因为语义偏差漏掉关键文档。生成环节，我会加[[Rerank]]和[[Self-Refine]]，先让模型基于检索内容生成，再自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种多实体、多关系的场景，检…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…改写查询，甚至影响生成阶段的策略。具体说一下检索准确性这块。不同意图得匹配不同检索方式：事实类问价格、日期这种，用关键词或 [[BM25]] 最准，语义类像“帮我分析一下趋势”，向量检索更合适。真正落地的场景，比如电商客服里用户问“这个产品的退款周期是多久”，意图识别得先判断这是事实查询，然后自动补全产品名，避免向量检索搜到一堆相似但无关的文档。再一个，多跳意图比如“A和B哪个性价比更高”，系统得拆成两个子查询分别检索，再合并结果。如果只用一个向量检索，很容易语义漂移，召回…

#OPPO#RAG 意图识别#RAG

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…，纯向量检索可能因为拼写差异漏掉关键记录。这时候我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，先用[[BM25]]兜底高频实体，再靠向量语义召回，这样Recall才能拉上去。再说生成端，核心指标是 [[Faithfulness]]，也就是答案是不是忠实于检索到的文档。这是RAG的生命线，直接对应[[幻觉]]问题。你不能模型自己脑补出一段看起来流畅但文档里根本没有的话。举个例子，企业内部的合规文档检索，员工问某个条款怎么解读，模型必须严格基于文档回…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…会干扰生成，这就是所谓的"迷失在中间"效应。所以真正落地的时候，我会做几个工程取舍。先说[[混合检索]]，不只用向量，还结合[[BM25]]这类关键词匹配，让两种方法互补。再一个是加[[重排]]，召回Top-K之后用更精细的模型比如[[Cross-Encoder]]重新打分，把真正相关的顶上来。还有就是置信度过滤，分太低的直接扔掉，宁可少给信息也别给错的。还有一个常被问到的问题是RAG和微调的边界。我的看法是，RAG适合知识更新快、需要溯源的场景，比如客服的退款政策、企业…

#百度#评估与监控#RAG 架构

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…识库里全是“售后政策2024版”这种正式标题，检索召回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rerank]]，把最相关的片段顶到前面。另外说一个我特别关注的点：当知识库频繁更新时，[[Vector Database]]的增量索引和一致性怎么保证？比如客服知识库每天有几百条修改，你不能每次重建索引，但增量插入又可能让检索精度下降。我倾向于用双索引策略，一个base索引定期全量重建，一个d…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…感，比如搜“退款政策”可能因为语义偏差召不回“退货流程”，所以生产上我倾向 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，再通过 [[Rerank]] 模型做最终排序。工作流程分两步走。离线准备阶段，文档切分、向量化、入库，这部分可以离线跑。在线查询时，用户问题先向量化，到向量库做[[近似最近邻]]搜索，取 Top-K 块，然后把这些块和原始问题拼成一个 Prompt，喂给大模型生成答案。这里有个常见失败场景：检索回来的文档质量差，…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…单号或错误码，向量[[embedding]]会丢失精度，这时候需要跟关键词检索结合，比如[[Hybrid Search]]，用[[BM25]]兜底。我见过不少项目上线后召回率低，一查全是向量模型对短代码不敏感。所以前提是，你得先判断数据里有没有结构化片段。举个例子，一个退货申请页面，用户输入“订单号12345为什么退款失败”，我期望召回两条政策：“退款失败可能原因”和“订单状态异常处理”。如果只用向量，可能只召回语义接近的第一条，漏了第二条。所以我会做两路召回：一路向量检索…

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配口述回答：…，英文文档能不能召回。最后说落地。真正上线时，我很少只用向量检索。更常见的做法是[[Hybrid Search]]，把向量和[[BM25]]结合起来。因为向量模型对字面匹配、专有名词比如订单号、错误码这些，效果很差，但BM25很擅长。所以我会同时建向量索引和倒排索引，检索时把两路结果融合，再用Rerank模型排序。这个方案能覆盖更多case，但代价是多维护一套索引和增加延迟。还有一个点值得注意：模型微调。很多开源模型比如BGE、E5都支持微调，但微调需要高质量的query…

#百度#评估与监控#向量检索

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…但实际场景里，关键词匹配往往能补足向量检索的盲区。比如搜一个产品型号“A100-Plus”，向量可能把它跟“A100”混淆，但[[BM25]]能精确命中。所以落地时，我倾向于用[[Hybrid Search]]，把向量和关键词两种结果合并，再重排，这样召回率和精度都高。技术架构其实不复杂，就是一条链：Query进来，经过检索、重排、融合，最后生成。关键组件是Embedding模型、向量数据库、重排模型和LLM。但我想强调的是，重排这一步不是可选项，而是必选项。因为原始检索结…

#字节#检索生成流程#RAG 实现