匹配口述回答：…。然后看置信度过滤，相似度低于某个阈值的文档直接扔掉，不然噪声会让模型胡说八道。另外还要看 [[Rerank]]，就是加一个 [[Cross-Encoder]] 对检索结果重新排序，因为双塔的分数不一定准，重排能显著提升 top 文档的质量。本质上看，RAG 让模型从纯参数记忆变成了参数加非参数记忆，也就是把知识外挂到数据库里。这样回答就能溯源，[[幻觉]]也少很多。不过这里有个有意思的点，就是检索结果的质量并不完全由召回率决定。如果检索回来的文档本身就有冲突或者错误，…

#字节#Retriever#RAG Retriever

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…或者小样本场景下比纯向量检索靠谱。但真要上线，我更倾向混合检索加 [[Rerank]]，先用BM25和向量召回来个粗排，再用 [[Cross-Encoder]] 精排，这样精度和召回都能兼顾。一句话定位：BM25解决词频和长度问题公式拆解：饱和函数和长度归一化对比TF-IDF的改进点业务场景：客服退款文档检索落地风险与混合检索可延伸点：b参数对短文档的影响约4分钟 b参数对短文档友好度的影响及调优方法面试官可能会追问b参数的具体调优策略，或者不同业务场景下如何…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

Embedding 模型结构选型

匹配口述回答：…库里“退款到账时间说明”这两句话，双塔可能觉得差不多，但实际含义差很多。所以纯双塔适合粗排或者召回阶段，精排还得用交互式的 [[Cross-Encoder]]。另一个是 SimCSE，分无监督和有监督两个版本。无监督版特别巧妙，同一句话过两次 Dropout 当正样本，batch 里其他样本当负样本，就能学到不错的语义空间。这对冷启动很友好，比如一个新业务线，没有标注数据也能快速出基线。有监督版用 NLI 数据，蕴含对是相似，矛盾对是不相似，效果更好。但 SimCSE 本…

← 上一页第 7 / 7 页

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#向量检索#Embedding 模型结构选型

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…场景，比如地理坐标。不过我会提醒一句：相似度计算不是孤立的，它要和后面的[[重排序]]配合。比如检索出Top-K后，我通常会用[[Cross-Encoder]]做一次精细重排，这时候相似度度量就变成模型内部的交互打分，不再依赖余弦或点积。完整流程是这样的：用户输入query，经过embedding模型变成向量，然后在ANN索引里检索，拿到Top-K候选，最后用更精确的模型或规则重排序，返回结果。这里有个坑：索引构建好之后，如果业务数据频繁更新，比如知识库里的文档不断新增和修…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 百度

向量召回实现方式有哪些?

匹配口述回答：…别密集，IVF 的聚类效果会变差，边缘点容易被漏掉。这时我会考虑用分层聚类，或者结合 [[Bi-Encoder]] 做粗排加 [[Cross-Encoder]] 做精排的 [[Rerank]] 流程。还有一个大家容易忽略的点，就是删除操作。向量索引的删除如果处理不好，召回质量会崩。我一般不做原地删除，而是用软删除加异步重建，或者用双缓冲影子索引，保证查询时不会读到脏数据。所以我的做法是，先根据业务场景定优先级：延迟优先就 HNSW，内存优先就 IVF 加乘积量化，然后在这…

#百度#向量检索#向量召回方法

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…arch]]。召回之后还要粗排加精排，先用 [[IVF]] 快速筛出一个候选集，比如 Top-200，然后用精确距离计算或者 [[Cross-Encoder]] [[重排]]到 Top-10。这一步很关键，能有效提升最终结果的相关性。另外，查询扩展也是个好手段，比如用HyDE先生成假设文档再检索，但它可能偏题，是否更准应做消融并计入额外延迟与成本。模型和计算层面，我重点做两件事。一个是 [[Embedding]] 量化，裸向量每维FP32、FP16、INT8分别是4、2、1…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配口述回答：…用一种算法，例如Faiss的IVF-HNSW组合可用HNSW搜索粗聚类中心，再扫描选中的倒排桶；若对候选重排，应明确使用精确距离或Cross-Encoder，不能把HNSW粗量化器说成候选精排。参数调优是另一个容易踩坑的地方。以HNSW为例，M参数控制邻居数，一般设16到64，M越大召回越高，但内存和构建时间也涨；efConstruction设100到500，影响建图质量。IVF的nlist与nprobe联合扫描，4倍根号N只能作某些配置的起点，不能预设nprobe一定取几…

#拼多多#ANN索引构建#ANN 索引构建

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配口述回答：…落地常常是混合方案，例如Faiss IVF-HNSW中HNSW用于粗中心搜索，IVF-PQ另对桶内向量编码；候选重排可用精确距离或Cross-Encoder，应把不同阶段讲清楚。举个例子，做电商退款政策的RAG，用户问‘退货超时怎么办’，可以把小规模Flat/HNSW与大规模IVF/PQ列为候选；nlist=4096、nprobe=20只是一组待测试配置，延迟还依维度、硬件、过滤和负载，不能承诺10或100毫秒。平衡精度与效率，我主要看三个策略。先说分层检索：先用IVF…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…类型调；二是query改写，用户问题可能很口语化，我会先改写一下再去做检索；三是[[Rerank]]，初召回Top100，再用[[Cross-Encoder]]重排一次，把最相关的Top5送进生成。还有一个点值得聊，就是检索的置信度问题。有时候召回来的文档跟问题根本不相关，但模型还是硬用，就会产生[[Hallucination]]。我一般会在检索后加一层相关性过滤，低于阈值的直接丢弃。这个阈值怎么定，其实跟业务场景和模型能力都有关系。所以整体上，我会把相似性检索看成整个R…

#美团#Embedding检索#Embedding 相似性检索