匹配口述回答：…数据库。但纯向量检索有个问题：用户写个订单号或者错误码，向量相似度经常找不到，因为语义空间和字面匹配是两回事。所以我倾向做**[[混合检索]]**，把[[BM25]]关键词召回和向量召回两条路并行，再合并排序。这能明显提升召回率，尤其在客服退款、订单异常这类场景。在线检索流程里，我特别看重精排这一步。粗召回我一般拉100到200条，然后用[[Cross-Encoder]][[重排]]，只留前5到10条送进上下文。重排对最终答案质量影响非常大，它能把语义相关但不太匹配的文档压…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配口述回答：…本质是给LLM外挂知识库，解决知识更新和幻觉问题离线构建：文档切分、向量化、索引存储，重点讲分块策略的取舍在线流程：查询优化、混合检索、重排序、上下文组装，用客服退款场景串起来落地风险和边界：RAG vs微调，常见失败场景，以及上线前必须关注的指标工程师判断：我更倾向混合检索加Rerank，并主动提Self-RAG作为延伸约4分钟 Self-RAG让模型在生成过程中动态决定是否检索、是否采纳检索结果，提升鲁棒性这个延伸点会引向面试官追问Self-RAG的具体机制、…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

专业领域RAG数据与检索优化？

…询深度，短查询用细粒度，长查询用粗粒度。当然，这么做的前提是你的存储和索引能撑住多粒度冗余。再说检索。我一般不做单一召回，而是[[混合检索]]：向量检索抓语义，关键词检索抓精确匹配，比如订单号、错误码这些必须精确命中。结构化检索用来过滤元数据，比如只查某个时间段的文档。你问向量和关键词怎么选？其实看场景：语义相关用向量，精确匹配用关键词，真正落地是两条路一起走。检索完还有[[重排]]，我用领域微调的[[交叉编码器]]做精排，同时引入用户反馈信号，比如点击停留时长，做在线学习。…

← 上一页第 8 / 8 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

匹配口述回答：

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配口述回答：…阁。这里有个常见失败场景：很多人花大量时间调检索参数，但其实问题出在Embedding没对齐业务语义。检索环节，我通常会做 [[混合检索]]，就是 [[BM25]] 关键词匹配加向量检索并行。为什么？因为向量检索擅长语义相似，但精确匹配比如订单号、错误码，它反而不如关键词。举个例子，用户问“订单12345退款到哪了”，向量检索可能找到一堆退款政策，但关键词直接命中那个订单的详情。两个结果合并后，再用 [[Rerank]] 模型精排，把最相关的那条顶上去。另外，查询扩展也很有…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…引和模型更新走灰度，异常时回退整套兼容版本，而不是只换回其中一个组件。 RAG本质是给大模型配一个可检索的外部知识库检索器设计：混合检索解决不同场景匹配问题知识库构建：分层和清洗确保数据质量生成集成：引用溯源和拒答机制控制幻觉落地权衡：延迟、效果与常见失败场景约90秒 Agentic RAG引入主动决策，模型自己判断何时检索，效果更好但延迟增加。面试官可能会追问Agentic RAG的具体实现方式，比如如何让模型决定检索时机，以及延迟如何优化。

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 架构怎么搭?

匹配口述回答：…从被动喂料变成了主动思考，挺有意思的。 RAG本质是给LLM配外脑索引阶段：切块、向量化、存进去的坑检索阶段：Query改写、混合检索、重排序生成阶段：Prompt组装与置信度控制落地取舍与给出可延伸点约4分钟让模型主动判断检索质量，比如Self-RAG或Corrective RAG 面试官可能会追问Self-RAG的具体实现，或者Corrective RAG和普通RAG的区别

#美团#检索器生成器协同#RAG 架构

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…工程从知识库中检索到的价保政策文档。如果只靠关键词“降价”去搜，可能搜到一堆促销文章，但找不到具体的“7天价保”条款。所以我会先用混合检索召回，再用重排序把“7天价保”相关片段排到前面，最后压缩成一段话，加上提示词里的指令，模型才能给出准确答复。再一个，落地时有个前提：上下文工程的效果，高度依赖知识库的质量和切分方式。文档如果没经过清洗，或者切分粒度过粗过细，检索召回率都会崩。常见失败场景是，文档里政策条款和客服话术混在一起，模型可能把话术当成政策。所以上线前我会特别关注文…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…固定切分加overlap兜底。检索召回阶段，很多人只做向量检索，但通用[[Embedding]]在垂直领域效果很差。我会做 [[混合检索]]，向量加[[BM25]]关键词两条腿走路。向量负责语义，BM25负责精确匹配，比如订单号、错误码这种。然后一定要加 [[重排]]，用[[Cross-Encoder]]把Top-K结果精排一遍，这是性价比最高的优化，能显著提升最终生成质量。不过重排有延迟，如果要求实时响应，得权衡一下。再来看上下文处理。检索回来的chunk往往有重复或者…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配口述回答：…调参约90秒 BM25的公式实现和参数都依赖语料与检索引擎，默认值不能替代目标查询集评测。可继续讨论IDF变体、字段BM25和混合检索融合。

#美团#BM25#BM25 算法原理

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…慎用，得先做A/B测试。再一个，相关性提升。我见过很多团队只靠向量检索，结果关键词匹配一塌糊涂。实际上，真正落地的方案往往是[[混合检索]]，[[Dense Retrieval]]加[[Sparse Retrieval]]一起上。比如用户搜“退款”，向量能召回“退货”“赔付”这些语义相近的，但[[BM25]]能精准命中“退款流程”这个短语。所以我会把两条路的结果做加权融合，权重根据场景调。然后还有查询优化，比如用户问“订单异常怎么办”，我会先生成一个假设文档“当订单状态为异…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配口述回答：…规、老版本文档，更新频率低，按天或周重建全量索引。这样既保证实时性，又控制成本。再一个，索引层我会做多路召回融合。具体说就是[[混合检索]]：用 [[BM25]] 捕捉时效性关键词，比如“最新”、“2024年”，同时用向量检索捕捉语义。两条路的结果合并后，再按时间戳加权排序，近期文档得分更高。另外，同一实体我会保留历史快照，但检索时只返回最新版本，避免混淆。检索层还有个动态补偿机制。如果query明显带有时间意图，比如“今天股市行情”，我会触发实时API去拉取最新数据，而…

#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?

匹配口述回答：…平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权或者用学习排序融合。这里有个坑：权重怎么设？我一般先看业务，比…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…到一个平衡点。所以我会把BM25看作关键词检索的一个成熟基线，尤其在冷启动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…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 小红书

中文知识库检索选型

匹配口述回答：…需要高维向量。所以总结下来，我会把RAG检索看成一场‘关键词与语义’的平衡游戏。没有银弹，只有根据场景做取舍。我更倾向于先搭一套混合检索的基线，然后基于badcase分析，看是语义还是关键词拖了后腿，再针对性优化。一句话定位：RAG检索本质是语义与关键词的博弈稀疏检索：BM25的适用场景与局限稠密检索：DPR与ColBERT的取舍落地建议：混合策略与常见坑给出可延伸点：向量维度与检索精度的关系约4分钟向量维度选择对检索精度和存储成本的影响面试官可能追问维度压…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…优化本质是精度、延迟、成本的三角权衡索引层选型：HNSW vs IVF-PQ，按规模和数据分布定召回策略：多路召回加粗排精排，混合检索比单条腿稳模型与计算优化：量化降内存，缓存提速度工程落地风险：一致性、降级、分片，以及常见失败场景约4分钟实时更新场景下，增量索引与缓存失效策略如何配合保证数据一致性面试官可能追问：具体怎么设计缓存失效策略？增量索引和缓存更新之间怎么保证原子性？有没有遇到过缓存和索引不一致导致的线上问题？

#字节#检索性能优化#向量检索性能优化

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配口述回答：…NSW vs IVF的边界与混用业务场景举例：企业SOP检索的量化与索引策略落地风险：动态更新与一致性工程师取舍：冷热分层+混合检索约4分钟动态更新场景下，HNSW的增量插入会导致图质量退化，需要双索引加异步重建来保证召回率和一致性。面试官可能会追问双索引的切换时机、一致性保证的具体实现，或者问如何检测图质量退化并触发重建。

#安克科技#ANN性能权衡#RAG 向量匹配