匹配正文：…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扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RA…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → …

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

RAG架构：检索器与重排序策略

…检索能把两类结果都捞上来。这里有个坑：如果query和文档的语义gap特别大，比如用户说‘订单异常’但文档里写的是‘交易失败’，纯向量检索可能漏掉。这时候我会用查询改写，比如HyDE先生成一个假设文档再检索，或者做query expansion。接下来是[[向量数据库]]选型。索引算法上，HNSW是图索引，IVF是聚类倒排索引，不能按内存型/磁盘型二分；编码、落盘、召回和延迟取决于具体变体及参数。我会根据数据规模和延迟要求选。量化压缩也很关键，从FP32压到INT8能省不少…

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#向量库与重排序#RAG 架构设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…g）按语义/固定长度/递归等方式切分，平衡粒度与上下文文本块集合 Embedding编码用BGE、M3E等模型将文本转为稠密向量向量表示向量存储写入Milvus/Faiss/Elasticsearch等，构建索引可检索向量库关键设计：分块策略直接影响检索质量——太粗易噪声，太细丢上下文。第二阶段：在线检索生成（Retrieval & Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → …

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量存储：写入Milvus/Faiss/Elasticsearch，构建HNSW索引加速检索 2. 检索阶段（在线）查询理解：可选的Query改写（HyDE、子查询扩展）提升召回向量检索：Top-K近似最近邻搜索，召回候选文档重排序（Rerank）：Cross-Encoder精…

#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：…询集上比较证据完整性与成本。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…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…织核心问题 "怎么问" "给什么" Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineerin…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…M生成（检索内容通过Attention与Query交互）关键优化策略查询改写：用LLM扩展同义问法，解决语义Gap 多路召回：向量检索 + 关键词检索 + 图谱检索并行引用溯源：要求模型输出引用标记，便于事实核查 Naive vs Advanced RAG Naive：直接检索→拼接→生成，容易噪声干扰 Advanced：加入重排序、查询分解、迭代检索（如Self-RAG），显著提升准确率

#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：…断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，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…

#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?

匹配口述回答：…长窗口作为候选，用同一评测集验证边界信息、召回与成本。元数据一定要保留，比如文档来源、时间戳，后面过滤和溯源都用得上。然后是[[向量化]]。Embedding 模型选型要看领域，比如电商客服场景，用 BGE 或 M3E 就比通用英文模型好。[[向量数据库]]的话，我会关注索引算法，[[HNSW]] 在中等规模下表现稳定，但数据到千万级就得考虑 [[IVF]] 分区了。这里有个前提：向量检索只能做语义相似，没法做精确关键词匹配，所以单纯靠向量容易漏掉那些带特定订单号或错误码的…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…索的片段。这里不能只按长度硬切，最好结合标题、段落、语义边界，否则一个答案被切到两个块里，检索和生成都会受影响。切完之后，用 [[Embedding]] 模型把每个 chunk 转成向量，连同标题、来源、时间、权限标签这些 metadata 一起写入[[向量库]]或搜索引擎。在线阶段先进入检索。用户问题进来后，也会被转成向量，到向量库里找 TopK 相似片段。实际项目里我一般不会只靠向量检索，因为专有名词、编号、缩写这类问题，[[BM25]] 反而更稳。所以会用 hybri…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…，如ColBERT、BGE-Reranker 迭代检索：根据中间结果动态调整query（IRCOT）元数据过滤：先结构化过滤，再向量检索，减少搜索空间一句话总结：召回链路优化 = 多路召回扩覆盖 + 索引结构保效率 + 查询重写对齐语义 + 重排序保精准。学习建议建议系统学习该知识点

#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：…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，向量稠密相似度度量：余弦相似度或点积，衡量语义空间中的距离优势：语义泛化能力强，能处理同义词、改写、跨语言等语义匹配为何采用混合检索？场景稀疏检索稠密检索专业术语/ID/人名 ✅ 精准 ❌ 可能失配语义改写/口语化查询 ❌ 字面不匹配 ✅ 语义捕获长尾低频词 ✅ 稳定 ❌ 学习不充分实际做法：并行召回：BM25 + 向量检索各…

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：…短文档：技术文档vs短回答都能合理竞争参数可解释调优：k_1/b可根据领域数据优化（如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配正文：…释性强：每个词的贡献清晰可见，便于调试 RAG场景价值精确匹配兜底：处理专有名词、ID、代码片段等需精确匹配的场景混合检索：与向量检索互补（BM25抓关键词，向量抓语义）计算高效：倒排索引，毫秒级响应，适合大规模召回学习建议建议系统学习该知识点

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…对长文档更友好、有非线性饱和）了解BM25在RAG中的典型应用场景（粗排、混合检索）知道BM25的局限性（语义理解缺失，需配合向量检索）核心思想 BM25（Best Match 25）是基于概率检索框架的改进算法，核心洞察：词频贡献存在饱和效应——一个词出现10次和100次的区分度，远不如出现1次和10次。同时引入文档长度归一化，解决长文档天然词频高的问题。数学公式单查询词得分： \text{score}(D,Q) = \sum_{i=1}^{n} \text{ID…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，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…

#百度#小鹏#美团

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…西坏了怎么退”，你不能只靠向量把相关文档捞出来，还得过滤掉非当前用户的订单、只展示有效售后政策，这就是结构化过滤。所以我的思路是：向量做粗召回，结构化做精过滤，两者结合才能避免召回结果里一堆不相关的。具体到存储方案，我通常看规模。如果数据量百万级以内，团队也小，我倾向用PostgreSQL加pgvector插件，统一存储。优势是事务一致，运维简单，一条SQL就能同时做向量检索和业务过滤，比如SELECT * FROM docs WHERE category='售后' ORD…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配口述回答：…样理解、定位和修改代码。这跟通用[[RAG]]最大的区别在于，代码的结构化语义太强了，函数间的调用关系、继承关系、跨文件引用，光靠向量检索是搞不定的。我的核心思路是，先把代码库拆成多粒度的表征，再配合一套分层检索架构。具体说一下，文件级我用代码摘要做[[Embedding]]，用来粗筛相关模块；函数和类级别，我会用AST解析出签名和调用关系，配合Embedding做精确定位；行级就是原始代码加行号，用来精准定位Bug。还有一个关系级，用代码图把调用图、继承图存下来，这是理解…

#字节#Agent#Agent 代码库处理

面试题·Agent· 百度

Agent 核心模块怎么协同?

匹配口述回答：…特别关注几个前提。一是工具的质量必须稳定，如果API经常超时或者返回错误数据，Agent的整个决策链会崩溃。二是记忆检索的准确性，向量检索的召回率和精确率需要做线上监控，低于阈值要告警。三是规划的可解释性，我会让模型输出每一步的推理过程，方便定位问题。另外，我觉得有一个方向值得深入：当任务需要多个Agent协作时，比如一个负责搜索、一个负责分析、一个负责执行，怎么设计通信协议和冲突仲裁机制。这涉及到[[Multi-Agent]]系统的设计，目前行业里还在探索阶段。所以整体…

#百度#Agent#Agent 工作原理

面试题·Agent· 百度

Agent 架构怎么从零设计?

匹配口述回答：…Database]]存用户偏好和领域知识，比如某个用户之前投诉过发货慢，下次再问类似问题，Agent能主动规避相关推荐。这里前提是向量检索质量要够，不然召回一堆无关的反而干扰。落地时最关键的取舍是“人在环路”。我不会追求完全自主，反而会在关键决策点加人工确认，比如退款金额超过阈值或者要修改订单状态时，先暂停等审核。这不是技术限制，而是安全性和可控性的平衡。如果上线，我会特别关注失败时的回退逻辑：执行后强制验证结果是否回答了原始问题，失败最多重规划三次，三次还不行就转人工。常…

#百度#Agent#AI Agent 架构设计

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…AG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。工具模块是Agent能力的放大器。大模型本身不会算数、不会查库存，所以通过[[Function Calling]]让模型输出结构化JSON来调用外部工具，比如计算器、搜索引擎、API。这里的关键…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配口述回答：…物流慢，那么下次对话就要避免再推荐慢的快递。长期记忆的典型实现是 [[Vector Database]]，比如用 Milvus 存向量，按语义检索。但这里要划清边界：如果知识是结构化且频繁更新的，比如商品库存和价格，直接查数据库比向量检索更可靠，别为了用向量而用向量。举个例子，客服场景里用户问“我的订单怎么还没到”，Agent 需要先查订单数据库得到物流单号和状态，然后查知识库里的物流政策，最后查向量库里的类似投诉处理记录。这三个来源缺一不可，不能只靠向量检索。第三个核心组件…

#百度#Agent#Agent 核心组件