匹配正文：…但在那之前，应先保证它确实有机会利用审批句。开发者核对D文件，尾部审批句落在人工输入窗口外同一份原文的证据单元，如何计数？说候选召回率是重排的上限，还需要解释“召回率”在数什么。按文档数、按片段数、按标注证据单元统计，分母可能完全不同。只说找到了这份报销制度，不能证明其中每条必要规定都已进入候选。这个例子将审批句标为一个证据单元，它对应D中的确定位置。单独问是否先审批，只需要这个单元。再构造一个问题：“跨城夜间打车的审批和附件要求是什么？”它还需要F中的另一条规定：“…

#RAG#Rerank#候选召回

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：… 检索式意图识别:把意图描述和示例建成检索集合,先召回候选意图,再用分类器或 LLM 判定。候选数不能固定照搬 top-10,要用候选召回率、开放集拒识率、延迟和最终分类指标调节;第一阶段漏掉正确意图时,第二阶段无法补回。两级分类:先粗分到大类,再在大类内细分,可以缩小每级候选和计算量;代价是维护层级与处理跨类意图,粗分类错误还会向下级联。是否更快、更准需要和扁平分类、检索式方案用同一测试集比较。业内行话:这道题(几百个意图怎么做)是高阶面试题,很多人会卡在"prompt…

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

#RAG

#检索

#项目实战

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清。执行时仍要经过 Registry 和权限校验。若项目目前没有真的接入大规模工具，就应该把这道题说成设计与验收方案，不声称已经达到某个路…

#Agent#工具调用与安全#Agent 大工具集路由

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：…。难负例覆盖不同主体、不同项目、相似措辞、过期版本、冲突未解、权限不足和已删除条目。指标可以分层：硬过滤是否挡住越权与失效内容；候选召回是否包含正确条目；重排是否把正确条目放到预算内；注入后任务是否更正确；错误记忆是否造成污染。还要记录无记忆基线与不同检索策略的对照。消融可以依次去掉时间性、重要性、来源、条件匹配或混合检索，观察哪些样本受影响。权重和阈值应从这些标注与失败案例中得到，而不是先写死再寻找解释。端到端评估还要检查模型是否正确使用了记忆。检索正确但最终答案忽略…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·Agent

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

匹配正文：…问题解析成业务指标、维度、时间范围、统计粒度、过滤条件和实体，再通过业务术语词典、表列描述、主外键关系、示例值和权限生成候选表列。候选召回后要补齐 Join 路径，形成最小可执行 Schema，再让模型做字段映射。若“活跃客户”“收入”“上个月”存在多个合法定义，系统应比较候选解释和置信证据，提出一个能最大化消除歧义的澄清问题。评估要分别看表召回、列映射、Join 路径、澄清决策和最终 SQL，不能只看执行成功。核心原则是：先缩小问题空间并确认业务语义，再生成 SQL。 T…

#Agent#工具调用与安全#Text2SQL Schema 选择

面试题·项目与经历· 美团

项目难题怎么定位与解决?

匹配正文：…现了坏样本，不能直接证明 embedding 负样本不足。定位时要按查询类型和文档类型切片，先查知识覆盖率、切分与元数据，再分别测候选召回、重排排序、上下文组装、引用支持和最终答案。召回层至少看 Recall@k 或命中率，排序层看 MRR、NDCG 或人工偏好，生成层看答案正确性、证据支持率和拒答行为。方案必须对应证据。若文档根本没有答案，应补知识而非训练 embedding；若候选集中有答案但排序靠后，再检查查询改写、向量模型、负样本和重排；若证据正确但答案错误，则处理…

#问题定位#工程实践#跨团队协作

面试题·项目与经历· 百度

大模型 vs 规则引擎怎么选?

匹配正文：…理解自然语言和整理候选，大模型可作为前置层。规则频繁变化也不必自动换模型，可能只需更好的决策表和版本管理。评测会分别测字段抽取、候选召回、规则执行正确率、端到端决策、延迟和高风险错误，并保留每次输入、证据、模型版本和审批记录。这样既利用大模型的灵活性，也让确定性长链留在可验证系统中。

#技术选型#规则引擎#大模型决策

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：…】，P95/P99【】，样本与硬件【】，副作用【】。证据自检所有阈值和指标应说明数据集、标注、硬件、并发与统计窗口。必须分开测候选召回、排序质量、上下文利用和最终回答；不能用单一“准确率”概括整条 RAG。追问入口准备解释为什么选择当前融合、RRF 常数或权重怎样确定、Top-K 和延迟如何权衡、重排消融、文档冲突、权限过滤、引用校验和索引更新。

#美团#知识库构建#RAG 检索器设计

面试题·检索· 百度

向量召回有哪些实现方式，如何选型？

匹配正文：… 字节，另有码本、倒排表和其他结构开销。压缩倍数和召回损失不能写成固定范围。量化适合内存、带宽或规模成为瓶颈的情况，但要分别评估候选召回和距离误差。可以扩大候选后用原始向量重算距离，前提是原始向量仍可访问；重算无法找回第一阶段从未召回的向量。 5. 如何做工程选型至少比较： Recall@K 与不同查询/过滤切片； P50/P95/P99 延迟、吞吐和并发；索引内存、构建时间、训练时间和加载时间；新增、更新、删除、过滤和故障恢复；参数变化后的质量—延迟—内存曲线。 …

#向量检索#Faiss#Flat

面试题·检索· 小鹏

如何系统优化 RAG 检索？

匹配口述回答：…nk constant 和权重；分数归一化会保留分数差异，但对尺度敏感，两者都要在同一标注集比较。重排只能处理已有候选，因此先确认候选召回，再固定候选做开关消融。查询改写、子问题和 HyDE 只在对应失败类型上尝试，因为它们也可能改错实体、扩大查询或增加成本。要保留原查询和变换结果，并给每路查询执行相同权限约束。最后分开报告候选召回、排序、上下文证据覆盖、答案支持度、P95/P99 与成本。每次只改一个可解释因素，才能说明优化命中了哪一层。从语料、权限和版本开始分开评…

#RAG#检索优化#混合检索

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配追问：场景切入我看你做过RAG的粗排模块，假设现在有个电商检索场景，用户搜“轻薄笔记本”，后台用BM25先把几万条候选召回到几百条。那你觉得BM25在词频和文档长度上，跟TF-IDF比有什么不一样？具体怎么算的？层层追问你了解信息检索里那些经典算法吧？比如TF-IDF……那BM25你熟吗？……它公式里那两个参数k1和b是干嘛用的？……跟TF-IDF比，它在处理长文档时为什么更友好？直球架构讲一下BM25的原理和数学公式，参数k1和b怎么调？然后对比TF-IDF，说说各自在…

#高德#BM25评分公式#BM25 算法原理

RAG 什么时候需要重排？

Reranker 的上限，藏在候选集里

第 7 章:Query 理解与改写

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

项目难题怎么定位与解决?

大模型 vs 规则引擎怎么选?

RAG 检索器与知识库怎么搭?

向量召回有哪些实现方式，如何选型？

如何系统优化 RAG 检索？

BM25原理、应用场景及与TF-IDF区别