匹配正文：搜索引擎的相关性计算经历了从关键词匹配→语义匹配→深度语义模型的演进，实际系统通常是多阶段级联。一、关键词匹配：经典但有效 BM25 是工业界标配，核心思想：词频饱和度：TF 增长边际递减（用 k1 控制）文档长度归一化：避免长文档占优（用 b 控制） IDF 惩罚常见词 score = Σ IDF(q_i) · [f(q_i,D)·(k1+1)] / [f(q_i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹…

#OPPO#查询文档相关性#语义匹配

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…(私域盲区)。 🎉 你刚跑通的,就是 RAG 最核心的一条流水线:检索 → 把资料塞进上下文 → 基于资料回答。真实系统只是把"关键词匹配"换成了更聪明的"向量检索"(把文字变成一串数字向量,靠"语义相近"而不是"字一样"来找),把"一条字典"换成了"几千份文档切成的块",但骨架就是这个。迷你 RAG 的核心流水线:检索 → 拼上下文 → 照着答 / 未命中则瞎猜 🛠️ 动手实验:给知识库加一条,看结果怎么变往 knowledge 字典里加一条"高原反应": know…

#RAG#检索#项目实战

求职指南·求职

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…面把每个环节拆开,标出它考什么、大致占多少分(经验值)、以及怎么准备。环节考察重点占比(经验值) 怎么准备简历筛选技术栈关键词匹配、项目含金量一眼扫淘汰量最大,但不评分技术栈对齐 JD 措辞;项目按「问题→方案→量化结果」写。见JD 怎么读、简历项目追问模板技术一面项目深挖为主 + 基础八股项目 50%、八股 30% 把主项目每个决策的「为什么」想透;八股按方向抽。见面试官怎么一层层追问、领域八股速通技术二面系统设计 + 更深的项目/原理追问系统设计…

第 1 / 3 页下一页 →

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

#求职#职业转型

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…建：HNSW（图索引，召回率高）、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优化混合检索：向量相似度 + 关键词匹配（BM25），用RRF融合排序查询改写：扩展同义词、纠错，提升召回重排序（Rerank）：用Cross-Encoder精排Top-K结果学习建议建议系统学习该知识点

#美团#RAG 知识库搭建#文档预处理

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…nc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rerank）：用Cross-Encoder等交互式模型精排，捕捉细粒度相关性负样本硬挖掘：把"语义近但任务远"的样本加入训练，拉远embedding 3. 数据侧根治收集业务真实的<查询, 相关文档>对，微调Embedding模型引入指令微调：训练时显式区分"相似≠相关" 效果验证离线：人工标注Top-K命中…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：答案要点区分传统搜索与大模型搜索的本质差异（语义理解 vs 关键词匹配）阐述RAG核心架构（检索+生成）及关键模块说明混合检索策略（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…rvation，多轮交互获取精确信息多工具编排：搜索引擎+计算器+代码解释器，按场景路由知识库构建向量检索（Dense）+ 关键词匹配（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO …

#百度#对话模型准确性#模型架构优化

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_score，或RRF倒数排序融合 2. 重排序（Re-ranking）原理：用Cross-encoder等交互式模型对初筛结果精细打分。双塔模型（Bi-encoder）分离编码查询…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融合专业术语、专有名词多的场景稀疏-密集结合 SPLADE等学习式稀疏向量，弥补纯向量盲区长尾实体、ID类查询图检索基于知识图谱的实体关系扩展需要推理关联的复杂问题三、精排优化（重排序） Cross-Encoder重排：用交互式模型（如bge-reranker）对召回Top-K精细打分，精度高但慢多阶段级联：向量召回…

#字节#HyDE#RAG 检索质量

面试题·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配正文：…算。二、用户意图理解：从匹配到推理传统推荐是"相关度匹配"，LLM可实现"意图推理"：场景传统方法 LLM增强搜索推荐关键词匹配语义改写、需求扩展（"平价手机"→"2000元档骁龙机型"）会话推荐序列建模多轮对话理解，捕捉隐性偏好跨域推荐难以迁移利用LLM的通用知识桥接领域gap 落地形式：LLM作为上游模块，输出意图标签或改写后的query，喂给下游精排模型。三、生成式推荐：直接生成结果两条技术路线：生成Item ID：将item ID视为t…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分类判定人工回流：低置信度样本进入人工标注队列，反哺训练人工反馈的闭环设计反馈类型应用场景技术实现实时干预直播/客服场景运营人员一键打断、话术注入离线标注内容审核标注平台+主动学习筛选高价值样本 RLHF训练长期对齐收集偏好数据训练Reward Model 关键权衡准确…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…us等向量数据库 + 可选的倒排索引混合 2. 检索（Retrieval）稠密检索：向量相似度（余弦/IP）稀疏检索：BM25关键词匹配重排序：Cross-Encoder精排，过滤低质结果查询改写：HyDE、Query Expansion提升召回 3. 生成（Generation）上下文拼接：检索结果 + 用户Query → Prompt 大模型生成：GPT-4、文心等生成最终回答引用溯源：输出参考文档编号，增强可信度标准工作流程用户Query → Query…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如SPLADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-Encoder（如bge-reranker）对Top-K精排，捕捉细粒度交互去噪…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…ng语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解释性好语义鸿沟，同义词失效专业术语、ID类查询混合检索稠密+稀疏融合兼顾语义与精准系统复杂，融合策略需调优通用生产环境首选图检索实体关系遍历多跳推理强构建成本高，延迟大知识图谱场景技术选型考量数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档多、用户问题口语化 →…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难以捕获生成整合上下文爆炸检索文档过长，淹没关键信息忠实性缺陷模型"幻觉"编造或过度综合检索内容引用困难难以精准溯源，答案可信度存疑知识边界实时性瓶颈索引更新滞后，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…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：…子问题并行检索，结果聚合 Step-back Prompting：先问通用概念再具体到细节四、混合检索融合 BM25 + 向量：关键词匹配兜底专有名词、ID，向量捕捉语义融合策略：RRF（Reciprocal Rank Fusion）或线性加权，避免单一模态失效关键权衡：精度vs延迟、内存vs召回，需根据业务SLA选择组合。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：… precision/recall, answer relevance等）二、检索模型优化双路召回策略稀疏检索（BM25）：关键词匹配，对专有名词、ID类查询效果好，可解释性强稠密检索（Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生成伪文档再检…

#360#召回质量评估#RAG 召回优化

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配正文：…匹配精度，稠密覆盖语义泛化能力，最终提升整体召回率和排序质量。稀疏检索（Sparse Retrieval）原理：基于倒排索引的关键词匹配，计算query与doc的词项重叠程度。代表方法：BM25 score(D,Q) = Σ IDF(q_i) · [f(q_i,D)·(k1+1)] / [f(q_i,D) + k1·(1-b+b·|D|/avgdl)] IDF：词项区分度 k1/b：控制词频饱和度和文档长度归化特点：可解释性强，对精确匹配场景效果好零成本处理新词（…

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：…Σ IDF(q_i) * (f(q_i)*(k1+1)) / (f(q_i)+k1*(1-b+b*dl/avgdl)) 本质是精确关键词匹配，对高频词有惩罚，对文档长度做归一化向量检索（稠密检索）用BERT等编码器将查询和文档映射到同一语义空间通过余弦相似度或点积计算语义相关性能捕捉同义词、上下位词等语义关系，如"苹果手机"≈"iPhone" 混合检索并行执行BM25和向量检索，结果融合（常用RRF倒数排序融合或加权求和） RRF公式：score = Σ 1/(k …

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：低频全量重建，天级或周级索引层：多路召回融合时…

#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?

匹配正文：…arch（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Retrieval（如SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量内积vs余弦vs欧…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 小红书

中文知识库检索选型

匹配正文：…M25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Retrieval）双塔结构，query和文档分别编码为固定维度向量用FAISS/ Milvu…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·项目与经历· 阿里

LLM 应用场景价值怎么分析?

匹配追问：…生成代码的质量和安全性？内容创作场景下，如何平衡生成内容的创意性与品牌一致性？场景切入假设你们要给银行做个智能客服，以前都是关键词匹配，用户说‘我卡丢了’和‘储蓄卡不见了’就得两条规则。现在用大模型，你觉得它能在哪些地方真正省下成本、提升体验？层层追问大模型在业务场景里到底有什么实际价值？……比如代码生成，技术上它怎么做到自动补全的？……那商业上能给公司省多少钱、提多少效率？直球架构请从技术和商业两个角度，分别说说大模型在智能客服、代码生成、内容创作这三个典型场…

#大模型应用落地#商业价值分析#智能客服

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配口述回答：…史会话片段，我放 [[Vector Database]] 里，比如 Milvus 或 Pinecone。这里有个边界划分：如果只是关键词匹配，用倒排索引就够了；但要做语义理解，就得靠向量。实际落地我倾向于两者结合，就是 [[Hybrid Search]]，同一段记忆同时走向量相似度和关键词，三路召回再精排。具体到实现，我会给每段记忆加上元数据，比如时间、主题、情感标签，检索时先用这些过滤掉大部分无关数据，再在剩下的里面做向量检索。这样能避免全库扫描。举个例子，客服系统里用户…

#字节#蚂蚁#Agent