匹配正文：…索任务从真实查询、允许返回的文档范围和相关性标注开始。样本至少覆盖精确编号、数字、同义改写、长问题、无答案、新旧版本和权限过滤。分块、嵌入和索引都用同一冻结查询集比较 Recall@K、MRR/nDCG、答案证据支持、无权限结果率、P95/P99 延迟、内存与成本。分块与版本优先保留标题、段落、表格、代码和列表等文档结构，再把固定长度或滑动窗口作为候选； chunk size、overlap 和是否带父级上下文由目标模型的实际 tokenizer、输入限制和评测结果决定…

#字节#文档处理#向量检索

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：核心权衡分块本质是检索精度与上下文完整性的博弈：块太小 → 检索精准但语义断裂，LLM缺乏背景块太大 → 信息冗余，检索命中率下降，易超上下文窗口常用分块方法方法适用场景特点固定长度通用场景、快速上线按token/字符数切，实现简单；边界可能切断语义语义分块高质量要求场景用embedding相似度检测主题边界；计算成本高递归分块层次化文档（法律、论文）先按章节/标题粗分，再细粒度切；保留结构信息 Agentic分块复杂文档用LLM判断分割点…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：分块粒度选择核心原则：分块不是先猜一个万能数字，而是先保留文档的标题、段落、表格和代码边界，再用同一批业务问题比较候选方案。块更小可能更容易命中局部事实，但也更容易丢失上下文；块更大能保留论证链，却可能引入更多无关内容。场景候选切法验证重点通用问答先按段落或句子边界切分关键事实能否完整召回代码/API文档函数、类或接口级别定义与用法是否仍在同一语义单元论文/报告标题与段落级别论点、证据与结论是否被拆散对话记录单轮或相关多轮合并指代与话题是否连贯…

第 1 / 6 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

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：答案要点分块策略分类（固定长度、语义、递归等）及适用场景分块粒度与检索精度的权衡关系边界处理策略（句子/段落完整性）重叠策略的作用与设置实际选型需结合文档类型和业务需求核心分块策略 1. 固定长度分块（Fixed-size）按token数或字符数切分，具体长度作为候选变量优点：实现简单、Embedding均匀、便于批量处理缺点：可能切断语义，边界信息丢失 2. 递归分块（Recursive）优先按段落→句子→固定长度层级切分优点：尽量保持语义单元完整缺…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配正文：答案要点分块策略类型（固定长度、滑动窗口、语义分块等）及适用场景分块大小的权衡（粒度vs语义完整性）边界处理策略（句子/段落保持）实际工程中的考量因素（计算成本、检索效果、下游任务）百度场景下的特殊优化（中文分词、长文档处理）核心分块策略 1. 固定长度分块按token数或字符数硬切分（如512 tokens）优点：简单、对齐向量索引、便于批处理缺点：可能切断语义，边界信息丢失 2. 滑动窗口分块把零重叠、短窗口和较长窗口作为候选，用同一评测集比较边界证据…

#百度#文本分块#chunking 策略

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：答案要点固定长度分块（Fixed-size）：实现简单但可能切断语义递归分块（Recursive）：按层级结构分割，保留上下文语义分块（Semantic）：基于语义相似度，切分更自然但计算成本高文档结构感知（Document-specific）：利用标题、段落等天然边界，适合结构化文档重叠窗口（Overlap）策略缓解边界信息丢失问题文本分块是RAG系统的关键预处理环节，直接影响检索质量和生成效果。常用策略可分为以下几类： 1. 固定长度分块（Fixed-size…

#百度#文本分块策略#RAG chunking

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配正文：答案要点先看文档结构、问题类型和模型输入限制，再提出分块候选重叠只解决边界问题，也会带来重复索引与召回冗余用结构边界、父子关系和原文位置保障语义完整性所有参数都要在同一业务评测集上比较，不能把经验范围当结论核心思路文档分段会同时影响召回、重排、生成和引用。真正要优化的不是某个chunk_size，而是让问题能召回完整证据，同时控制噪声、延迟和存储成本。分块长度的权衡候选策略更适合观察的场景主要风险较短分块局部事实、错误码、条款定位上下文断裂、重复召回…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：答案要点嵌入模型的选型原则与主流方案（OpenAI、BGE、M3E等）文本分块的核心策略（固定长度、语义分块、递归分块等）及边界处理向量归一化的作用与L2归一化实现余弦相似度的数学原理与计算优化 ANN近似最近邻算法（HNSW、IVF等）的应用场景一、嵌入模型选型场景推荐方案特点通用中文 BGE-large-zh、M3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：答案要点分块策略的设计原则与粒度控制 Embedding模型的选型依据（中英双语、领域适配）向量维度与归一化的影响稠密向量与稀疏向量的混合方案实际落地中的质量评估方法完整流程概述 1. 文档预处理与分块策略粒度选择：按语义段落、结构边界、固定长度滑动窗口和句子级别提出候选关键参数：chunk_size与overlap都是候选变量，结合文档结构、模型输入限制和同一评测集上的召回、证据完整率与成本决定边界优化：优先在标点、段落处切割，避免句子中途截断 2. Emb…

#安克科技#RAG 文本向量化#分块策略

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

面试题·推理优化· 得物

超长上下文怎么处理?

匹配正文：…远位置、注意力和KV是否算得下、任务是否真需要所有原文同时进入。位置侧可用RoPE缩放或YaRN等方法并配长上下文训练；系统侧可用分块、滑窗、检索和摘要；计算侧可用FlashAttention、序列并行或Ring Attention。Ring Attention通过设备环传递KV块计算块式精确attention，不是稀疏attention。机制与边界 YaRN是RoPE上下文扩展的一种高效方案，论文在特定LLaMA设置下报告了数据和训练步数优势，但这不等于理论最优。位置缩放…

#长上下文#位置编码#稀疏注意力

面试题·多模态· 百度

ViT 图像块嵌入原理与实现

匹配标题与标签：…patch 并映射为 token 序列的完整流程多模态 ViT Patch Embedding 视觉Transformer 图像分块线性投影 2026真题 ViT patch embedding 图像块嵌入实现 Vision Transformer token序列多模态大模型百度

#ViT#Patch Embedding#视觉Transformer

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配正文：核心权衡分块是在语义完整性、检索噪声、召回覆盖、上下文预算和索引成本之间取舍。块大小与效果不存在跨数据集通用的单调关系，必须结合文档结构、查询分布、embedding 模型和生成任务评测。常见策略方法做法主要优点主要风险固定长度按 token 或字符数切分简单、吞吐和容量容易估算可能切断句子、表格或章节结构或语义边界按标题、段落、句子或解析树切分更容易保留完整语义单元块大小不均，依赖解析质量固定步长滑窗用窗口长度与步长生成候选块增加跨边界覆盖…

#百度#文档处理#Chunking 策略

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…理跨页断句、表格换行，必要时用VLM提取图片/图表信息元数据保留：记录文档来源、章节标题、时间戳，用于后续过滤和重排序二、文本分块：粒度与上下文的权衡策略原理适用场景注意点固定长度按token/字符数切分，带重叠窗口通用场景，实现简单固定长度与重叠窗口都只作为候选配置，具体大小由文档结构、Embedding输入限制和同一评测集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Em…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配正文：核心矛盾分块本质是上下文完整性与检索精确性的权衡：块过大 → 噪声多、检索精度下降、embedding稀释块过小 → 语义断裂、LLM缺乏上下文常用分块策略策略适用场景特点固定长度通用场景、快速上线按token/字符数切分，实现简单递归分块结构化文档先按段落/句子，再递归细分，保持层级语义分块高质量要求场景用embedding相似度判断边界，保证语义完整 Agentic分块复杂文档 LLM判断边界，成本高但最精准关键最佳实践 1. 重叠策略…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：…益实际验证：在业务数据上做召回率@K的离线评测，MTEB分数仅作初筛参考二、向量存储完整流程原始文档 → 文本清洗 → 智能分块 → 向量化 → 元数据绑定 → 索引构建 → 入库各阶段要点：分块（Chunking）按语义边界：比较段落、句子和多组固定长度候选重叠策略：比较无重叠、短重叠和较长重叠，验证边界召回与冗余成本特殊处理：代码按函数/类分割，Markdown按标题层级分割向量化批量推理，GPU加速归一化向量（便于余弦相似度计算）元数据关联 { …

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…去噪：去除页眉页脚、特殊符号、重复内容，保留表格/标题结构信息元数据标注：记录文档来源、章节、时间戳，用于过滤和溯源 2. 文本分块（Chunking）策略特点适用场景固定长度简单高效，可能切断语义通用场景，追求速度递归分块按标点层级分割，保持句子完整大多数文本语义分块用模型判断语义边界，块大小不均对连贯性要求高的文档关键权衡：块太小可能缺上下文，块太大可能引入噪声。应把多组 chunk size 与 overlap 组合放进同一评测集，比较召回、…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…希。去页眉页脚前先验证规则，不能把合同条款、表头或脚注依据一并删除。解析失败、空页和异常短段进入隔离队列，不能静默入库。 2. 分块要用查询集验证固定长度、递归、结构感知、父子块和语义分块都是候选。块太小可能拆散条件，块太大可能引入噪声；overlap 还会增加重复召回和索引成本。用真实查询比较 Recall@K、排序、证据完整性、重复率、延迟和成本，而不是固定采用某个 token 数。表格、代码和条款需要专门表示。可把检索块与展示给模型的父级上下文分开，但每个块必须能…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 字节

医学论文与法律条文切块

匹配正文：核心原则专业领域文档切块的关键：语义完整性优先于固定长度，确保检索到的chunk能独立回答用户问题。常见分块策略策略实现方式适用场景固定长度按token/字符数硬切（长度需通过实验确定）通用场景、快速验证；不推荐专业领域递归字符优先按段落→句子→词切分结构清晰的文档，保留自然边界语义分块用embedding相似度检测主题边界内容混杂、主题跳跃的长文档结构感知按Markdown/HTML标签、目录层级切技术文档、法律条文（条款级） Agenti…

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 安克科技

RAG 文档如何存储、向量化和更新？

匹配正文：总体数据流一条可维护的流水线是：接收与授权 → 原文存储 → 解析 → 规范化与去重 → 分块 → 嵌入 → 关键词/向量索引 → 影子验证 → 版本切换 → 更新和删除传播。原始文件或权威业务记录是可追溯真值，向量库保存的是检索派生物，不应成为唯一原文。 1. 接收、原文与权限入库前记录来源、用途、所有者、租户、访问控制、生效/失效时间、内容哈希和版本。文件存储使用稳定 doc_id，避免路径或标题变化产生重复。恶意文件、宏、超大文件和解析器漏洞应在隔离环境处理。权限…

#RAG#文档存储#解析

面试题·RAG

RAG 完整流程分几步？

匹配正文：答案要点全流程五大步：文档解析 → 分块 → 向量化 → 检索 → 生成前三步是离线建库：把原始文档加工成可检索的知识库，提前做好后两步是在线问答：用户提问时实时执行，检索资料再生成答案分块是最容易被忽视却影响最大的一步：块太大噪声多，块太小语义被切断排查 RAG 效果差的问题，就按这条链路逐步定位是哪一环丢了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成…

#入门#基础概念#RAG流程

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配标题与标签：RAG文本分段策略与重叠机制文档处理阶段的分段策略、重叠技术与检索效果平衡检索小鹏文本分块优化 RAG 文本分段文档分段策略重叠处理技术 RAG 检索效果小鹏

#小鹏#文本分块优化#RAG 文本分段

面试题·推理优化

Flash Attention 原理怎么理解?

匹配正文：…ntion。核心是针对 GPU 存储层级重新安排计算，减少 HBM 与片上 SRAM 之间的数据搬运。核心机制将 Q、K、V 分块，使一个 Q 块依次与 K/V 块在片上计算。用 online softmax 维护每行的运行最大值、归一化因子和输出累积量，不物化完整 N×N 分数/概率矩阵。训练反向时保存少量统计量并重计算局部块，以计算换取辅助显存。计算的主 FLOPs 仍是标准稠密注意力的二次量级。辅助存储可从显式 N×N 矩阵降为随序列线性增长；HBM I/O …

#Flash Attention#内存优化#注意力机制