匹配正文：…积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似度计算余弦相似度：衡量向量夹角，归一化后等价于内积欧氏距离：适合语义空…

#百度#向量召回#向量召回原理

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…用词项匹配、IDF 和长度归一化，擅长专有名词、编号、短语和必须字面命中的查询；速度取决于索引、语料与部署，不能称为“零延迟”。向量召回：用 embedding 表达语义相似，能补充同义改写和字面不重合的结果，但可能弱化精确实体或数值约束。 Cross-Encoder：联合编码 query-document，通常能刻画更细的交互相关性，但每个候选都要前向计算，只适合重排有限候选。融合策略两路召回先各取候选并按文档 ID 去重。RRF 只使用排名，避免直接比较不同系统的分…

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

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 字节

RAG 为何需要重排序?

匹配标题与标签：RAG 为何需要重排序? 向量相似度召回局限,大模型重排必要性分析检索字节向量召回与重排 RAG 重排序向量召回局限大模型重排必要性字节

#字节#向量召回与重排#RAG 重排序

面试题·检索· soul

召回阶段怎么选方法?

匹配正文：…用户-物品交互矩阵，找相似用户或物品无需内容特征，挖掘群体智慧冷启动差、稀疏性问题、热门 bias 成熟业务、行为丰富的场景向量召回（双塔）用户塔+物品塔分别编码，向量内积近似泛化能力强、支持任意相似度、可增量更新训练成本高、负采样关键、可能过度泛化大规模、需要语义匹配的场景图召回构建用户-物品异构图，用GNN传播高阶信号捕获多跳关系、缓解稀疏性、可融合多源信息计算复杂、图构建成本高、实时性挑战社交关系强、需要挖掘间接关联的场景（如Soul）规则/策…

#soul#多路召回#召回方法对比

面试题·检索· 百度

向量检索基本原理是什么?

匹配题目：请解释向量检索（向量召回）的基本原理，包括向量化、索引构建和相似度计算等关键步骤

#百度#向量索引#向量检索原理

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…消融结果；工程代价。逐层练习 1. ownership · ownership 简历原句是“【自己的真实项目描述】”。BM25、向量召回、融合和重排中，哪些组件及参数由你负责？考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。本人负责的模块、决策和交付边界团队、平台与外部服务的边界需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：RAG 文档检索选型。 2. ownership …

#模拟面试#简历项目#连续追问

系统教程·检索

重排与检索优化面试题大全

匹配正文：…可接受延迟内提升有效上下文”。混合检索和重排怎么配合？混合检索负责扩大候选，重排负责统一相关性判断。常见做法是 BM25 + 向量召回后 RRF 融合，再用 reranker 精排前几十条。继续学习 RAG 面试题大全与知识体系系统设计：把检索链路做成可评估系统

#专题学习#重排与检索优化面试题大全

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…分边界、标题继承、表头补齐或跨页合并。第三种情况，正确 Chunk 存在，却没有进入前几条检索结果。这时再查问题改写、关键词与向量召回、过滤条件、融合和重排。第四种情况，正确证据已经排在前面，模型仍然答错。这时才去看提示词、上下文组织、引用约束和生成模型。从最终错误反查解析链路先确认正确证据在哪一层消失，再决定检查解析、切分、检索还是生成。最终答案错误不能直接归因于大模型。这种分层有一个直接好处：修改目标变得清楚。如果正确单元格从未被还原，换 Rerank 没…

#RAG#解析与入库#RAG 文档解析评估

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…，也可能让向量表达变得不够聚焦。不能只看数据库保存了多少字，还要确认多少内容真正进入了向量编码。第三，检索和重排链路不同。只用向量召回、向量加 BM25 的混合召回、是否有 Cross-Encoder 重排，都会改变“大块”和“小块”的表现。粗召回与精排的职责不同：前者尽量带回候选，后者在较小候选集中做更细判断。切分实验如果同时更换检索器或重排模型，就无法判断收益来自哪里。第四，问题类型不同。精确术语问题可能只需要一小段定义；比较题可能同时需要两组证据；流程题需要连续…

#RAG#切分与索引#Chunk Size

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…错与规范化。用户表达与文档术语可能不同，或者问题包含多个信息点时，考虑扩写或拆分。 Query 很短、抽象、没有精确编号，并且原向量召回表现不稳定时，才把 HyDE 放进候选路线。产品编号、错误码、明确标题和法规条款，优先保留原词并走关键词检索。意图不清、多个对象都可能成立时，与其强行改写，不如请用户澄清。 Query 优化的路由流程先判断缺少的是历史、表达覆盖还是文档式语义，再选择重写、扩写或 HyDE。精确词与高歧义问题有独立出口。规则不可能覆盖所有问题，但它有…

#RAG#检索与重排#RAG Query 重写

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系统返回的每条候选都可能看起来相关，但只有能够直接支持参考答案的原文，才是这次问题应该追踪的对象。因此，一条可调试样本至少要准备三样东西：…

#RAG#生成与对话#RAG 检索优化

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：…Trace 需要看见模型怎样把“昨天的方案”解析成某个项目。只有记录查询意图、过滤条件和候选变化，才能判断漏召回发生在理解、过滤、向量召回还是重排。一个任务可能需要多路检索。用户偏好走结构化属性查询，历史任务摘要走语义检索，最近事件走时间范围查询，实体关系走精确键或图关系。不要强迫所有记忆都经过同一条向量查询。硬过滤为什么必须在相似度之前权限、主体和有效状态不是“加一点惩罚分”就能解决的软条件。如果候选不属于当前用户或租户，它无论多相似都不能被使用。如果记录已经撤回、…

#Agent#记忆与存储#Agent 记忆检索排序

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…什么会掉、rerank/混合检索/多路召回怎么补,以及各自的代价先看哪个 RAG 重排章代表题型 "为什么要 rerank""向量召回和 BM25 怎么结合""重排模型怎么选""topK 怎么定" 项目里怎么体现讲你加没加重排、召回从多少提到多少(经验值)、为什么选这个重排方案刷题去重排与优化题库。模型微调(47 题):验证你懂不懂什么时候该微调微调题量不大、门槛偏高,偏算法/研究生侧选修。面试官考它主要看两点:你分不分得清"该 RAG 还是该微调",以及懂不懂…

#求职#职业转型

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…ery Embedding。文档 Embedding 应在离线入库阶段完成，在线阶段通常只计算用户问题。第四步，执行关键词召回和向量召回。两路之间没有结果依赖时，可以并行。第五步，融合候选并做 Rerank，然后按门槛和上下文预算截取证据。第六步，构建 Prompt，发送到模型服务。模型可能还要排队、加载上下文并完成预填充，之后才产生第一个 Token。第七步，通过流式协议把 Token 送到前端。 RAG 首字前的分段计时链路只有给每个阶段独立计时，才能知道优化应…

#RAG#评测与上线#RAG 首字响应

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：… 单轮问题可以直接进入检索，多轮问题可能需要从历史中补全实体。无论是否改写，都要保留原问题，以便回退和审计。然后并行执行关键词与向量召回。一条完整的调用链可以这样拆：get_filters 把知识库 ID、文档 ID 和可用状态转成搜索条件，get_vector 生成向量表达式，search 组合文本与向量候选，外层 retrieval 再完成重排、阈值筛选、分页和结果组装。这样拆的价值不是函数名好看，而是权限、向量化、召回和后处理都有可记录、可测试的输入输出。检索结果不…

#RAG#评测与上线#RAG 系统设计

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…索引，高召回低延迟）索引优化实践：量化压缩：PQ（乘积量化）降存储，IVF-PQ平衡精度与内存多阶段检索：可用BM25/稠密向量召回，再用Cross-Encoder或ColBERT等方案重排；ColBERT是token多向量late interaction，不等同普通单向量稠密精排。增量更新：避免全量重建，用HNSW的动态插入或定期merge 五、效果验证闭环建立端到端评测：用真实query测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embe…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…ss_encoder.rank(query, candidates)[:10] 关键指标：召回率@K、MRR、延迟P99。线上建议向量召回+精排两阶段架构。学习建议建议先掌握文本分块策略与嵌入模型原理，再动手实践使用Hugging Face和FAISS构建小型向量库，理解检索全流程。

#字节#文档处理#向量检索

面试题·评估· 小红书

用户兴趣建模：数据与特征陷阱

匹配正文：…时间衰减加权处理历史行为，近期行为权重指数级提升。三、推荐算法选型召回层（多路并行）协同过滤：ItemCF捕捉"看了又看" 向量召回：双塔模型（User Tower + Item Tower），用户embedding实时更新图召回：基于社交关系的GraphSAGE 精排层主模型：DeepFM / DIN（引入注意力机制处理行为序列）多目标：点击+互动+时长联合优化（MMoE结构）四、模型更新策略模式触发条件适用场景全量更新每周/月基模型重训，捕捉长期…

#小红书#评估与监控#用户兴趣建模

面试题·模型微调· 京东

300-500意图怎么召回?

匹配正文：…型（TinyBERT级）做一级判断，缩小候选空间到30个以内二、多路召回机制（替代全量Prompt）召回通道作用技术实现向量召回语义相似微调Domain-specific Embedding（如BGE-M3）关键词召回精确匹配构建意图-关键词倒排索引规则召回兜底高频正则+业务规则硬匹配精排层：用Cross-Encoder对Top-K候选重排序动态示例选择：从该意图历史Query中选3-5个最难区分的作为Few-shot，而非全量意图说明三、上下…

#京东#大规模意图识别#上下文长度限制

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配正文：…确认的支持证据、可靠点击或业务结果，但点击日志必须校正位置偏置和曝光偏置。易负样本用于学习基本主题边界；难负样本应从 BM25、向量召回或旧 Reranker 的高分误召回中挖掘。难负样本必须复核假阴性，避免把实际相关文档当负样本。批内负样本也要防止不同 query 共享答案导致误标。 3. 数据切分与去泄漏按 query、文档来源、时间或用户场景切分训练集和评测集，避免同一问题改写、近重复文档或同一事件跨集合泄漏。线上日志应保留采样策略、召回器版本和曝光位置，便于重放…

#美团#重排与优化#Reranker 训练数据

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：…调，缩小语义鸿沟动态更新：商品/内容Embedding随属性变化及时刷新，避免语义漂移 2. 多路召回策略召回方式适用场景向量召回语义相似，理解用户意图关键词/BM25 精确匹配，保证核心词命中倒排索引结构化属性过滤（价格、距离等）图召回用户行为相似推荐各路召回结果融合时，用加权或机器学习模型做初选 3. 重排序（Rerank）精排粗排：向量相似度Top-K快速筛选精排：Cross-Encoder交互式模型（如BGE-Reranker）计算查询-文档…

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…、缓存命中、索引新鲜度、token 与单请求成本。用灰度、版本化索引和回滚控制更新风险。假设实验在同一测试集上依次比较：基础向量召回、加入 BM25、加入融合、加入重排、改变上下文组织。每步同时记录质量、延迟和成本，并按 query 类型和文档类型切片。结果用真实实验填写，不能预设某个企业项目或固定提升。

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：…引，与稠密向量做混合检索元数据过滤：按时间、来源、标签预过滤五、检索与优化检索流程 Query → Embedding → 向量召回Top-K → 重排序（Cross-Encoder） → 精排Top-N 关键优化查询改写：用LLM扩展同义词、纠错多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder（如bge-reranker）提升相关性六、持续维护增量更新：新数据单独建索引，定期合并失效检测：监控检索点击率，自动标记低质量片段反馈闭环：…

#百度#大模型知识库构建#知识库向量化

向量召回实现方式有哪些?

向量召回原理与实现?

BM25+向量+Cross-Encoder 怎么组合?

RAG 为何需要重排序?

召回阶段怎么选方法?

向量检索基本原理是什么?

混合检索、RRF 与重排项目模拟面试

重排与检索优化面试题大全

RAG 文档解析质量怎么评估？不能只看“解析成功”

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

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

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

RAG 向量索引构建流程详解

RAG 文本分块与向量索引流程

用户兴趣建模：数据与特征陷阱

300-500意图怎么召回?

Reranker 训练数据怎么构造?

向量检索怎么保准又保真?

RAG 检索精度提升的三大陷阱

大模型知识库怎么构建?