匹配正文：向量检索是 RAG 的底座。真正的面试追问会从“怎么存向量”一路问到“怎么分块、怎么建索引、怎么评估召回、为什么这条没有召回”。这页把检索底层问题串起来。配套教程 RAG 教程第 4 章：Embedding 选型与向量库索引 RAG 教程第 3 章：文档分块与解析流水线知识模块 Embedding、向量数据库与 ANN 索引 Embedding、向量数据库与 ANN 索引文档解析、Chunking 与元数据文档解析、Chunking 与元数据常见问题向量检索面试怎…

#专题学习#向量检索面试题大全

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：面试官问：“RAG 为什么要同时使用 BM25 和向量检索？” 一个常见回答是：“BM25 找关键词，向量检索找语义，两路一起用，召回效果更好。”这个回答讲到了两种检索方式，但还没有回答三个问题：两路分别会漏掉什么、找回的内容怎样排到一起，以及如何证明多跑一路确实有价值。面试官通常会顺着这三个问题继续问：只用 BM25 或只用向量检索，各自会在哪类问题上漏掉正确原文？两路分数不是同一把尺子，结果怎样合并，为什么还要重新排序？你怎样用一批带正确原文的问题，证明混合检索确…

#RAG#检索与重排#RAG 混合检索

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配题目：在向量检索系统中，有哪些技术和方法可以保证检索结果的准确性和相关性？

第 1 / 11 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

#美团

#向量检索准确性

#向量检索相关性

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：答案要点向量检索优化：HNSW索引、量化压缩、分区策略重排序策略：Cross-Encoder、ColBERT、多阶段排序查询扩展：HyDE、Query Rewriting、子查询分解混合检索方案：向量+关键词融合实际落地中的工程权衡一、向量检索优化索引层面 HNSW（Hierarchical Navigable Small World）：主流近似最近邻算法，平衡召回与速度；关键参数M（邻居数）和ef（搜索宽度）需根据数据规模调优量化压缩：PQ（Product …

#小鹏#检索阶段优化#RAG 检索优化

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：…+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 + rank_i)，k通常取60，对排名敏感而非…

#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 向量检索怎么高效召回?

匹配正文：…改写：扩展同义词、纠错、补全上下文（如HyDE生成假设文档）意图识别：区分事实查询/摘要/对比类问题，路由到不同检索策略 2. 向量检索执行索引结构：HNSW（高召回+速度平衡）、IVF-PQ（超大规模）、DiskANN（内存受限）参数调优：ef_search（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 Ret…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配正文：…t(N)只能作为某些配置的起点，不是通用最优值。增量索引：避免全量重建，采用分层索引或增量HNSW 二、召回策略优化多路召回：向量检索 + 倒排索引（BM25）+ 稀疏向量（SPLADE），取长补短粗排+精排：先用IVF快速筛选候选集，再用精确距离计算Top-K 查询扩展：HyDE、Query2Doc可作为候选，用同题集消融验证；生成伪文档也可能偏离原问题并增加延迟与成本。三、模型与计算优化 Embedding量化：只算每维存储，FP32→FP16为4→2字节，INT…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配正文：…，上层稀疏快速定位，下层稠密精确搜索复杂度：构建O(n log n)，查询O(log n)，精度-速度权衡极佳现状：当前单模态向量检索的SOTA方案工业实践选型建议规模推荐方案说明百万级 HNSW（如Milvus/Zilliz）内存放得下，精度高亿级 IVF+HNSW 或 IVF+PQ 磁盘+内存混合，平衡成本十亿级 Faiss-GPU、DiskANN、自研分布式量化压缩+图索引+分片 RAG场景的典型配置：Embedding 768/1024维 → 先…

#百度#ANN索引#向量检索方法

面试题·检索· 百度

向量检索基本原理是什么?

匹配正文：核心原理向量检索把文档和查询编码到同一表示空间，再按照与模型训练方式匹配的距离或相似度寻找近邻。效果不仅取决于索引，还取决于语料、分块、embedding 版本和距离度量是否一致。 1. 向量化文档块与查询通常使用同一 embedding 模型及同一预处理版本编码。领域、语言和查询长度会影响表示质量，应在目标查询集上验证，而不是用“语义接近”作主观判断。模型升级时要记录向量版本；不同模型产生的向量通常不能直接放在同一索引中比较。 2. 索引构建 Flat 做精确搜索，…

#百度#向量索引#向量检索原理

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配标题与标签：文本块怎么转向量并建索引? RAG 场景下嵌入模型选型与向量数据库索引机制(HNSW/IVF)详解文档处理字节文档处理向量检索文本块向量化向量数据库索引 RAG 技术选型 HNSW IVF 字节

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配标题与标签：Chunk 向量化与索引怎么选? RAG 中 Embedding 模型与向量数据库对比及选型指南文档处理字节向量检索 Chunk 向量化 Embedding 模型选型向量数据库对比 RAG 索引构建字节

#字节#向量检索#Chunk 向量化

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配标题与标签：Embedding+向量库怎么做语义匹配? RAG 中 Embedding 与 Milvus 协同流程、参数调优与检索效果分析文档处理字节文档处理向量检索 RAG 语义匹配 Embedding 向量数据库 Milvus 参数调优语义相似度检索字节

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配标题与标签：RAG 文本分块与向量索引流程从预处理、Embedding 选型到 FAISS/Pinecone 索引优化文档处理字节文档处理向量检索 RAG 文本分块向量索引优化 Embedding 模型选择 FAISS vs Pinecone 字节

#字节#文档处理#向量检索

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：… HNSW为主流选择，平衡速度与召回按用户ID分区，避免跨用户污染时间戳作为辅助索引，支持范围过滤三层检索策略相似度召回：向量检索Top-K（如50个候选）时序衰减加权：score = similarity × exp(-λ·time_gap)，λ控制遗忘速度重要性重排序：用轻量模型打分，考虑：是否包含用户明确确认的信息（"对的""没错"）是否涉及后续对话引用是否跨会话被重复提及（长期偏好）重排序技巧：用对话历史做Cross-Encoder精排，或训练小型…

#高德#Agent#向量检索

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配标题与标签：RAG Embedding 模型怎么选? 检索场景下 Embedding 选型的关键因素与评估维度模型微调字节向量检索 RAG Embedding 选型 Embedding 模型选择检索 Embedding 评估字节

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配题目：在向量检索任务中，常用的文本嵌入模型有哪些？请对比不同模型的特点和适用场景。

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配标题与标签：Embedding 模型选型考虑哪些因素? 文本向量编码场景下效果与性能的权衡,多维度对比模型微调百度向量检索 Embedding 模型选型文本向量编码 Embedding 效果性能百度

#百度#向量检索#Embedding 模型选型

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配标题与标签：RAG 向量模型怎么选? 文本编码模型的技术指标与性能因素详解模型微调百度评估与监控向量检索 RAG 向量模型选型文本编码模型指标 Embedding 模型性能百度

#百度#评估与监控#向量检索

面试题·检索

向量数据库和普通数据库有什么区别?

匹配标题与标签：向量数据库和普通数据库有什么区别? 从精确匹配到相似检索,一文看懂 ANN 为什么快检索入门基础概念向量数据库 ANN近似最近邻向量检索原理向量数据库和传统数据库区别

#入门#基础概念#向量数据库

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配标题与标签：向量数据库怎么支撑 Agent 记忆? Embedding 模型与检索策略设计,关键优化方法及召回提升检索高德重排与优化文档处理 Agent 向量检索 Agent 记忆向量数据库 Embedding 模型检索策略记忆召回高德

#高德#重排与优化#文档处理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…（Cross-encoder）掌握查询改写/扩展技术（HyDE、多查询）能结合业务场景说明选型依据核心检索方法及选型 1. 向量检索（Dense Retrieval）技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/Faiss）场景：语义匹配、长文档理解、跨表述查询（如"苹果价格"→"iPhone多少钱"）考量：对短查询效果差，需配合查询扩展 2. 稀疏检索（BM25/TF-IDF）技术：Elasticsearch、L…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配标题与标签：Embedding 怎么实现语义召回? RAG 中查询与文档向量化,余弦相似度计算及优化考量检索字节向量语义召回 Embedding 语义召回 RAG 向量检索余弦相似度向量空间映射字节

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…作流程 1. 索引阶段（Offline）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、E5等模型生成稠密向量元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，过滤低质结果…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

Embedding升级后向量对齐方案

匹配标题与标签：Embedding升级后向量对齐方案知识库增量更新场景下新旧向量对齐的 3 种方案检索抖音向量检索 Embedding 升级向量不一致知识库增量更新向量对齐字节

#抖音#向量检索#Embedding 升级