页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「向量语义召回」找到 3 条内容
按专题浏览 →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
匹配正文：…分层 分区策略：按用户+时间窗口分片，避免全量扫描 量化压缩：FP32→INT8/二进制，降低内存占用10x 召回策略：多路召回 向量语义召回：query embedding → Top-K相似记忆 关键词召回：BM25覆盖精确匹配场景 图遍历召回：基于实体关系扩展相关记忆 相关性排序优化 特征融合打分 score = α·语义相似度 + β·时间衰减 + γ·重要性分数 + δ·交互频率 时间衰减：e^(-λ·Δt)，近期记忆权重更高 重要性建模：LLM打标关键事件，或基于…
匹配口述回答：…掉关键记录。这时候我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，先用[[BM25]]兜底高频实体，再靠向量语义召回，这样Recall才能拉上去。 再说生成端，核心指标是 [[Faithfulness]]，也就是答案是不是忠实于检索到的文档。这是RAG的生命线，直接对应[[幻觉]]问题。你不能模型自己脑补出一段看起来流畅但文档里根本没有的话。举个例子，企业内部的合规文档检索，员工问某个条款怎么解读，模型必须严格基于文档回答，不能自由发挥。如果只盯着流…
学习内容与项目面试，在同一条路上。