匹配正文：…等问题。各路结果要经过版本与权限过滤、去重、配额或分数校准。多路并不自动带来多样性；高度相关的召回器可能重复返回同一批热门项。排序模型排序器对候选统一估计点击、转化、观看时长、满意度等目标。模型可从线性模型、GBDT 到 Wide&Deep、DIN 或多任务网络，复杂度取决于数据和服务预算。排序质量不仅由模型结构决定，还受曝光选择、位置偏差、延迟特征和标签定义影响。常见流程是召回→可选粗排→精排→约束重排。重排可处理去重、多样性、频控、公平或业务约束；这些目标也可以进…

#小红书#多路召回与排序#多路召回

面试题·评估· OPPO

搜索排序A/B测试权重设计陷阱

匹配题目：在搜索排序系统中，如何系统性地设计和实施A/B测试来优化排序模型中各特征的权重？请详细说明实验设计、指标选择、因果推断方法、结果分析及对核心业务指标影响的评估过程。

#OPPO

第 1 / 2 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

#搜索排序A/B测试

#特征权重优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配标题与标签：…G 为什么需要 Rerank? 初步检索后重排序的作用与优势,提升召回精度检索字节 Rerank模型 RAG Rerank 重排序模型作用检索增强生成优化字节

#字节#Rerank模型#RAG Rerank

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：…能被使用。如果记录已经撤回、删除或被新版本替代，它也不能因为分数高再次出现。如果当前 Agent 没有读取某类敏感记忆的角色权限，排序模型不应该见到它的正文。硬过滤通常包含：租户与用户、共享范围、项目或工作区、角色与 Agent 能力、记忆类型、active 状态、版本、有效时间、数据用途和敏感等级。具体字段按产品定义，但原则是越权与失效数据在候选生成前就排除。有些向量数据库支持元数据过滤，也仍需在结果回到主存储后复查权限、版本和状态。索引可能同步延迟，旧向量仍在。主记录…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…行指标分开。Recall、MRR、Faithfulness 主要评价质量；延迟、吞吐、模型调用次数和上下文长度评价成本与体验。一个排序模型提高 MRR，却让链路慢到不可接受，仍然不能直接上线。更稳的结论形式是：“这次改动主要改善哪一层，哪些题型收益明显，哪些维度退化，额外成本是什么，是否通过既定门槛。”它比“总分提升”更能支撑工程决策。 LLM-as-a-judge 为什么也要被评测开放答案很难完全靠字符串匹配，可以让另一个大模型辅助判断正确性、相关性或 Faithful…

#RAG#评测与上线#RAG 评估指标

面试题·Agent· 高德

Agent 工具选择：打分排序机制

匹配正文：…选工具集 → LLM语义匹配Top-K → 按固定优先级排序（成功率>成本>延迟）方案二：学习式打分模型（有数据后）训练轻量级排序模型（如GBDT或小型NN），输入特征：任务embedding + 工具embedding的交互特征历史成功率、平均耗时、最近错误类型当前上下文（如用户 urgency 标识）输出综合得分，取Top-1或Top-N供重决策方案三：在线Bandit（探索利用）对不确定的工具组合，保留少量流量做ε-greedy探索实时更新成功率先验，…

#高德#Agent#Agent 工具选择

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…置不同评估权重 A/B测试验证：离线指标提升≠端到端效果提升，需线上验证典型组合稀疏召回（BM25）+ 稠密召回（向量）+ 重排序模型评估：各路Recall → 融合后NDCG → 端到端Answer Accuracy 学习建议建议先掌握信息检索基础指标（如Precision、Recall、MRR），再结合RAG场景理解多路召回的特性，通过实际项目或开源数据集动手实践评估流程。

#美团#评估与监控#多路召回评估

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：…段冲突、信息缺失场景）二、迭代优化策略检索侧策略具体手段语义增强查询改写（HyDE）、多向量表示（ColBERT）、重排序模型结构优化分块策略迭代（按语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合训练：如REPLUG、RA-D…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…动入库，定期review 解决优先级数据层：清洗脏数据，补充缺失知识（最快见效）检索层：调优embedding（领域微调）、重排序模型、混合检索权重生成层：prompt工程约束引用格式、尝试RAG-specific微调

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…Recall，再优化生成质量构建评估集：从真实日志采样，覆盖高频Query和边界Case A/B测试：检索策略、Prompt、重排序模型的对比实验

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估

RG 系统效果差怎么排查?

匹配正文：…键信息被淹没截断/重排序实验多片段信息冲突，模型选错缺乏冲突消解机制单片段 vs 多片段输入对比检索到相关但非最优片段排序模型与生成偏好不对齐交换Top-1和Top-2观察生成变化四、实用工具链 LangSmith/RAGAS：自动化指标追踪可视化检索结果：看query与召回片段的语义距离 A/B实验：固定一端、扰动另一端，量化影响幅度决策优先级：通常先保检索Recall（无米之炊），再优化生成和协同（锦上添花）。

#检索归因#生成归因#RG 系统故障排查

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…理，RAG负责动态知识注入。复杂推理任务仍需SFT强化，纯RAG对检索质量极度敏感，需配套重排序、查询改写等优化。学习建议掌握排序模型基本架构，学习权重初始化常用方法，结合实际业务理解A/B测试与线上反馈机制。

#美团#RAG vs SFT#RAG

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…并行召回 ├── 向量检索（语义相似） ├── 关键词检索（BM25，兜底专有名词） └── 图谱检索（如有构建实体关系） ↓ 重排序模型（Cross-Encoder/LLM-based） ↓ Top-K 送入生成模型关键优化：Query改写（HyDE、伪文档生成）、多向量表示（ColBERT）四、模型集成与生成上下文压缩：检索结果去冗余，用LLM摘要或选择性上下文 Prompt设计：明确引用格式要求，强制"不知道就拒绝" Citation生成：要求模型标注信息来源，提…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配正文：答案要点数据构建：文档切分策略、元数据标注、负样本构造检索优化：混合检索、查询改写、Embedding微调后处理：重排序模型、上下文压缩、置信度过滤评估数据集：MS MARCO、Natural Questions、HotpotQA、自建业务数据集数据构建层面文档切分优化按语义边界切分（标题、段落），避免硬截断；重叠窗口保留上下文连贯性构建多级索引：摘要级 + 细节级，先粗筛再精确定位数据质量提升清洗低质量文档，添加领域-specific的元数据标签（时间、…

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…M生成 → 输出 ↓ [向量数据库] ← Embedding模型 ← 文档知识库关键组件：Embedding模型、向量数据库、重排序模型、大模型主要应用场景企业知识问答：内部文档、规章制度、产品手册的智能问答客服系统：基于历史工单和FAQ的精准回复，减少幻觉研报/法律分析：长文档信息抽取与综合分析代码助手：结合私有代码库和开源文档的编程辅助核心优势相比微调，RAG无需训练即可更新知识、可追溯来源、成本更低，是知识密集型场景的首选方案。

#字节#检索生成流程#RAG 实现

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…P（图文）、ImageBind（图文音）、Q-Former（细粒度）检索层：向量库支持多模态索引（如Milvus多向量集合）、重排序模型生成层：LLaVA、Qwen-VL、GPT-4V等多模态大模型，支持图文交错输入典型应用场景电商智能导购：用户上传穿搭图，检索相似商品图+详情文本，生成搭配建议医疗辅助诊断：CT影像检索相似病例图像+诊断报告，生成综合分析工业设备运维：故障现场照片+设备日志，跨模态检索维修手册和案例视频教育多模态答疑：学生圈出题目图片区域，检索…

#阿里#多模态#Multi-modal RAG

面试题·RAG· OPPO

多信号评分函数原理与陷阱

匹配正文：…统一尺度：BM25、余弦、概率和计数不能直接相加。可使用分位数、z-score、Platt 或 isotonic 校准，也可在学习排序模型中共同学习。学习组合：数据少且需要解释时可用带约束线性或逻辑模型；有排序标签时可用 RankNet 或 LambdaMART；深度模型适合高维交互，但不是由“数据大”自动决定。后置约束：在候选得分后处理去重、多样性、频控、合规与库存等硬约束，并记录每项调整便于归因。一个线性基线可写为 s(x)=Σw_iφ_i(x)，但权重必须用标注、…

#OPPO#多信号排序#评分函数设计

面试题·RAG· OPPO

搜索评分如何融合点击与停留?

匹配正文：…别记忆和泛化评估验证离线：NDCG@10、MAP 在线：AB测试对比人均点击次数、搜索成功率学习建议掌握信息检索基础，学习排序模型中多特征融合方法，理解点击率与停留时长等行为特征的归一化与加权逻辑。

#OPPO#评分函数归一化#Scoring Function 设计

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…流，持续微调Embedding和Reranker 学习建议建议先掌握RAG基础流程，再结合垂直领域特点学习文档分块、向量检索、重排序模型和提示工程，多参考医疗/法律类RAG实战案例。

#字节#重排与优化#RAG 链路优化

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键优化分块策略：256-512 tokens为甜蜜点，重叠滑动窗口防断句查询改写：利用LLM扩展同义表达，缓解query-doc语义鸿沟反馈闭环：记录"检索→使用→任务成功"链路，强化正例embedding 四、实战提升召回效果问题措施长对话上下文丢失引…

#高德#重排与优化#文档处理

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量库规模大、索引结构低效、网络IO 优化方案：索引层： HNSW换IVF-PQ（牺牲1-2%召回换10x速度）；分片+路由缓存层：热点Query结果缓存（Q…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…源可信度过滤低质量片段上下文压缩：用LLM提取关键句，解决上下文窗口冗余四、工程权衡线上部署需平衡效果与延迟，常见做法：重排序模型蒸馏为轻量版，或异步离线预计算分层检索：先快速粗排，再精排Top-K 缓存热门查询的检索结果核心思路是多路召回+精排过滤，不要依赖单一向量相似度。学习建议建议系统学习该知识点

#字节#混合检索#RAG 检索优化

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…ross-encoder）：精度高但慢，用于Top-20重排轻量方案：ColBERT late interaction 或学习排序模型关键优化时间衰减：相似度分数 × exp(-λ×时间差)，优先近期记忆实体预过滤：先用关键词/NER匹配缩小候选集，再向量检索查询扩展：用LLM改写用户问题，生成多个检索query 落地权衡场景策略延迟敏感（<200ms）纯HNSW，放弃重排序；或本地部署小模型精度优先交叉编码器+多路召回（向量+关键词+图谱）长记忆（…

#高德#Agent#向量数据库 Agent

排序模型初始权重怎么设?

多路召回 vs 排序模型怎么分工?

搜索排序A/B测试权重设计陷阱

RAG 为什么需要 Rerank?

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

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

Agent 工具选择：打分排序机制

多路召回评估指标与RAG场景

RAG 评测优化闭环

RAG 上下文不准确怎么诊断?

RAG 失败场景诊断

RG 系统效果差怎么排查?

RAG 为何比 SFT 更优?

领域 RAG 知识库构建

RAG 检索噪声 3 大策略

RAG 检索与生成流程详解

Multi-modal RAG 是什么?

多信号评分函数原理与陷阱

搜索评分如何融合点击与停留?

专业领域RAG链路优化陷阱

向量数据库怎么支撑 Agent 记忆?

RAG 瓶颈在哪一步

RAG 检索优化:重排序怎么用?

记忆型Agent为何用向量数据库?