匹配正文：一、文本分块（Chunking）核心原则：语义完整性与检索粒度的平衡策略适用场景工具固定长度候选实现简单，参数需评测 LangChain RecursiveCharacterTextSplitter 语义分块文档结构清晰（论文、合同）按标题/段落边界切分递归分块长文档层次化结构先按章节，再按段落滑动窗口需要上下文连贯比较无重叠、短重叠和较长重叠关键细节：chunk size 必须低于实际嵌入模型的输入限制，并在同一评测集比较；过小可能造成语义碎片…

#字节#文档处理#向量检索

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配题目：文本分块（Chunking）策略如何影响RAG系统的性能？请系统阐述常见分块方法（如按语义边界分割、滑动窗口、重叠分块、固定长度分块等）的原理、优缺点及适用场景，并结合实际案例对比分析其对检索精度、召回率和生成质量的影响。

#百度#文档处理#Chunking 策略

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配标题与标签：…king 策略怎么平衡上下文与精度? RAG 系统中分块大小与重叠窗口的最佳实践文档处理京东 RAG Chunking 策略文本分块最佳实践上下文完整性检索精度京东

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

#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?

匹配标题与标签：Embedding 模型选型 vs 落地流程? RAG 中文本分块、向量化到存入 Milvus 的完整流程文档处理字节 Embedding 模型选型 RAG 向量化流程文本分块策略 Milvus 向量数据库字节

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…清洗：去除页眉页脚、页码、特殊符号；统一编码；处理OCR错误结构保留：提取标题层级、表格结构、段落关系，用于后续语义分块 2. 文本分块策略策略适用场景注意点固定长度实现简单，参数需评测比较多组 chunk size 与 overlap 候选，验证边界召回和冗余成本递归字符按标点/换行逐级切分优先保证句子完整性语义分块对连贯性要求高的文档用Embedding相似度判断断点，计算成本较高结构感知论文、合同等结构化文档按章节、条款边界切分，保留元数…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 京东

RAG 分块策略选型

匹配题目：在构建检索增强生成（RAG）系统时，如何设计文本分块（chunking）策略以平衡上下文的完整性和检索的精确性？有哪些常用的方法和权衡考量？

#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

匹配题目：在构建基于RAG的系统时，你是如何设计文本分块策略的？请说明分块的粒度选择、重叠处理以及向向量数据库写入数据的具体流程。

#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

匹配题目：在构建RAG系统时，如何进行有效的文本分块（chunking）？请介绍不同的分块策略、考虑因素以及各种方法的优缺点。

#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?

匹配题目：在构建RAG或文本处理系统时，如何进行有效的文本分块（chunking）？请讨论不同的分块策略和考量因素

#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：…ocument-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 Chunking）按固定token数或字符数切分，具体长度作为候选变量优点：实现极简，便于批量处理，向量化效率高缺点：硬截断可能切断句子语义，边界信息易丢失适用：快速原型、对语义连贯性要求不高的场景 2. 递…

#百度#文本分块策略#RAG chunking

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·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

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…。【预处理/清洗】面向专业领域的 RAG,如何对原始文档做清洗和预处理以提升检索与生成质量? 较难 → 【策略对性能的影响】文本分块策略如何影响 RAG 系统的性能?常见分块方法及适用场景? 较难 → 【粒度与重叠】你是如何设计分块策略的?说明粒度选择、重叠处理以及向量库写入。中等 → 【上下文 vs 精度权衡】分块策略如何设计才能平衡上下文完整性与检索精度? 较难 → 【策略横向比较】 chunk 划分有哪些常见方法?固定长度 / 语义边界 / 滑动窗口等如何取…

#RAG#检索#项目实战

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…级难题;另一种更贴岗位,给你一小段工程化实现,比如手写一个简单的检索打分函数、实现一个带重试和超时的 API 调用、写个滑动窗口做文本分块、算两个向量的余弦相似度。后一种考的是"你平时是不是真在写这类代码",生疏不了。给准备建议:算法基础按 LeetCode 中等题过一遍高频类型即可,别为大模型岗去啃 hard 专题;把时间更多花在能手写小段工程实现上——检索打分、重试封装、分块、相似度计算这些,面试时能不查资料写出来,比多刷十道 hard 有用。两类人怎么准备:研一/研…

#求职#职业转型

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配正文：一、文本分块到向量的转换流程分块策略决定嵌入方式短chunk（<512 tokens）：直接用bi-encoder（Sentence-BERT）生成dense vector 长文档：截断取首中尾、滑动窗口聚合，或用层次化嵌入（段落→文档）关键：chunk边界尽量保留语义完整性，避免句子截断嵌入模型选型模型核心原理适用场景 Sentence-BERT 双塔结构+对比学习（NLI数据），生成sentence-level embedding 通用语义相似度，计算快 B…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…：处理跨页断句、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…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：整体流程离线阶段文档解析 → 文本分块 → Embedding编码 → 向量入库 → 索引构建在线阶段用户Query → Embedding编码 → 向量相似检索 → Top-K召回 → （可选Rerank）→ 上下文组装关键技术点 1. 文本分块策略将固定长度、递归切分与语义分块作为候选，按段落或句子保留边界块大小权衡：太小丢失上下文，太大引入噪声将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：B…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…清洗去噪：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…

#美团#RAG 知识库搭建#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

匹配题目：在RAG系统中，如何对专业领域文档（如医学文献或法律条文）进行有效的文本切块？常见的文本分块策略有哪些及其适用场景？

#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·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等），建立索引加速检索 2. 检索阶段（在线）查询…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Faiss、Elasticsearch）在线阶段：检索生成 Query理解：必要时进行Query改写、扩展、意图识别向量检索：用ANN算法快速召回Top…

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索/社区遍历→上下文组装精准关联信息 Local Query：从实体出发做多跳邻居遍历，解决"某实体的关联属性" Global Query：跨社区聚合摘要，解决"整体趋势/共性特征"类问题相较传统RAG的优势维度传…

#美团#知识图谱#GraphRAG 架构

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收益文档解析布局识别（如PDF转Markdown保留结构）、表格/图片OCR提取…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键：领域数据建议微调Embedding模型索引存储：写入Milvus/Faiss/Elasticsearch等向量数据库，可配合稀疏索引（BM25）做混…

#AIlab#RAG工作流#RAG 技术流程