匹配正文：RAG检索优化可以从检索前、检索中、检索后三个阶段系统提升：一、检索前：查询优化查询扩展：用LLM生成伪文档（HyDE）或扩展查询词，弥补用户query语义不完整的问题查询改写：识别用户真实意图，消解歧义（如"苹果"→区分水果/公司）多跳查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如…

#字节#混合检索#RAG 检索优化

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 …

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

#小鹏#检索阶段优化#RAG 检索优化

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…被有效利用；检索低召回+生成正确 = 模型靠参数记忆"作弊"。二、常见迭代优化方法瓶颈现象优化方法适用场景检索召回不足查询扩展（HyDE、多查询生成）、混合检索（BM25+向量）、重排序（Cross-encoder）用户问题表述模糊、专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（要求标注来源）、检索内容前置、Self-RAG（生成时判断是否需要检索）对事实性要求高的场…

#字节#评估与监控#RAG 评估

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配正文：…全局层：社区摘要回答宏观问题（"这家公司整体如何"）局部层：具体实体关系回答细节问题根据查询意图自动选择召回层级 5. 迭代式查询扩展首轮召回结果反馈，动态扩展查询子图处理复杂多条件查询时的组合推理关键瓶颈：实体链接准确性直接决定召回起点质量；社区划分粒度影响摘要的概括性与精确性平衡。学习建议建议系统学习该知识点

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配正文：…论、待办事项"结构化存储 3. 检索优化两阶段检索：向量召回Top-K → 重排序（Cross-Encoder）→ 上下文截断查询扩展：将当前Query扩展为"近期主题+用户偏好+时间约束"的复合查询缓存热点：高频访问的用户画像常驻内存 4. 写入优化异步批处理：记忆写入走消息队列，避免阻塞主链路增量Embedding：仅对新内容编码，避免全量重建索引工程权衡点延迟vs召回：实时场景用近似检索（HNSW），离线分析用精确检索存储成本：原始对话压缩存OSS（<1…

#字节#Agent 长期记忆#向量索引

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询分解（Query Decomposition）把"比较A和B的优缺点"拆成" A的优点是什…

#百度#小鹏#美团

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…mbedding）：让LLM先生成假设答案，用答案去检索而非原始问题 Query2Doc：类似思路，用少量生成内容扩展查询语义多查询扩展：一个query改写成多个不同表述，分别检索后合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融合专业术语、专有名词多的场景稀疏-密集结合 SPLADE等学习式稀疏向量，弥补纯向量盲区长尾实体、…

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…省略信息（如"这个多少钱"→结合上下文补全商品名） HyDE（假设文档嵌入）：让LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结合实际案例理解流程，再学习常见优化技术如重排序、查询扩展和索引优化，注重系统级思维训练。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀疏检索（BM25）互补，降低单路失效风险索引优化语义滑窗切分、关键实体提取、文档质量预过滤 2. 重排序层向量重排：用更强的embedding模型（如gte-large）二次精筛交叉编码器：ColBERT/BGE-reranker计算query-doc细粒度…

#小红书#美团#重排与优化

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：…建困难样本，迭代embedding 关键区分场景诊断方法解决思路检索未召回检查正确答案是否在候选池扩大召回、混合检索、查询扩展检索召回但排序低查看正确答案的原始排序位次重排序优化、特征工程检索正确但生成错分析上下文窗口、指令遵循提示工程、RAG-specific微调实际优化需结合具体bad case分析，避免盲目堆技术。学习建议深入理解RAG架构，掌握检索与生成模块的协同机制，学习常见失败模式及优化策略。

#小红书#美团#重排与优化

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：RAG完整工作流程 1. 查询理解与改写查询扩展：识别用户意图，必要时进行query改写（如多跳问题分解）向量化：将query编码为dense/sparse向量，用于相似度检索 2. 检索召回（多路并行）方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…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（>10万条）分层存储：热数据内存向量库，冷数据磁盘索引学习建议建议系统学习该知识点

#高德#Agent#向量数据库 Agent

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…、多向量表示（ColBERT）、HyDE（假设文档嵌入）提升语义匹配精度检索策略混合检索（向量+关键词BM25）、多路召回、查询扩展（同义词/LLM改写）、多轮对话历史压缩覆盖长尾查询，解决词汇不匹配重排序交叉编码器（Cross-Encoder，如bge-reranker）、LLM-based Rerank 精排Top-K，提升相关性生成优化上下文压缩（如LongLLMLingua）、引用溯源、拒绝回答机制（检索不足时）降低幻觉，提升可信度关键权衡召回 …

#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：…答案生成：LLM生成最终回复，可加入引用溯源关键优化点环节常见问题解决思路检索召回不足/噪声多混合检索、元数据过滤、查询扩展生成幻觉、不遵循上下文引用约束生成、细粒度Prompt、COT提示端到端延迟高检索缓存、流式生成、异步预检索

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查询分解查询扩展：同义词、相关术语扩展召回意图识别：区分事实查询/摘要/对比类问题，路由到不同索引检索策略混合检索：向量相似度 + BM25关键词，RRF融合排序重排序（Rerank）：Cross-encoder精排，如bge-reranker，Top-K从100→20 多路召回：向量库+图谱+传统数据库并行检索二、生成层优化上下文处理上下文…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG Query 改写方法

匹配正文：答案要点查询改写的常见策略（HyDE、多查询扩展、子问题分解）提示词构建的核心要素（角色定义、上下文组织、引用标注）检索后处理的技巧（重排序、上下文截断）实际落地中的权衡取舍查询改写策略核心目标：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子…

#百度#小鹏#美团

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展、多跳查询分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序（Rerank）：Cross-Encoder模型精排，提升相关性上下文组装：检索结果去重、截断、按相关性排序注入Prompt 三、核心技术要点分块策略：按语义边界切分，避免切断关键信息；重叠窗口保持上下文连贯检索精度：多路召回（向量+关键词）+ Rer…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…us/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、Lucene倒排索引场景：关键词精确匹配、ID查询、数字/专有名词检索考量：零成本、可解释性强，但语义理解弱 3. 混合检索（Hybrid）做法：向量+稀疏双路召回，RRF或线性加权融合场景：通用RAG系统标配，兼顾语义与精确匹配关键：融合权重需根据业务…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…键优化点环节典型问题解决方案分块语义割裂递归分块、语义分块（基于Embedding变化点）检索长尾Query失效查询扩展、多向量表示（ColBERT）生成上下文淹没压缩摘要、选择性注入相关片段

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 + 关键词检索 + 知识图谱并行召回查询扩展：用LLM生成同义查询，提升覆盖度 4. 重排序（Rerank）核心问题：粗排结果精化优化策略：交叉编码器：用ColBERT等模型计算查询-文档细粒度交互多任务学习：联合优化相关性、时效性、权威性反馈学习：根据用户点击行为在线优化排序模型 5. 生成与后处理核心问题：幻觉控制和答案质量优化策略：上下文压缩：用LLM提取检索文…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：… 知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法律领域微调的ColBERT）时效性加权：新法优先；地域匹配：当事人所在地法规优先三、生成优化 Prompt工程角色：资深法律顾问约束： - 仅基于提供的{references}回答，不确定时明确告知 - 引用格式：[《法规名》第X条] - 区分"现…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…iss/Elasticsearch，构建HNSW索引加速检索 2. 检索阶段（在线）查询理解：可选的Query改写（HyDE、子查询扩展）提升召回向量检索：Top-K近似最近邻搜索，召回候选文档重排序（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，…

#美团#检索器生成器协同#RAG 架构

RAG检索质量提升5法

RAG 检索优化:重排序怎么用?

RAG检索优化：向量检索与重排序

RAG 评估指标与迭代陷阱

GraphRAG 精准召回三大依赖

向量索引 vs 分层存储怎么选？

RAG 改写与 Prompt 链路

RAG 检索增强技术有哪些？

RAG Retriever 工作流程详解

RAG 瓶颈在哪一步

RAG 检索偏差怎么系统性解决?

RAG检索不准的失败场景与优化

RAG 完整工作流程怎么跑?

记忆型Agent为何用向量数据库?

RAG 流程各环节优化陷阱

RAG 流程：检索、融合、生成

RAG流程优化：三大层面策略

RAG Query 改写方法

RAG 组件功能与数据流向?

BM25/向量/混合检索选型

RAG 架构组件与失败场景

RAG 流程优化：检索与重排陷阱

领域 RAG 架构如何控幻觉?

RAG 架构怎么搭?