匹配正文：适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实检索场景】的混合召回与重排，承担【真实模块和决策】。需要准备：查询与语料场景；职责边界；候选生成与排序工件。使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。需要准备：基线；融合参数；消融结果；工程代价。逐层练习 1.…

#模拟面试#简历项目#连续追问

系统教程·检索

重排与检索优化面试题大全

匹配正文：…做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Encoder…

#专题学习#重排与检索优化面试题大全

系统教程·检索

向量检索面试题大全

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…

第 1 / 27 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

#专题学习#向量检索面试题大全

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：📊 学习时长:50-65 分钟 🎯 完成后能力:能亲手写出 BM25,讲清为什么要"向量 + 关键词"混合检索,以及分数怎么融合 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用纯 Python 实现关键词检索的标准算法 BM25,并看清它的强项和硬伤 ✓ 看懂为什么真实系统要"双路召回":向量检索 + 关键词检索一起上 ✓ 理解 BM25 相比 TF-IDF 强在哪(词频饱和、文档长度归一) ✓ 学会两套分…

#RAG#检索#项目实战

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…怎么把它们"排对" 先看一个排序失败演练(这是本章的"为什么") 下面是用合成条款构造的教学场景,不是线上投诉或客户事故。假设混合检索已经把正确 chunk 召回,但候选顺序仍可能让生成阶段误判。有个典型 case:用户问"孩子摔伤住院,意外险能赔吗?" 系统召回的候选里,「保险责任(承保意外医疗)」和「责任免除(某些情形不赔)」两条都在:正确答案明明召回到了。但喂给 LLM 的上下文里,「责任免除」那条因为字面和问题更像,被排在了最前面,LLM 顺着第一条的语气答了句偏"…

#RAG#检索#项目实战

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·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：为什么不能只取并集 BM25 和向量检索适合放在同一条在线召回链路中，因为两路检索擅长的问题不同。 BM25 更重视字面命中。查询里出现制度名称、专有名词、编号、缩写或某个精确短语时，它能把包含这些词的文档拉回来。向量检索更重视语义接近。用户使用口语、同义表达或较长的问题描述时，即使文档没有出现完全相同的词，也可能被召回。两路结果取并集，可以扩大候选覆盖，却还没有回答“谁应该排在前面”。如果直接按 BM25 列表在前、向量列表在后，排序偏向第一路；如果轮流抽一条，两个检索器…

#RAG#检索与重排#RRF

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…目标页面有没有解析出来，双栏和表格结构是否正确，切分后条件与结论是否仍在同一个可用语义单元。接着确认 Chunk 是否写进当前可检索索引。文档可能解析成功，却因为批量写入部分失败没有进入向量库。也可能新版本已经上传，检索仍然只看旧索引。权限、知识库和文档状态也可能让正确 Chunk 不在本次范围内。如果正确证据根本不存在于索引，调 BM25 权重、替换 Embedding、扩大 Top-K 都不会修好问题。检索器只能在已有语料中挑选，不能找回从未进入候选空间的内容。 …

#RAG#生成与对话#RAG 检索优化

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…更快的模型。但一条 RAG 请求在模型生成第一个字之前，已经经过 Query 处理、Query Embedding、关键词与向量检索、候选融合、Rerank 和上下文构建。真正的等待可能发生在其中任何一段。从调用依赖关系看，模型要等检索证据准备好，才能开始基于证据生成。因此，如果向量检索阶段很慢，流式输出只能改变第一个 Token 之后的展示，不能缩短前面的检索等待。这是链路顺序决定的。同样，如果 Trace 显示模型服务正在排队，继续调 HNSW 参数也无法触及这个阶段…

#RAG#评测与上线#RAG 首字响应

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…据库：对话片段embedding + 元数据（时间、主题、情绪）结构化存储：用户画像、偏好、历史任务结果（如SQL/图数据库）检索策略：混合召回场景策略实现即时上下文工作记忆直接读取最近N轮近期相关短期记忆语义匹配摘要向量Top-K 远期细节长期记忆多路召回向量相似度 + 时间衰减 + 关键词过滤关键技巧：检索时拼接[当前query + 近期摘要]作为查询，提升相关性更新与刷新机制被动压缩：工作记忆满时，最旧内容→生成摘要→下沉主动摘要：检测…

#高德#Agent#Agent 记忆管理

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存加速混合检索公式：…

#高德#Agent#向量检索

面试题·Agent· 高德

Agent长期记忆Embedding检索策略

匹配正文：…mportance_scalar, # 扩展为向量或作为后续加权 entity_sparse_vec # 用于快速过滤 ]) 二、检索策略：混合排序三阶段检索粗排：实体标签/关键词倒排索引快速过滤精排：向量相似度（余弦/IP）+ 时间衰减函数 score *= exp(-λ·Δt) 重排：访问频率加权 + 多样性去重（MMR算法避免冗余）时效性建模近期记忆：高权重，原始文本保留中期记忆：中等权重，自动摘要压缩远期记忆：低权重，仅保留关键事件节点三、噪声过滤机制…

#高德#Agent#Agent长期记忆

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配正文：…口、语义分块等）及适用场景分块大小的权衡（粒度vs语义完整性）边界处理策略（句子/段落保持）实际工程中的考量因素（计算成本、检索效果、下游任务）百度场景下的特殊优化（中文分词、长文档处理）核心分块策略 1. 固定长度分块按token数或字符数硬切分（如512 tokens）优点：简单、对齐向量索引、便于批处理缺点：可能切断语义，边界信息丢失 2. 滑动窗口分块把零重叠、短窗口和较长窗口作为候选，用同一评测集比较边界证据完整率、召回与成本保证上下文连续性，减…

#百度#文本分块#chunking 策略

面试题·评估· 百度

RAG 错误怎么定位到检索或生成?

匹配正文：核心思路：隔离变量 + 对照实验 RAG错误的根因定位本质是解耦检索与生成的影响，通过控制输入变量观察输出变化。一、黄金文档替换实验（Gold Document Swap）原理：用已知正确的文档强制替换检索结果，消除检索噪声实验组检索输入预期结果实际结论原系统真实检索Top-K - 基线黄金组人工标注的相关文档正确输出若仍错误→生成模块问题随机组随机不相关文档错误输出若仍正确→生成过度依赖先验关键判定：黄金组正确 + 原系统错误：提示原检索…

#百度#评估与监控#RAG 错误定位

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…效果提及数据层面的根本解决方法问题本质分析这种现象叫**"语义相关但任务无关"**，典型场景：查询"苹果手机的电池寿命"，检索到"苹果的营养价值" 两者embedding相近（都是"苹果"），但用户意图完全不同核心矛盾：Embedding模型训练目标（语义相似）与RAG业务目标（任务相关）存在错位。解决策略（分层处理） 1. 查询侧优化查询重写（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 字节

RAG 文档检索选型

匹配正文：先给结论检索方案不能脱离语料和查询分布。稠密检索擅长语义改写，稀疏检索擅长专有名词、编号和数字的精确匹配；两类查询同时存在时，可以采用双路召回，再通过 RRF 或经过验证的加权策略融合。 1. 三类方案的边界方案优势主要风险稠密检索同义改写、自然语言意图专有名词和长尾实体可能漏召回 BM25 等稀疏检索关键词、编号、错误码精确命中难以覆盖语义改写混合检索同时覆盖语义和字面信号两套索引增加延迟、成本和维护复杂度 RRF 只依赖名次，适合不同召回分数难以直…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配正文：答案要点检索质量指标：Recall@K、MRR、NDCG、命中率生成质量指标：忠实性、答案相关性、上下文相关性端到端评估方法：RAGAS、ARES、人工评估指标选择需结合业务场景，没有银弹一、检索质量评估核心指标 Recall@K：Top-K命中的相关文档数 / 黄金相关文档总数，关注覆盖；Top-K中相关占比是Precision@K。 MRR（平均倒数排名）：逐query取首个相关文档排名倒数，再求均值；未命中记0，并说明截断K。 NDCG：考虑位置加权的排序质…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：答案要点区分传统搜索与大模型搜索的本质差异（语义理解 vs 关键词匹配）阐述RAG核心架构（检索+生成）及关键模块说明混合检索策略（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配正文：答案要点区分检索评估和生成评估两个层面掌握经典指标如Recall@K、MRR、BLEU、ROUGE、Faithfulness 了解端到端评估框架RAGAS的核心指标理解人工评估与自动评估的权衡知道业务场景下的实用评估策略 RAG评估要分检索层和生成层两个维度，最后才是端到端评估。一、检索质量评估经典指标 Recall@K：Top-K中相关文档数 / 已标注相关文档总数，通常先逐query计算再汇总；分母不是K。必须说明文档/片段粒度及相关性标注覆盖。 MRR（平均…

#淘天#评估与监控#RAG 线上效果评估

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：答案要点区分检索失败与生成失败的诊断方法关键指标设计（召回率、相关性、忠实度、答案相关性）消融实验与人工分析的结合典型错误模式的识别（检索不准、生成幻觉、协同失效）核心诊断思路：分层定位，逐层验证 RAG故障排查的关键是隔离变量，把端到端问题拆解到具体模块。第一层：判断检索模块是否合格关键指标 Recall@K：正确答案是否在Top-K检索结果中（K通常取5或10） MRR/NDCG：排序质量，相关文档是否排在前面诊断方法人工抽检：随机采样bad case，…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估

检索准但生成差，怎么调优？

匹配正文：答案要点能够系统性地拆解RAG链路，提出可量化的诊断方法掌握检索模块的独立评估指标（Recall@K、MRR等）掌握生成模块的评估维度（忠实性、相关性、流畅性）给出至少3种针对性的生成优化策略能区分"检索准但生成差"的典型场景（如上下文利用不足、指令遵循弱）一、系统性诊断：定位问题模块核心原则：将RAG链路拆分为独立可测的环节，避免"黑盒调试"。 1. 检索模块独立评估离线指标：计算Recall@K、MRR、NDCG，对比Top-K检索结果与人工标注的相关文档…

#上下文压缩#生成调优#RAG 效果诊断

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：问题本质新文档与历史文档的分布差异会导致：① embedding空间不对齐（语义相近但向量距离远）；② 检索结果被历史文档主导（索引偏置）；③ 相关性打分失效。技术策略 1. 动态索引与增量更新新文档单独建索引，检索时多路召回（历史索引+增量索引），结果融合排序美团外卖场景：新商家/新菜品实时入增量索引，避免全量重建延迟 2. 查询重写与扩展用LLM将用户query改写为多个视角（时间敏感型、通用型），分别检索后聚合例："附近好吃的" → 扩展为"2024新店推荐…

#美团#模型微调#RAG检索偏差

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：答案要点 Embedding模型选型与微调多路召回与混合检索策略重排序（Rerank）机制查询理解与改写检索结果评估与迭代优化 1. Embedding层优化模型选型：根据领域特点选择模型（通用场景用BGE/M3E，垂直领域用微调模型）领域适配：用业务数据对Embedding模型做对比学习微调，缩小语义鸿沟动态更新：商品/内容Embedding随属性变化及时刷新，避免语义漂移 2. 多路召回策略召回方式适用场景向量召回语义相似，理解用户意图关键词/BM…

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：检索层先建立可复现基线：固定语料、标注 query、相关性定义和 Recall@K/MRR/NDCG。检查知识覆盖、解析、分块、元数据与权限，再比较查询改写、稀疏/稠密/混合召回。只有正确文档已经进入候选集时，Cross-Encoder 等重排器才可能改善高位排序；否则应先修召回。 Embedding 微调、难负样本和索引参数必须分别做消融，避免同时改动后无法归因。生成层对候选证据做去重、冲突检测、上下文预算和位置安排。 Prompt 明确证据边界、引用格式和证据不…

#AIlab#检索器优化#RAG 优化