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…

#专题学习#向量检索面试题大全

面试题·检索· 高德

语义检索向量数据库构建流程

匹配标题与标签：语义检索向量数据库构建流程文本预处理、Embedding 模型、索引与查询优化全解析检索高德评估与监控向量数据库构建 Embedding 模型选择向量索引构建语义检索流程高德

#高德#评估与监控#向量数据库构建

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…比如各 0.5)能用,但更聪明的做法是动态权重: 动态权重精确型查询("等待期")多信 BM25,语义型查询("孩子摔伤")多信向量。怎么判断查询类型?用第 7 章的意图识别给查询分个类,再据此调权重。业内行话:别一上来就追求动态权重。先用固定权重 + RRF 把混合检索跑通,再拿你的 QA 评估集(第 3 章那套)看哪类查询拉胯,才有依据去调成动态。具体权重取多少,永远是实测出来的,不是拍脑袋定的。 2.5 高效召回的三个旋钮混合检索搭好后,"召回又快又全"还落在几个…

第 1 / 11 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

#RAG

#检索

#项目实战

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配正文：…中记0，并说明截断K。 NDCG：考虑位置加权的排序质量，关注"排好" 命中率（Hit Rate）：查询是否命中至少一个相关文档评估方式需人工标注query-doc的相关性标签（二元或分级） Embedding/LLM可辅助产生候选标注，但它们有噪声和评估循环风险；应以独立人工复核集校准，不能直接把同一检索器的相似度当黄金相关性。二、生成质量评估忠实性（Faithfulness）答案是否基于检索内容，有无幻觉常用方法：NLI模型判断陈述与文档的蕴含关系答案相关性…

#蚂蚁#评估与监控#RAG 检索与生成评估

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·检索· 百度

向量检索基本原理是什么?

匹配正文：…4. 在线链路与评测查询编码后进入 ANN 搜索，得到候选，再结合元数据过滤、重排或业务规则返回 Top-K。用精确搜索作为基线评估 ANN Recall@K，并同时看最终证据召回、延迟、内存、构建时间和更新成本。结论：向量检索是 embedding、度量、索引和重排共同组成的链路，索引参数不能弥补表示或分块错误。图解向量检索基本原理是什么?图解

#百度#向量索引#向量检索原理

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配口述回答：这道题问的是[[RAG]]评估，但我觉得它真正在问的是：你怎么在检索和生成这两段之间做质量博弈，并且落地时不被指标骗了。我会把评估拆成两个层面，先检索层，再生成层，最后看端到端，但每个层面都有坑。先说检索层。Recall@K衡量Top-K覆盖了多少已标注相关文档，分母是相关文档总数；Hit@K衡量至少命中一个相关结果的query比例，不能混为一谈。但这里有个常见误区：很多人上来就追Recall@K到95%以上，其实没必要。比如客服退款场景，用户问“退款到哪了”，若黄金集中…

#淘天#评估与监控#RAG 线上效果评估

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：这道题其实是在问，当[[RAG]]的检索环节掉链子时，怎么系统性地定位和修复。我一般先定位失效环节，是召回不够、精度太差，还是排序没排好。比如召回问题，相关文档根本没进候选池，那可能是向量表示不够好或检索范围太小；精度问题就是噪声文档混进来了，需要过滤或[[重排]]；排序问题则是相关文档得分低，得改进重排模型或特征。具体到方案，我重点讲几个点。先说查询侧优化。用户query经常口语化、缺主语，我会用LLM做意图澄清，扩展同义词、补全主体。还有一个好用的技巧是HyDE，先用模…

#字节#检索故障诊断#检索质量优化

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：答案要点能清晰区分"语义相似"与"任务相关"的本质差异提出至少3种具体可行的优化方案说明如何评估和迭代验证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（Que…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配标题与标签：大模型怎么用于搜索检索? 技术方案、优势与挑战,结合 Embedding 和 Rerank 评估虾皮大模型搜索检索搜索检索技术方案 Embedding Rerank 虾皮

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配标题与标签：RAG Embedding 模型怎么选? 检索场景下 Embedding 选型的关键因素与评估维度模型微调字节向量检索 RAG Embedding 选型 Embedding 模型选择检索 Embedding 评估字节

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配标题与标签：RAG 向量模型怎么选? 文本编码模型的技术指标与性能因素详解模型微调百度评估与监控向量检索 RAG 向量模型选型文本编码模型指标 Embedding 模型性能百度

#百度#评估与监控#向量检索

系统教程·检索

重排与检索优化面试题大全

匹配正文：… topK 控制、batch 推理、轻量模型、缓存和降级策略。好的答案不是“加重排”，而是“在可接受延迟内提升有效上下文”。混合检索和重排怎么配合？混合检索负责扩大候选，重排负责统一相关性判断。常见做法是 BM25 + 向量召回后 RRF 融合，再用 reranker 精排前几十条。继续学习 RAG 面试题大全与知识体系系统设计：把检索链路做成可评估系统

#专题学习#重排与检索优化面试题大全

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…变:好的 Embedding 模型会让意思相近的文字,数字也相近。于是"孩子摔伤"和"未成年人意外伤害"虽然一个字都不一样,它俩的向量却挨得很近。什么是 Embedding 概念 2:什么是余弦相似度? 把两段文字都变成向量后,怎么判断它俩像不像?最常用的是余弦相似度,可以理解成看两个向量"指向"的方向有多接近,值在 0~1 之间,1 表示方向完全一致(最像),0 表示毫不相关。检索时就是:把用户问题变成向量,去库里找余弦相似度最高的那几个 chunk。余弦相似度:看两…

#RAG#检索#项目实战

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：📊 学习时长:55-70 分钟 🎯 完成后能力:能用 30 行代码算出检索的 Recall@k 和 MRR,讲清评估五维度、测试集怎么构建、检索段/生成段分别怎么评,以及上线后怎么把首字响应压下来 🔗 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:用一段零依赖代码,亲手把"检索好不好"算成 Recall@k 和 MRR 两个数字 ✓ 看懂评估为什么是优化的前提:没有评估集,调参全凭感觉 ✓ 掌握评估五维度(召回准…

#RAG#检索#项目实战

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

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·RAG

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

匹配正文：…续换 Embedding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、Precision@K、MRR、答案正确性和 Faithfulness，分别在评估 RAG 哪一层？如…

#RAG#评测与上线#RAG 评估指标

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…则优先保证高Recall（设阈值如>95%），再优化Precision和排序不同Query类型（事实性/推理性/多跳）配置不同评估权重 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…

#美团#评估与监控#多路召回评估

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…度医疗：保留"症状-诊断-治疗"完整上下文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rer…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配正文：…、Serverless计费模式京东场景建议电商搜索对延迟极敏感，推荐Milvus/Zilliz或阿里自研Proxima：商品向量千万级，用HNSW保证<10ms响应结合商品属性做过滤查询（hybrid search），需数据库支持标量过滤下推学习建议深入理解排序学习中pointwise与listwise的区别，结合信息检索场景分析训练与评估目标的差异。

#京东#评估与监控#向量数据库选型

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…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，人工判断"给定这个问题，理想文档应该是什么"，对比实际检索结果查询改写分析：检查原始query与改写后query的检索效果差异向量相似度分布：观察q…

#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