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

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

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：答案要点能区分稠密检索与稀疏检索的适用场景理解混合检索的融合策略（如RRF）知道何时需要重排序（Cross-encoder）掌握查询改写/扩展技术（HyDE、多查询）能结合业务场景说明选型依据核心检索方法及选型 1. 向量检索（Dense Retrieval）技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/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…

第 1 / 8 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

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：为什么要混合检索稀疏检索和稠密检索利用的信号不同：BM25 擅长实体名、编号、错误码和查询词共现；双塔向量检索能够召回词面不同但语义接近的文本。二者都可能失败，混合检索的价值是扩大互补覆盖，而不是保证每个查询都优于单路。两类检索与分数 Sparse/BM25 基于倒排索引，对查询词的 IDF、文档内词频饱和和长度归一化加权。分数受实现、语料统计和查询长度影响，没有可跨系统直接比较的固定尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配正文：为什么需要混合检索单一检索方式都有明显短板：稀疏检索：关键词必须精确匹配，无法理解同义词、语义变体稠密检索：对训练数据分布敏感，罕见词、专有名词召回差，且计算成本高混合检索的核心价值是互补召回：稀疏保证字面匹配精度，稠密覆盖语义泛化能力，最终提升整体召回率和排序质量。稀疏检索（Sparse Retrieval）原理：基于倒排索引的关键词匹配，计算query与doc的词项重叠程度。代表方法：BM25 score(D,Q) = Σ IDF(q_i) · [f(q_i…

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：…和文档映射到同一语义空间通过余弦相似度或点积计算语义相关性能捕捉同义词、上下位词等语义关系，如"苹果手机"≈"iPhone" 混合检索并行执行BM25和向量检索，结果融合（常用RRF倒数排序融合或加权求和） RRF公式：score = Σ 1/(k + rank_i)，k通常取60，对排名敏感而非绝对分数关键维度对比维度 BM25 向量检索混合检索准确性关键词匹配准，语义漂移大语义理解强，可能引入噪声兼顾两者，上限最高召回率低（同义词漏召）高（语义扩…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 美团

稀疏稠密与混合检索

匹配正文：…向量稠密相似度度量：余弦相似度或点积，衡量语义空间中的距离优势：语义泛化能力强，能处理同义词、改写、跨语言等语义匹配为何采用混合检索？场景稀疏检索稠密检索专业术语/ID/人名 ✅ 精准 ❌ 可能失配语义改写/口语化查询 ❌ 字面不匹配 ✅ 语义捕获长尾低频词 ✅ 稳定 ❌ 学习不充分实际做法：并行召回：BM25 + 向量检索各取Top-K 融合排序：线性加权 score = α·BM25_score + β·dense_score，或训练 LTR 模型 …

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配正文：为什么需要混合检索单一检索方式都有明显短板： Sparse检索：擅长精确匹配关键词，但无法理解同义词、语义变体 Dense检索：擅长语义理解，但对罕见词、专有名词容易失配混合检索=精确性+语义泛化能力，是生产RAG系统的标配。 Sparse检索（稀疏检索）原理：基于倒排索引的词频统计方法，典型代表BM25 BM25(q,d) = Σ IDF(q_i) · [f(q_i,d)·(k1+1)] / [f(q_i,d) + k1·(1-b+b·|d|/avgdl)] 只关注查…

#美团#Hybrid Retrieval#混合检索

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：混合检索先过一关：两路分数能直接相加吗？做了两路召回，一路用BM25找字面匹配，一路用向量找语义相近。接下来怎么排？你可能会写下一个很自然的公式：BM25占一半，向量占一半，两路分数加起来，取前几名。面试官追问：“为什么各占一半？”你说希望兼顾关键词和语义。再追问：“BM25给50分，向量给0.9分，这两个一半，实际贡献一样吗？”这时，权重选择还没开始，分数可比性就已经成了问题。它像两个裁判，一个拿米尺，一个拿温度计。工具读数都能写成数字，但不能因为各乘0.5，就认为可…

#RAG#混合检索#RRF

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：…优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：为什么这样分块、召回率怎么测、混合检索和重排为什么要加、幻觉怎么归因。背概念挡不住追问，最好把一个完整 RAG 系统亲手做一遍。没做过 RAG 项目，直接背面试题有用吗？用处有限。面试官继续追问时会检查实现、实验与职责。建议先按自己的基础完成公开教程和一个可运行版本，再回来按模块刷题查漏，每道题用口语版练「讲出来」。 RAG 的 chunk 大小到底怎么选？没有万能值：先…

#专题学习#RAG 面试题大全与知识体系

系统教程·检索

重排与检索优化面试题大全

匹配正文：…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 的代价，以及如何用指标证明重排真的有收益。重排会不会拖慢线上接口？会，所以要讲 topK 控制、bat…

#专题学习#重排与检索优化面试题大全

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…，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，证明混合检索确实比单路更合适？先看两个教学用的问题。假设知识库里有一篇“保险销售技巧”，用户问的却是“如何推销保险产品”；另一份文档的标题是“报销制度”，用户也只输入这四个字。前一个问题需要系统理解“推销”和“销售”意思接近，后一个问题则希望原词命中时，标题能直接排到前面。这道题考的不是两个名词的定义，而是能否把“为什么要混合、怎样混合、怎样验证”…

#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：…谁与当前问题最相关；融合没召回的证据，重排无法凭空补回；候选太多，Cross-Encoder 的推理成本又会升高。 RRF 在混合检索中的位置 RRF 负责合并多路候选，不替代召回、去重和精排。面试中说“我们用了 RRF，所以不需要 rerank”，或者说“有 rerank，前面怎么融合都一样”，都不完整。正确的工程问题是：在给定候选预算和延迟约束下，哪种融合能为精排提供覆盖更好、重复更少的候选集。四类失败结果，应该怎样排查精确词结果被语义结果压下去先看 BM25…

#RAG#检索与重排#RRF

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…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接比较的情况；线性加权需要先校准分数，并用评测集确定权重，不能凭经验写一个固定值。 2. 优化顺序先按文档结构切块，并保留标题、章节和权限等元数据。用 query 类型分析决定是否改写、扩展或路由，避免所有查询都调用 LLM。评估召…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 美团

RAG 解决了哪些问题?

匹配标题与标签：RAG 解决了哪些问题? 大模型项目中 RAG 的实际效果与提升,含检索与生成优化评估美团混合检索 RAG 技术 RAG 大模型项目 RAG 效果美团

#美团#混合检索#RAG 技术

面试题·检索· 字节

RAG检索质量提升5法

匹配题目：…统中，除了基本的向量相似性检索外，还有哪些关键技术可以提升检索结果的相关性、准确性和整体质量？请列举主要方法（如查询扩展、重排序、混合检索、上下文压缩、动态检索等），并简要说明其原理及适用场景。

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…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SPLADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-E…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：答案要点能列举至少3种检索方法（向量检索、关键词检索、混合检索等）并对比优缺点阐述技术选型的核心考量维度（数据特征、延迟要求、精度要求、成本）给出具体的性能优化手段（索引优化、重排序、缓存策略）体现工程权衡思维，而非单纯罗列技术常用检索方法对比方法核心机制优点缺点适用场景稠密向量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配标题与标签：…略详解检索网易有道 BM25向量Cross-Encoder BM25 向量召回 Cross-Encoder 检索系统架构设计混合检索策略网易

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：答案要点向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似…

#安克科技#混合知识库存储#向量数据库

项目实战·RAG

RAG 智能问答系统

匹配正文：…能把语义相近但条件不同的内容混在一起。风险等级：P1。检查重点：把关键词、向量与 Query 改写作为候选方案做消融，不能预设混合检索一定更好。阅读第 5 章：检索召回 · 混合检索 OCR 遮挡导致关键字段误读教学风险演练:扫描件中的印章、表格线或低清噪声遮住金额、日期等关键字段，OCR 结果可能少字或错字。如果错误文本直接入库，后续检索和生成无法自行恢复原值。风险等级：P1。检查重点：对关键字段设置人工抽检、置信度阈值与原图回看；是否需要层分离要由样本验证。 …

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部分当成模拟面试。不要背示例项目，先在纸上写下自己的资料类型…

#RAG#项目深挖#教学复原

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…具有互补性时,可以同时检索再融合。若单路已满足质量、延迟和成本目标,就不必为了架构完整而强行增加一套索引。面试时应说明什么查询触发混合检索、如何做对照实验,而不是把"两套都建"当成固定答案。 2.4 模块联动:别把模块当孤岛模块联动与全局权衡各模块不是孤立的,一处没做好可能会顺着链路放大:切分把语义切碎 → 检索召回残片 → 生成阶段缺少完整证据。所以优化要有全局视角,下面几个因素建议联动验证: chunk 大小 ↔ LLM 上下文长度:块太大,一次塞不下几条;块太小,要…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…模型编了? 中午调切块策略和 Embedding 选型 chunk size 为什么这么设? overlap 怎么定? 下午加混合检索、重排或 Query 改写 BM25 和向量检索怎么融合? RRF 的 k 怎么解释? 晚些做评估集和错误分类 Recall@k、MRR、答案正确率怎么量化? 发布前加引用溯源、拒答、权限过滤没依据时怎么拒答? 不同用户能不能看到同一份文档? RAG 很适合后端转型,因为它一半是数据管线和服务系统,一半是模型行为。站内的RAG 智能问…

#求职#职业转型