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 / 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

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·评估· 美团

RAG 解决了哪些问题?

匹配口述回答：…向量检索。比如用户问“订单号12345的状态”，向量检索可能匹配到语义相似的句子，但关键词检索精确匹配订单号更靠谱。所以我会用[[Hybrid Search]]，向量加[[BM25]]，两条路一起走，再合并结果。接着说[[重排序]]，检索回来的top-100里，真正相关的可能只有前几个，我会用[[Cross-Encoder]]做一次精排，把最相关的提到前面。再补充上下文压缩，检索回来的段落可能很长，直接塞给模型会浪费token，还会稀释注意力。我会先对检索结果做摘要，把关键信…

#美团#混合检索#RAG 技术

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：Embedding模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模型严格基于检索内容回答，拒绝无关Query 与微调对比 RAG优势在于知识可解释、更新即时、成本可控；适合知识频繁变更、需溯源的场景。微调更适合改变模型行为风格或需要内化复杂推理模式的任务。学习建议建议系统学习该知识点

#字节#外部知识检索#RAG 原理

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…query改写不能过度，否则会引入噪声，常见失败场景是改写后偏离了用户原意。再一个，检索阶段。我基本不会只用向量检索，而是走[[混合检索]]。你可以这么理解：向量擅长语义相似，但关键词匹配在专有名词、编号、精确短语上更靠谱。所以我会把 [[Dense Retrieval]] 和 [[Sparse Retrieval]] 结合起来，比如向量加 [[BM25]]，用线性加权或者 Hybrid Search 统一打分。举个例子，在电商客服场景里，用户问“退款后多久到账”，向量能抓…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval）传统BM25或TF-IDF，基于词项匹配优势：精准匹配专有名词、ID、代码片段；可解释性强适用：关键词明确的查询、长尾实体检索 3. 混合检索（Hybrid Retrieval）实际生产中的主流方案：Dense + Sparse并行召回融合策略：线性加权（α·Dense_score + (1-α)·Sparse_sco…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…*上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法核心思想适用场景 Dense Retrieval 双塔Embedding（Query/Doc各编码）语义匹配、长尾Query Sparse Retrieval BM25、TF-IDF词项匹配精确匹配、高频术语混合检索(Hybrid) Dense+Sparse结果融合（RRF/线性加权）通用场景首选查询改写 HyDE（生成假设文档）、Query Expansion Qu…

#字节#向量库与重排序#RAG 架构设计

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：…好，但768维在速度和存储更优指令微调：E5、BGE等支持指令模板（如"Represent this sentence for retrieval"），对特定任务有增益实际验证：在业务数据上做召回率@K的离线评测，MTEB分数仅作初筛参考二、向量存储完整流程原始文档 → 文本清洗 → 智能分块 → 向量化 → 元数据绑定 → 索引构建 → 入库各阶段要点：分块（Chunking）按语义边界：比较段落、句子和多组固定长度候选重叠策略：比较无重叠、短重叠和较长重叠…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…流程”，向量可能把“退货政策”排前面，但字面相关的“退款”反而排后面。特别是专业术语、订单号、错误码这种稀疏场景，[[Dense Retrieval]] 效果很差。我的改进思路是上 [[Hybrid Search]]，把 [[BM25]] 关键词检索和向量检索结合起来，先粗筛再精排，比如用 [[Cross-Encoder]] 做 [[重排]]，把真正相关的文档提上来。这里有个前提：重排模型一定要针对你的业务数据微调过，否则效果反而变差。另一个检索问题是上下文切分粒度。固定按…

#小红书#RAG 局限性#RAG 缺陷

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：…作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块文档切分 → Embedding编码 → 向量数据库存储检索模块查询向量化 → 相似度…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：三大核心痛点 1. 检索噪声（Retrieval Noise）表现：召回的Top-K文档包含无关或低质量内容，干扰模型判断根源：向量相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索…

#淘天#知识图谱#RAG 痛点

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假设文档嵌入）、Query2Doc 精排策略：Cross-encoder重排、多路召回融合上下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…问“退款到账时间”，文档里写的是“资金返还周期”，[[Embedding]]模型可能拉不远。我的优化思路是两条路一起走：一条是[[Hybrid Search]]，用向量加[[BM25]]做RRF融合，关键词能兜住那些语义匹配不上的case。另一条是查询改写，用LLM把用户query扩展成更完整的表述，或者用HyDE先生成一个伪文档再检索。但这里有个成本问题：改写多一次LLM调用，延迟和钱都上去了。所以我会加一个判断：只有query长度太短或者跟知识库领域明显不匹配时才触发改写…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…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 3. 精排/重排序（Rerank）使用交叉编码器（Cross-Encoder）或轻量重排模型对召回文档精细打…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…模型将文本转为稠密向量向量存储：Milvus、Faiss、Elasticsearch等，支持ANN近似最近邻搜索 2. 检索层（Retrieval）相似度计算：余弦相似度或点积，召回Top-K候选重排序优化：Cross-Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query →…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配口述回答：…用户说“手机屏幕碎了”能召回“碎屏险理赔流程”；关键词检索擅长精确匹配，比如订单号、错误码。所以真正落地我都是两条路一起上，用[[Hybrid Search]]把向量和[[BM25]]的结果合并。检索完top-K结果后，用[[Rerank]]模型精排，把最相关的几条提到前面，这一步对最终质量影响很大。排完序后组装上下文，注意控制长度，一般不超过LLM上下文的30%到50%，太长会稀释注意力。最后构造Prompt让LLM基于上下文回答。这里有个常见的失败场景：如果知识库里根本…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：… 清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI tex…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配口述回答：…检索阶段，用户 query 进来，我先做改写，比如补全指代、扩展同义词。然后不是只做向量检索，我一般会加上关键词检索，也就是 [[Hybrid Search]]，因为向量擅长语义但可能漏掉精确匹配，比如订单号。召回 top-K 之后再做一轮 [[Rerank]]，用 [[Cross-Encoder]] 精排，把相关性低的过滤掉。这么做的前提是重排模型不能太慢，否则延迟扛不住。生成阶段，把检索结果按相关性排序组装成上下文，控制 token 数，别超模型窗口。然后让 LLM 生…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 小红书

中文知识库检索选型

匹配口述回答：…流异常’，BM25很难把它们关联起来。所以它适合关键词强相关的场景，不适合语义理解。再来说[[稠密检索]]，也就是 Dense Retrieval。现在主流的有DPR和[[ColBERT]]两种思路。DPR是[[双塔]]结构，把query和文档都编码成一个固定维度的向量，然后用 [[Faiss]] 或者 Milvus 做 [[ANN]] 近似检索。好处是能抓语义相似，但坏处也很明显：压缩成一个向量后，细粒度的匹配信息就丢了。比如‘红颜色的裙子’和‘裙子是红色的’，DPR能对…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…xt-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone），可叠加倒排索引做混合检索 2. 检索阶段（在线） Query改写：扩展、澄清用户问题，提升召回率相似度计算：余弦相似度/IP距离，Top-K召回重排序（Rerank）：用Cross-Encoder精排，过滤低质片段 3. 生成阶段上下文组装：检索结果 + 用户Query → 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说…

#字节#RAG应用场景#RAG 技术实现

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…是LLM本身不能太差，否则生成的假设回答会带偏。再一个，检索侧。我很少只依赖向量检索，因为纯语义匹配容易飘。实际落地我通常走[[Hybrid Search]]，把[[BM25]]的关键词匹配和向量检索结合起来，BM25能兜住精确匹配的场景，比如订单号、错误码。然后最关键的一步是[[重排]]，用[[Cross-Encoder]]模型把召回的top-K候选做一次精细打分，因为它能看query和doc的交互，比双编码器更准。另外，我会在训练Rerank模型时做负样本硬挖掘，专门把…

#Embedding#Rerank#RAG 检索相关性

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配口述回答：…ColBERT]]这种多向量表示，每个token单独算相似度，匹配更细。不过代价是存储和检索都更重，所以小规模业务用通用模型加[[Hybrid Search]]其实更划算。检索阶段，纯向量检索有个老毛病，对专有名词和数字不敏感。比如用户搜「订单号2024AB123」，向量可能把它当成噪音忽略掉，但关键词检索能精准命中。所以我会把向量检索和关键词检索结合起来，也就是Hybrid Search，用[[BM25]]走稀疏路，用[[Dense Retrieval]]走语义路，最后加…

#AIlab#RAG链路优化#RAG 优化