匹配正文：…索范式类型原理代表模型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与…

#字节#Retriever#RAG Retriever

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…

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

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 美团

稀疏稠密与混合检索

匹配正文：…度量：词袋匹配 + 词频加权，BM25 公式核心衡量词项与文档的相关性优势：精确匹配能力强、可解释性好、无需训练、对关键词敏感稠密检索（Dense Retrieval）原理：通过编码器（如BERT、双塔模型）将文本压缩为低维稠密向量。维度通常 256-1024，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…

#美团#稀疏稠密检索#稀疏稠密与混合检索

面试题·检索· 小红书

中文知识库检索选型

匹配正文：RAG检索方法主要分为稀疏检索和稠密检索两类，实际生产环境常采用混合方案。一、稀疏检索：BM25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Ret…

#小红书#稀疏与稠密检索#中文知识库检索选型

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…能相关的 chunk 捞出来这个动作。负责这件事的就是"检索召回模块",它是 RAG 的"搜索引擎"。概念 2:稀疏检索 vs 稠密检索稠密检索(Dense) = 第 4 章的向量检索:把文字变成稠密向量,靠"意思相近"找。懂语义。稀疏检索(Sparse) = 关键词检索(BM25):靠"词命中"找,代表向量大部分位置是 0(稀疏)。精确。 "稀疏/稠密"说的就是向量里 0 多不多,不用纠结这个词,记住"关键词 vs 语义"即可。稀疏 vs 稠密:差别只在向量里 0 …

#RAG#检索#项目实战

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：… 核心机制适用场景 Memory Bank 按实体/话题聚类存储摘要向量多轮对话、角色扮演 Vector DB + 时间衰减稠密检索 + 遗忘曲线加权持续学习、个性化结构化记忆（如DB/GPT）知识图谱或关系型存储复杂推理、工具调用关键设计点：写入策略：非全量存储，用模型生成摘要/事件三元组压缩信息检索策略：混合检索（向量相似度 + 时间近邻 + 重要性评分）一致性维护：定期触发**记忆反思（reflection）**整合碎片化信息三、检索增强：RAG…

#得物#Agent#大模型记忆机制

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…构建耗时）、重排序（Cross-encoder延迟高）、多路召回合并精度损失：Embedding语义漂移、稀疏检索（BM25）与稠密检索融合权重难调 2. 上下文层瓶颈长度限制：长文档截断导致关键信息丢失，Agent多轮后历史膨胀噪声引入：检索top-k中的低相关文档污染生成，"中间丢失"现象 3. Agent特有瓶颈决策链累积错误：ReAct循环中检索→推理→工具调用，任一环节出错级联放大状态管理复杂：多Agent协作时知识同步延迟，工具返回结果格式不统一二、典…

#阿里云#Agent#Agent RAG 瓶颈

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配正文：…生成是两类不同瓶颈，应分别测量排队、计算、存储和网络时间，再做端到端预算。召回阶段用元数据或 BM25 做安全的候选过滤，再用稠密检索补充语义召回；过滤规则必须通过召回回归，避免提前丢失正确文档。 HNSW 通过搜索宽度在延迟与召回间取舍；IVF 通过桶数和探测数取舍；PQ 可减少向量存储与带宽，但会引入量化误差。热点 query、embedding 和结果可以按语料与模型版本缓存；更新后必须正确失效。检索服务独立扩缩容，并记录 Recall@K、P95/P99、缓存…

#高德#Agent#Agent 系统延迟优化

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…、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景长上下文处理差分层检索（摘要→细节）、递归检索、信息去重合并需要多文档推理的复杂问题三、迭代实践建议先诊断后优化：用错误案例分析定位是检…

#字节#评估与监控#RAG 评估

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：…BGE-M3的dense模式与BM25。BGE-M3官方还支持sparse与multi-vector检索，不能把整个模型等同于单一稠密检索。维度 BGE-M3（稠密向量） BM25（稀疏词频）匹配方式语义相似度（cosine）精确词项匹配优势场景同义改写、跨语言、长语义理解专有名词、短查询、实时性要求高典型短板冷启动、罕见实体、计算开销语义鸿沟、词形变化敏感关键评估指标质量指标 Recall@k：前k个结果命中的相关文档数 / 已标注相关文档总数；前k…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

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·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：…新，非静态文档时序敏感：需要"最近发生"和"历史相关"的双重检索多模态关联：可能融合对话、工具调用结果、环境状态向量数据库的稠密检索天然适合"语义相关但表述不同"的记忆匹配，且支持增量写入。 Embedding模型设计场景策略说明通用对话直接用BGE/M3E等开源模型成本低，基线可用垂直领域（如高德地图）领域微调用历史对话数据做对比学习，强化地点、路线、偏好等语义多任务目标联合训练同时优化检索相关性+对话连贯性+用户满意度预测关键：Agent记…

#高德#Agent#向量检索

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…微调；多向量表示（ColBERT）向量数据库 Milvus、Faiss、Pinecone；考虑HNSW索引、量化压缩检索策略稠密检索 + 稀疏检索（BM25）混合；多路召回融合重排序 Cross-Encoder精排（如bge-reranker），提升Top-K质量三、关键优化技术 1. 检索侧优化混合检索：向量语义匹配 + 关键词BM25，用RRF融合排序查询改写：HyDE（假设文档嵌入）、Query扩展、多跳检索上下文压缩：LLMLingua、LongLLM…

#字节#RAG 系统架构#RAG 工作原理

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：核心区别：从"拼接"到"融合" 1. 架构设计演进维度传统RAG 现代RAG 检索器稀疏检索（BM25）、独立索引稠密检索（DPR、Contriever）、双塔编码生成器固定LLM，仅把检索文本当prompt 可训练或适配的生成模型连接方式字符串拼接，显式上下文窗口潜在空间交互，隐式信息融合典型代表：Facebook的RAG模型（2020）首次将检索器和生成器联合预训练，而非简单拼接。 2. 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…M3E等模型编码为稠密向量存储：FAISS、Milvus等向量数据库 + 可选的倒排索引混合 2. 检索（Retrieval）稠密检索：向量相似度（余弦/IP）稀疏检索：BM25关键词匹配重排序：Cross-Encoder精排，过滤低质结果查询改写：HyDE、Query Expansion提升召回 3. 生成（Generation）上下文拼接：检索结果 + 用户Query → Prompt 大模型生成：GPT-4、文心等生成最终回答引用溯源：输出参考文档编号，增…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索结果为生成提供"事实锚点"，LLM从参数记忆转向上下文引用效果：可追溯来源，降低事…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密向量索引构建：…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：… ← 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）+ Rerank，解决语义漂移问题生成控制…

#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：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…

#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：…原始文本用于召回 2. 检索模块（Retrieval）查询优化：查询重写（HyDE生成伪文档）、意图识别、多跳分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合多路召回（关键词+向量+图谱）重排序（Rerank）：Cross-Encoder模型精排Top-K，过滤低相关文档 3. 生成模块（Generation）上下文组装：按相关性排序文档，截断至上下文窗口 Prompt工程：明确指令+检索上下文+用户问题，要求"仅基于上下文回答，不确定则拒绝" 后…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…Elasticsearch，构建HNSW索引加速检索第二阶段：在线检索生成模块职责关键技术检索器从知识库召回相关文档稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序器精排Top-K结果 Cross-Encoder（如bge-reranker）生成器基于检索上下文生成答案大模型+Prompt工程，控制幻觉协同机制——上下文融合用户Query → 检索Top-K文档 → 拼接Prompt模板： "基于以下参考资料回答问题：[文档1]...[文档…

#美团#RAG架构#RAG 系统架构

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：答案要点能清晰区分检索阶段与生成阶段的评估差异掌握常用检索评估指标（Recall@K、MRR、NDCG）理解稠密检索与稀疏检索的优缺点及混合策略知道重排序模型的作用与典型实现能提出具体可落地的数据优化方案一、评估维度与指标检索阶段 vs 生成阶段检索评估：关注"找得准不准"，用Recall@K（答案是否在TopK）、MRR（首个相关文档排名）、NDCG（考虑相关度分级）端到端评估：用Answer Accuracy或RAGAS框架（context precis…

#360#召回质量评估#RAG 召回优化

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

RAG 为什么要同时用 BM25 和向量检索？

RAG Retriever 工作机制详解

混合检索为什么优于单一检索?

稀疏稠密与混合检索

中文知识库检索选型

第 5 章:检索召回,混合检索(BM25 + 向量)

大模型记忆机制怎么改进?

Agent 中 RAG 瓶颈怎么破?

高并发 Agent 延迟卡在哪?

RAG 评估指标与迭代陷阱

BGE-M3 vs BM25 怎么选?

RAG 文档检索选型

Agent 记忆怎么用向量库?

RAG 工作原理与架构怎么搭?

现代 RAG 架构怎么变?

RAG 技术原理与核心组件详解

RAG 原理与核心架构

RAG 工作原理与核心组件

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 检索器与生成器如何协同？

RAG 召回准确性：三大失败场景

混合检索怎么提升 RAG 召回?