匹配正文：…优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类分桶，减少搜索空间亿级，内存受限 PQ/OPQ 向量量化压缩极致内存优化 DiskANN 内存+磁盘混合十亿级大规模关键调参：efConstruction（建图质量）、M（邻居数）、nprobe（搜索桶数）三、查询重写（Query Rewr…

#阿里云#查询重写#RAG 召回优化

面试题·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配题目：请解释Facebook AI开发的向量相似性搜索库FAISS的核心原理，包括其如何实现高效近似最近邻搜索，以及常用索引结构（如IVF、PQ）的作用。

#向量检索#近似最近邻搜索#量化压缩

面试题·知识图谱· 淘天

GraphRAG 增量更新策略与挑战？

匹配题目：在知识持续更新的增量场景下，GraphRAG应如何动态维护知识图谱与索引结构？请讨论其增量更新策略及面临的挑战。

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

#淘天

#GraphRAG 增量更新

#知识图谱动态维护

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…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Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Generator → Answer 关键协作点上下文融合：检索结果按相关性排序，截断至上下文窗口 …

#字节#Retriever#RAG Retriever

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…词、纠错、补全上下文（如HyDE生成假设文档）意图识别：区分事实查询/摘要/对比类问题，路由到不同检索策略 2. 向量检索执行索引结构：HNSW（高召回+速度平衡）、IVF-PQ（超大规模）、DiskANN（内存受限）参数调优：ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Retrieval（…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：答案要点向量数据库选型需考虑规模、延迟、成本三要素元数据设计要支持过滤和排序索引结构需权衡召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用 …

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配题目：请说明在RAG系统中如何高效实现查询向量与知识库向量之间的相似度匹配，涵盖近似最近邻搜索算法、索引结构及性能权衡。

#安克科技#ANN性能权衡#RAG 向量匹配

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…检索(Sparse + Dense)?分别阐述其作用。较难 → 【召回链路全局优化】优化 RAG 召回链路的方法:检索器选择、索引结构、查询重写等。较难 → 学完这一章你应该能干嘛跟着做(Part 1): 能跑通端到端的迷你 RAG,看懂"剪 → 存 → 捞 → 拼 → 答" 能改 top_k 并说出它对召回的影响能说出你写的每个函数对应真实系统哪个模块讲深度(Part 2): 能分"离线/在线"两条链路画出 RAG 四大模块能讲清在线检索为什么是"双路召回 +…

#RAG#检索#项目实战

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配正文：…ard negative mining，避免 catastrophic forgetting。二、向量索引机制与数据库选型核心索引结构 HNSW：图索引，查询O(logN)，构建慢、内存高，精度最优，适合静态库 IVF：倒排文件，聚类后搜索，内存友好，适合大规模（>100M），需调nlist/nprobe PQ/OPQ：乘积量化，极致压缩，内存受限场景，精度损失可控组合策略：IVF+HNSW（粗排+精排）、IVF+PQ（大规模+低内存）主流数据库对比特性 FAISS…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…调（如法律/医疗）批处理优化：GPU并行、动态长度填充质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建索引结构： HNSW：高召回、内存型，适合百万级 IVF+PQ：亿级规模、磁盘友好元数据设计：必须包含doc_id、chunk_index、source、timestamp，支持过滤查询性能影响：索引参数（efConstruction/M）直接决定召回率vs查询延迟的权衡系统级优化建议增量更新：避免全量重建，设计版本化索引切换机制多路召回…

#字节#文档处理#向量检索

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…略的选择依据（固定长度、语义分块、递归分块等）及边界处理 Embedding模型的选型考量（中英双语、上下文长度、领域适配）向量索引结构对比（Flat、IVF、HNSW）与选型场景完整数据流：解析→清洗→分块→向量化→元数据关联→入库完整流程：原始文本 → 向量数据库 1. 文档解析与预处理格式兼容：PDF/Word/Markdown/网页等统一解析，处理乱码、特殊符号结构保留：提取标题层级、段落边界，为语义分块提供依据清洗降噪：去除页眉页脚、重复内容、无效HTM…

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配正文：…象，调试困难（"黑盒Chain"问题） ❌ 性能开销大，生产环境需大量裁剪 LlamaIndex 详解核心抽象 Index：多种索引结构（Vector/Tree/Keyword/Graph） Query Engine：封装"检索+合成"的标准流程 Agent：基于Retriever的轻量Agent（OpenAIAgent/ReActAgent）适用场景企业知识库问答（RAG为核心）结构化数据查询（SQL/Graph）需要精细控制检索策略的场景优缺点 ✅ 检索策略丰…

#阿里云#评估与监控#Agent

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：…示例：用户说"明天去机场，要早到"，拆分为[时间意图:明天] [地点:机场] [偏好:早到]，便于后续组合检索。索引与检索策略索引结构 HNSW为主流选择，平衡速度与召回按用户ID分区，避免跨用户污染时间戳作为辅助索引，支持范围过滤三层检索策略相似度召回：向量检索Top-K（如50个候选）时序衰减加权：score = similarity × exp(-λ·time_gap)，λ控制遗忘速度重要性重排序：用轻量模型打分，考虑：是否包含用户明确确认的信息（"对…

#高德#Agent#向量检索

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：答案要点数据收集策略与来源选择数据清洗与质量评估方法 Embedding模型选型与微调向量索引结构选择（HNSW/IVF）检索策略优化（重排序、混合检索）知识库更新与维护机制一、数据收集阶段来源分类结构化数据：数据库、API、Excel表格非结构化数据：PDF、Word、网页、聊天记录半结构化数据：Markdown、JSON、XML 关键原则优先收集高频查询场景的数据建立数据版本管理和溯源机制二、数据清洗与预处理核心步骤格式统一：PDF转文本（处…

#百度#大模型知识库构建#知识库向量化

面试题·知识图谱· 淘天

GraphRAG 增量更新怎么保实时?

匹配正文：答案要点区分增量更新场景（新增文档 vs 文档修改/删除）说明GraphRAG的双层索引结构（社区摘要+原始文本）各自的更新策略提及一致性保障机制（版本控制、事务隔离）说明如何平衡实时性与计算成本（分层更新、异步处理）提到准确性验证手段（影响范围分析、回滚机制） GraphRAG的增量更新需要处理双层索引（社区摘要层 + 原始文本层），比标准RAG复杂得多。核心策略分场景讨论：一、新增文档场景文本层：直接写入向量库，提取新实体关系并入图图结构层：判断新实体/边…

#淘天#GraphRAG 增量更新#知识图谱实时性

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…phRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索/社区遍历→上下文组装精准关联信息 Local Query：从实体出发做多跳邻居遍历，解决"某实体的关联属性" Global Query：跨社区聚合…

#美团#知识图谱#GraphRAG 架构

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…e interaction、多向量索引提升细粒度匹配稀疏-稠密混合：BM25关键词 + Dense向量，互补长尾与语义匹配三、索引结构优化分层索引：先粗筛（聚类中心）再精排，降低高维检索复杂度图索引：结合知识图谱实体关系，增强结构化推理能力元数据过滤：预过滤时间、类别等标签，减少无效向量比对四、增量与更新机制支持增量写入，避免全量重建；热点数据缓存，冷数据归档实际落地建议：先通过Bad Case分析定位是"召不回"还是"召不准"，再针对性优化——召回不足扩分块…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：… 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化链：通过LCEL灵活组合Prompt、Model、Parse…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…resent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_search、nprobe权衡延迟与准确率过滤机制：前置元数据过滤（时间、权限标签）减少搜索空间 4. 候选排序与筛选多路召回：向量+稀疏（BM25）+ 关键词，线性加权或Learned Fusion 重排序（Rerank）：Cross-Encoder精排，如…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…工构造结构化描述 3. 时效性编码对时间敏感记忆，将时间戳、相对时间（"3天前"）显式注入文本或作为附加特征三、检索策略优化索引结构选择 HNSW：延迟敏感场景，图索引保证低延迟 IVF-PQ：内存受限场景，量化压缩降本 DiskANN：超大规模，内存-磁盘混合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键…

#高德#重排与优化#文档处理

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…四阶段架构：阶段核心任务关键组件索引构建文档→Chunk→Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量库规模大、索引结构低…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…注：来源、时间、类别等标签，用于过滤和溯源二、向量索引构建 Embedding选型：业务域通用选BGE/M3E，垂直领域需微调索引结构：百万级用HNSW（内存索引），亿级考虑FAISS IVF或Milvus分布式方案多路召回：关键词（BM25）+ 向量双索引，解决语义漂移问题三、在线检索流程阶段技术要点查询改写 Query扩展、同义词补全、意图澄清（必要时主动反问）粗召回 Top-K向量检索（K=100~1000）精排序 Cross-encoder重排（如B…

#百度#文档切分与检索#RAG 实现流程

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：…数据库核心能力语义相似度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找ID=123且价格>100" 索引结构 HNSW、IVF、PQ等近似索引 B+树、哈希、倒排精度/召回近似结果，存在漏召精确结果扩展性高维向量检索优化事务一致性保障关键洞察：两者不是替代关系，是互补关系。混合存储架构实践分层设计：检索层：向量库（Milvus/Pinecone/Elasticsearch）→ 语义召回Top-K 过滤层：关系型数据库（MySQ…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：一、检索效率优化索引结构层面 HNSW图索引：平衡召回率与查询速度，适合中等规模；超大规模时采用IVF-PQ或ScaNN降低内存占用量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，PQ码长由子向量数和每码位宽决定；总索引另计结构，质量变化必须实测，不固定4–8倍。磁盘索引：FAISS的IndexIVFPQ + ondisk模式，牺牲部分延迟换取容量工程架构层面分片（Sharding）+ 路由层，支持水平扩展预过滤（metadata filter）…

#阿里云#召回链路优化#RAG 召回优化