匹配正文：搜索引擎的相关性计算经历了从关键词匹配→语义匹配→深度语义模型的演进，实际系统通常是多阶段级联。一、关键词匹配：经典但有效 BM25 是工业界标配，核心思想：词频饱和度：TF 增长边际递减（用 k1 控制）文档长度归一化：避免长文档占优（用 b 控制） IDF 惩罚常见词 score = Σ IDF(q_i) · [f(q_i,D)·(k1+1)] / [f(q_i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹…

#OPPO#查询文档相关性#语义匹配

面试题·Agent

Agent 工具返回成功就算完成了吗？调用、执行、业务成功要分三层判断

匹配正文：…误。第三类是执行失败：超时、限流、返回结构变化。第四类是执行成功但业务不足：空结果、结果不相关、证据不完整。第五类是权限与副作用：语义匹配但不能执行。第六类是最终整合失败：工具给出正确事实，模型却忽略或篡改。每条样本标注三层期望状态、允许下一步和不可接受行为。例如空结果允许换查询或明确无证据，不允许编造；权限拒绝允许转人工，不允许连续重试；写操作状态不确定时允许核对，不允许再次提交。评估时先看三层状态是否判断正确，再看最终任务。只用最终答案评分，很难定位失败；只用工具是否…

第 1 / 3 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

#Agent#工具调用与安全#Agent 工具成功判断

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：…盖只会让错误更难解释。只有满足以下条件，微调才有清晰目标：通用模型在一类问题上持续、稳定失败，而不是偶发波动；错误确实发生在语义匹配或候选排序层，不是解析、权限或索引问题；已经有足够的人工确认正样本，以及“看起来很像但实际不回答”的难负样本；有未参与训练的独立测试集，可以证明改进能够泛化；团队能够承担训练、版本管理、部署、监控和回滚成本。在训练与教学示例中，Embedding 微调可以用 Query、正确 Chunk 和负样本构成训练对。随机挑一个完全无关的片段…

#RAG#检索与重排#Embedding 模型选型

面试题·Agent

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

匹配正文：…报表里可能指确认收入。系统需要根据当前数据域和用户角色缩小候选，仍有多个合法口径时请求确认。词典还要与权限结合。某个敏感指标即使语义匹配，当前用户无权访问时不能进入候选 Schema，更不能在澄清问题里泄露其存在和细节。用户确认某个口径后，可以把选择保存在当前查询 State，后续追问沿用，但不能自动升级成所有用户的全局定义。 Schema 召回不能只搜表名候选生成可以组合多路信号：表和列描述的语义相似；业务术语映射；指标目录；实体与示例值匹配；数据域和用户角色；历史正…

#Agent#工具调用与安全#Text2SQL Schema 选择

面试题·模型架构· 安克科技

GPT vs BERT 核心区别在哪?

匹配正文：…文表示，通常接任务头擅长开放式/条件生成、对话、摘要、翻译、代码、in-context learning 分类、NER、抽取、语义匹配、检索编码等理解任务 GPT 可以把源文本、任务指令与已生成目标放在同一因果序列中，直接执行摘要和翻译，不需要额外 Encoder。Encoder-decoder 是另一种可选架构，不是 GPT 做条件生成的必要条件。 BERT 的双向注意力能同时利用左右上下文，适合产生整段输入的上下文表示，但原始 BERT 不是自回归生成器。它也不是开箱…

#自回归模型#自编码模型#Transformer

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…史任务结果（如SQL/图数据库）检索策略：混合召回场景策略实现即时上下文工作记忆直接读取最近N轮近期相关短期记忆语义匹配摘要向量Top-K 远期细节长期记忆多路召回向量相似度 + 时间衰减 + 关键词过滤关键技巧：检索时拼接[当前query + 近期摘要]作为查询，提升相关性更新与刷新机制被动压缩：工作记忆满时，最旧内容→生成摘要→下沉主动摘要：检测到任务完成/话题切换时，立即生成章节摘要 TTL+重要性：短期记忆设置7天过期，但高重要性事件（…

#高德#Agent#Agent 记忆管理

面试题·Agent· 高德

Agent 工具选择：打分排序机制

匹配正文：…时间实时监控当前负载服务可用性、限流状态健康检查接口实现方案方案一：规则+启发式（冷启动阶段）候选工具集 → LLM语义匹配Top-K → 按固定优先级排序（成功率>成本>延迟）方案二：学习式打分模型（有数据后）训练轻量级排序模型（如GBDT或小型NN），输入特征：任务embedding + 工具embedding的交互特征历史成功率、平均耗时、最近错误类型当前上下文（如用户 urgency 标识）输出综合得分，取Top-1或Top-N供重决策方案…

#高德#Agent#Agent 工具选择

面试题·Agent· 字节

Agent 框架核心组件怎么搭?

匹配正文：…用（Tool Use）统一接口：所有工具遵循OpenAPI规范，描述（description）必须精准动态选择：基于工具描述做语义匹配，而非硬编码路由执行模式：支持串行（依赖关系）与并行（独立工具）两种调度 4. 执行引擎（Execution）负责状态机管理：待执行 → 工具调用 → 结果观察 → 判断完成？ ↑___________________________| 异常处理：工具超时/失败时触发重试或备选方案人机协同：置信度低时主动请求确认模块协作机制数据…

#字节#Agent#Agent 框架设计

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：…可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前影响LLM输入质量，但计算成本高上下文相关性召回内容与query的语义匹配度需过滤噪声，避免无关信息干扰生成二、生成质量指标指标意义实践考量答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型或人工校验信息覆盖率是否完整回答用户问题多跳问答场景尤为重要三、典型场景权衡企业知识库场景优先保证事实一致性（避免误导…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：… 元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）二、索引构建双轨索引策略：类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展精排层：Cross-Encod…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：一、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 高德

多工具评分排序机制

匹配正文：… 执行成本：延迟、调用费用、资源消耗历史表现：成功率、输出质量、用户满意度评分模块实现 1. 分层评分体系最终得分 = α·语义匹配分 + β·历史绩效分 + γ·成本惩罚项维度计算方式语义匹配用embedding模型计算工具描述与任务query的余弦相似度历史绩效滑动窗口统计近N次调用的成功率，引入时间衰减成本项归一化后的延迟/费用，作为负向惩罚 2. 模型化打分（进阶）训练轻量级工具路由模型（如LoRA微调的BERT）：输入：任务上下文 + 候选…

#高德#Agent#智能体工具选择

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· 美团

RAG 深度与局限怎么破?

匹配正文：…，而是涉及查询理解→多路召回→精排融合→上下文压缩→生成约束的全链路优化关键局限性局限类型具体表现典型场景检索质量瓶颈语义匹配≠相关性，Top-K可能漏关键信息专业术语、多义词上下文碎片化长文档切块导致逻辑断裂技术文档、法律条款推理能力边界弱于多跳推理、数值计算、跨文档归纳财报分析、科研综述系统耦合复杂检索失败时缺乏优雅降级机制边缘Query、新领域优化方向与方案 1. 检索层：混合检索+重排序向量检索（语义）+ 稀疏检索（BM25，关键词…

#美团#RAG 局限性#RAG 优化方向

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：核心思想 GraphRAG 把文本证据与实体、关系或社区结构关联起来，用显式图结构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 G…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配正文：…仅抽取显式关系，还需挖掘隐式语义关联社区聚类：通过算法（如Leiden）将密集子图聚为语义社区，生成层级摘要 2. 查询到子图的语义匹配将自然语言查询解析为图查询（如Cypher或子图模式）支持多跳遍历：从种子实体扩展至关联社区动态剪枝策略，平衡召回率与相关性 3. 混合检索机制向量检索：基于embedding的语义相似度图结构检索：基于拓扑结构的关联性打分两者融合排序，避免纯向量检索的语义漂移 4. 全局-局部联合召回全局层：社区摘要回答宏观问题（"这家公司…

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：核心差异传统RAG基于向量相似度，将知识压缩为稠密向量，擅长语义匹配但丢失显式关系；GraphRAG基于知识图谱，保留实体-关系-实体的结构化连接。更适合GraphRAG的场景场景原因复杂多跳问答如"某药物通过哪些靶点影响某疾病"，需跨文档追踪因果链关系密集型查询组织架构、供应链、社交网络等强关联场景可解释性要求高金融风控、医疗诊断需展示推理路径全局聚合分析如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接动态演化知识时序关系、版本变更等需显…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…检索与传统RAG的关键差异维度传统RAG GraphRAG 检索单元文本块/向量片段实体、关系、社区摘要推理能力局部语义匹配全局关系推理、跨文档聚合擅长问题 "某段文字说了什么" "这些文档共同的主题是什么" 上下文组织平铺的top-k片段层次化的图结构优势与适用场景核心优势解决连接性查询：需要综合多文档信息才能回答的问题支持抽象概括：从具体事实归纳高层主题、趋势减少语义漂移：图结构约束检索范围，避免向量检索的无关内容典型场景大规模文档分析…

#字节#知识图谱#GraphRAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…ERT的late 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——…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：…识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层上下文组装：按相关性+时效性排序，控制token预算引用生成：强制模型输出引用标记 [来源:XX法规第X条]，支持点击…

#字节#高精度RAG#高精度 RAG

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…ncoder）交互方式无交互，独立编码拼接输入，深度交互计算成本低（可预计算doc向量）高（需实时推理）精度粗粒度语义匹配细粒度相关性判断交叉编码器将query+doc拼接输入Transformer，通过注意力机制捕捉token级交互，能识别"苹果（公司）vs 苹果（水果）"这类双塔难以区分的细微语义差异。实际场景的优势与权衡优势场景：知识库存在大量相似文档（如法律条款、产品手册） query表述模糊，需要深度理解意图对答案准确性要求极高（医疗、金…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检索通用场景 RR融合或线性加权，兼顾语义与精确匹配质量影响：召回率决定答案上限，需平衡速度与精度（Top-K通常取20-100） 3. 重…

#阿里云#重排与优化#向量检索

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…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分，筛选Top-N（…

#美团#RAG全链路#RAG 工作流程