匹配正文：… · 验收串题｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【向量化与语义检索原理】如何用嵌入模型把 query 和文档映射到向量空间,并用相似度做检索? 中等 → 【模型架构与维度】常用文本嵌入模型架构(BERT / Sentence-BERT 等)及向量维度的影响? 中等 → 【模型选型】如何根据任务需求选择合适的文本嵌入模型? 较难 → 【向量库选型】选择向量数据库要综合考虑哪些关键因素? 较难 → 【…

#RAG#检索#项目实战

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…性过滤，先去掉不可见工具；第二层根据用户目标、对话上下文和工具描述，从 Registry 中召回一小组候选，可以结合关键词、标签与语义检索；第三层对候选做重排或让模型选择，同时允许“没有合适工具”和“需要补充信息”。最终执行前仍然重新校验权限与参数。验收会分别看候选召回、最终选择、无工具判断、越权拦截和端到端任务结果，并用相似工具、长尾任务和故障工具做压力样本。这里最重要的顺序是：先授权过滤，再能力召回，再精细选择，最后安全执行。语义相似不能覆盖权限边界。大工具集路由的四…

#Agent#工具调用与安全#Agent 大工具集路由

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…模型的语义能力直接相关。 3. “现金价值”：专业词被普通财务语义带偏我会同时比较两路候选和分数，先判断是术语切分出了问题，还是语义检索发生了漂移。“现金价值”不能只按“现金”和“价值”的日常含义理解。先看关键词检索能否精确找回包含该术语的片段，再看语义结果中混入了哪些相近但无关的内容。如果关键词路线稳定、语义路线漂移，可以在对照实验里调整权重或补充领域样本；若分词已经把术语拆坏，则先修复关键词路线。这里的关键是保留两路分数和候选。只看大模型最后生成的一段话，很难知道它引…

#RAG#检索与重排#RAG 混合检索

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…形状，不是假设文本里的事实。三种 Query 优化方法解决不同缺口重写补全一条问题，扩写覆盖多种说法，HyDE 用假设文档辅助语义检索。三者都只是检索代理。这三种方法可能同时出现，但不应该无条件叠加。多轮指代问题先做重写，已经得到清晰独立问题后，未必还需要 HyDE。明确术语只是文档措辞不同，可以扩写同义词，不必让模型重新编一段答案。短而抽象的问题如果原词也很重要，可以让原 Query 与 HyDE 并行，而不是只保留假设文本。 Query 重写最容易改错什么？ …

#RAG#检索与重排#RAG Query 重写

面试题·Agent

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配正文：…、有效期、权限和置信状态。高敏感信息需要明确授权，有些内容根本不应保存。检索新任务先按用户、租户、时间和类型过滤，再做关键词或语义检索。召回结果不是事实真理，需要检查来源与当前任务相关性。更新用户偏好会变化，业务事实会过期。新信息应覆盖、并存或形成版本，不能只追加两个互相矛盾的句子。冲突处理实时业务系统、版本化知识库和历史记忆冲突时，按来源权威、时间和业务规则处理。无法解决就明确不确定，不让模型随意合并。遗忘按有效期、时间衰减、访问和价值删除或归档。遗忘不是能…

#Agent#记忆与存储#Agent 长期记忆设计

面试题·Agent

Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

匹配正文：…index_status 与目标版本。写入主记录成功后，通过事件或任务构建索引。索引失败不影响主记录真实性，但该条记忆暂时不能进入语义检索，并需要重试和监控。不要在重试时重复创建正式记录。使用稳定候选 ID、幂等键或版本条件，保证同一写入意图只生成一个版本。模型请求超时后也不能简单再次保存，因为第一次可能已经落库。如果敏感检查、授权或冲突判断服务不可用，系统应该停在候选态，而不是为了提高写入率绕过检查。长期记忆少写一条通常只是体验损失，错写一条可能持续污染后续任务。一个…

#Agent#记忆与存储#Agent 记忆写入机制

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：…和候选变化，才能判断漏召回发生在理解、过滤、向量召回还是重排。一个任务可能需要多路检索。用户偏好走结构化属性查询，历史任务摘要走语义检索，最近事件走时间范围查询，实体关系走精确键或图关系。不要强迫所有记忆都经过同一条向量查询。硬过滤为什么必须在相似度之前权限、主体和有效状态不是“加一点惩罚分”就能解决的软条件。如果候选不属于当前用户或租户，它无论多相似都不能被使用。如果记录已经撤回、删除或被新版本替代，它也不能因为分数高再次出现。如果当前 Agent 没有读取某类敏感…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·Agent

Agent 记忆数据怎么存？关系库、向量库、对象存储与 Schema 怎样设计

匹配正文：…和成本。好的 Memory Schema 不以“用了多少种数据库”证明专业。它应该让每条记忆有明确归属、来源、版本和退出机制，让语义检索保持灵活，同时又不牺牲权限、一致性和可删除性。

#Agent#记忆与存储#Agent 记忆存储设计

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…个字段里。当前步骤、已选对象、待补字段等确定变量，应尽量结构化保存，便于校验、覆盖和回滚；较长背景、解释和历史语境，才适合用摘要或语义检索处理。会话状态和自然语言记忆不要混用第四步：检索前先做作用域过滤当前请求到来时，系统先确定用户、组织、会话和任务作用域，再读取短期窗口和长期候选。对于持久数据库，可以按字段过滤；对于向量检索，也要限制在允许访问的分区或候选集合内。关键原则是：先确定“哪些记忆有资格被看见”，再在其中判断“哪些语义相关”。如果先从全体用户记忆做向量近邻…

#RAG#生成与对话#RAG 记忆模块

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配正文：…bhook触发增量索引更新，AST变更检测避免全量重建查询端：ReAct循环内嵌代码专用Action： search_code：语义检索 jump_to_def：符号跳转 run_test：执行验证关键取舍：预计算索引（延迟敏感）vs 实时解析（准确性高），通常混合使用。

#字节#Agent#Agent 代码库处理

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配正文：…/内存，支持快速CRUD 长期记忆：跨会话的海量历史，向量数据库+图数据库混合，持久化存储混合存储方案长期记忆 = 向量存储(语义检索) + 关系数据库(结构化过滤) + 对象存储(原始对话) 检索效率优化索引层面 HNSW/IVF-PQ：亿级向量毫秒级ANN检索，内存-磁盘分层分区策略：按用户+时间窗口分片，避免全量扫描量化压缩：FP32→INT8/二进制，降低内存占用10x 召回策略：多路召回向量语义召回：query embedding → Top-K相似记忆…

#字节#蚂蚁#向量检索

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存加速混合检索公…

#高德#Agent#向量检索

面试题·Agent· 字节

大量工具怎么选?

匹配正文：…具体工具元工具（Meta-tool）：高层工具封装常用组合，减少决策次数动态加载：仅将相关类别工具描述注入Prompt 2. 语义检索替代枚举工具描述 → Embedding → 向量数据库用户Query → 检索Top-K相关工具 → 注入LLM上下文优势：突破上下文限制，支持千级工具优化：工具描述需精心编写（功能、输入输出、使用场景示例） 3. 延迟优化策略实现预加载热门工具常驻内存，建立连接池并行化独立工具并行调用（如同时查天气和股票）缓存工…

#字节#百度#Agent

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…阈值的结果直接丢弃，避免引入无关内容 Rerank环节：用Cross-Encoder对召回结果精排，显著提升准确性混合检索：向量语义检索 + BM25关键词检索融合，互补覆盖一句话总结 Embedding模型解决"理解语义"问题，向量数据库解决"快速查找"问题，二者协同实现从海量文档中精准定位相关知识。学习建议建议先掌握嵌入模型原理和向量数据库基本操作，再结合RAG流程理解检索环节的语义匹配逻辑，通过动手实践加深理解。

#字节#文档处理#向量检索

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：一、Embedding模型选型策略核心原则：任务驱动选型任务场景推荐方向典型模型通用语义检索双塔编码器，MTEB高分 BGE、GTE、E5系列代码/技术文档代码预训练模型 CodeBERT、CodeT5+ 多语言场景多语言对比学习 multilingual-e5、BGE-M3 长文档理解支持长上下文的模型 Jina Embeddings v2（8K）关键考量点：维度与效率权衡：1024维通常效果较好，但768维在速度和存储更优指令微调：E5、BGE等…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…oader统一接入PDF/网页/数据库，Text Splitter控制块大小，Embedding模型向量化，Retriever实现语义检索设计取舍优势：快速原型、生态丰富、降低多模型切换成本局限：抽象层带来性能损耗（序列化开销），复杂Agent调试困难，生产环境需评估是否值得引入实际项目中，简单Chain可直接调API，复杂多步推理场景再用LangChain编排。学习建议建议系统学习该知识点

#快手#评估与监控#Agent

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…一、检索阶段的缺陷 1. 召回质量不稳定向量检索存在"语义鸿沟"：query与文档的embedding空间不对齐，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-encoder） 2. 上下文切片粒度难把握切分太细丢失全局语义，切分太粗引入噪声改进：语义切分（基于主题边界）、层次索引（摘要+详情）、多粒度召回二、生成阶段的缺陷 3. 上下文…

#小红书#RAG 局限性#RAG 缺陷

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：… 知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模型（如CodeBERT、CLIP） 2. 关键性能指标因素权衡要点维度 768/1024维效果好，但存储和检索成本高；384维适合大规模上下文长度 512 vs 8192，长文档…

#百度#向量检索#Embedding 模型选型

面试题·检索

什么是 Embedding 向量嵌入？

匹配正文：…）是把文字转成一串固定长度数字（向量）的技术，让机器能“计算”语义核心性质：意思越接近的文本，向量在空间中的位置越近——这是一切语义检索的基础语义相似度最常用余弦相似度来算：看两个向量方向的夹角，值越接近 1 越相似向量由专门训练的嵌入模型生成（如 BGE 系列），不是随便编码它是 RAG 检索、语义搜索、推荐系统共同的地基核心概念 Embedding（向量嵌入）是指用模型把一段文字映射成一个固定长度的数字向量（比如 1024 个小数），使得语义相近的文字在向量空间…

#入门#基础概念#Embedding是什么

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：核心思想 GraphRAG由微软提出，核心是将非结构化文本转化为结构化知识图谱，再基于图的拓扑结构进行语义检索，而非传统RAG的"文本切块+向量相似度"模式。相对于传统RAG的创新 1. 知识组织方式：层次化图结构传统RAG：文档→切片→Embedding，信息原子化，丢失跨段落关联 GraphRAG：提取实体→关系→社区三层结构实体节点：人、组织、概念等关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs …

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配正文：…下文窗口/Redis 当前对话轮次、临时变量短期记忆向量数据库（Milvus/Pinecone）近期对话Embedding、语义检索长期记忆图数据库（Neo4j）+ 对象存储用户画像、持久化知识、原始对话日志关键设计：原始对话存对象存储（低成本），语义向量存索引库（快速检索），关键实体关系抽成知识图谱（复杂推理）。大规模记忆的优化策略 1. 分层索引架构时间分区：按时间窗口分片索引，优先检索近期，冷数据下沉多粒度索引：对话级（粗粒度）→ 句子级（细粒度）→…

#字节#Agent 长期记忆#向量索引

面试题·多模态· 美团

AI Agent 自主智能体实现陷阱

匹配正文：…局部最优或循环工具调用可靠性不足：API失败恢复、参数纠错、结果理解仍是痛点 2. 记忆与上下文瓶颈长期记忆依赖外部向量库，但语义检索的召回率和相关性不稳定跨会话的状态维护、用户偏好学习缺乏有效机制 3. 自主性与可控性的矛盾完全自主意味着不可预测，业务场景需要可解释、可回滚的决策轨迹当前缺乏"知道何时该问人"的优雅降级机制 4. 评估与迭代困境 Agent效果难以量化，传统NLP指标失效，人工评估成本极高技术突破方向方向关键进展对Agent的意义世界模型…

#美团#Agent#AI Agent 发展路径

语义检索向量数据库构建流程

Agent 长期记忆如何存储与检索？

第 4 章:Embedding 选型与向量化

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

RAG 为什么要同时用 BM25 和向量检索？

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

Agent 记忆数据怎么存？关系库、向量库、对象存储与 Schema 怎样设计

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

Agent 怎么处理代码库数据?

Agent 长期记忆存储结构

Agent记忆分层与RAG检索

大量工具怎么选?

Embedding+向量库怎么做语义匹配?

Embedding 模型选型 vs 落地流程?

LLM 如何集成外部工具与记忆?

RAG 有哪些主要缺陷?

Embedding 模型选型考虑哪些因素?

什么是 Embedding 向量嵌入？

GraphRAG创新点 vs 传统RAG 是什么?

向量索引 vs 分层存储怎么选？

AI Agent 自主智能体实现陷阱