匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_sc…

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#Query Rewriting#RAG 检索模块

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…引（BM25）做混合检索二、在线检索流程 Query理解：query改写、扩展（HyDE生成伪文档）、意图识别向量检索：ANN近似最近邻搜索，召回Top-K（通常20-100个）重排序（Rerank）：用Cross-Encoder（如BGE-Reranker）精排，选出最相关的3-5个送入LLM 三、生成阶段上下文拼接：将检索结果按相关性排序，拼接为上下文 Prompt工程：明确指令"基于以下参考信息回答，若信息不足请说明" 答案生成：LLM生成最终回复，可加入引用溯…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…ing编码：用BGE、M3E等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…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：… LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型精排优化 Cross-Encoder、ColBERT 生成模型最终答案生成 GPT-4、Claude、本地LLM 进阶优化手段查询改写：用LLM扩展同义问法，解决语义gap 上下文压缩：检索后先用小模型过滤无关片段，减…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…HNSW索引加速检索 2. 检索阶段（在线）查询理解：可选的Query改写（HyDE、子查询扩展）提升召回向量检索：Top-K近似最近邻搜索，召回候选文档重排序（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，必要时加引用标注检索器与生成器的协同机…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配题目：请解释RAG系统中向量匹配的实现原理，包括相似度计算方法（如余弦相似度）、近似最近邻搜索（ANN）算法的选择（如HNSW、IVF），以及如何平衡检索精度与效率。

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…哪个度量取决于你的向量空间长什么样。但真正要落地，你不能每次都暴力算所有向量的距离，那太慢了。所以得用[[ANN]]算法，也就是近似最近邻搜索。我实际项目里用得最多的是[[HNSW]]，它是个图结构，查询快、精度高，但内存吃得多，百万级数据很适合。如果数据量到亿级，我会换[[IVF]]加[[Product Quantization]]，也就是倒排加乘积量化，省内存，但精度会掉一点。选哪个取决于你的延迟容忍度和精度要求。这里有个坑：很多人以为向量检索就能解决一切，其实不是。…

#美团#Embedding检索#Embedding 相似性检索