匹配正文：适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。教学示例：先换成自己的真实项目描述，再逐题练习。下面按面试追问顺序练习，最后用自查项补齐回答。项目描述示例负责【真实检索场景】的混合召回与重排，承担【真实模块和决策】。需要准备：查询与语料场景；职责边界；候选生成与排序工件。使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。需要准备：基线；融合参数；消融结果；工程代价。逐层练习 …

#模拟面试#简历项目#连续追问

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

#专题学习#重排与检索优化面试题大全

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：📊 学习时长:40-50 分钟 🎯 完成后能力:能判断何时需要重排、Cross-Encoder 提供了什么额外能力,以及怎样验证质量与延迟取舍 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用一段零依赖代码,亲眼看到只数字面重合会把不能回答问题的材料说明排到前面 ✓ 理解检索后为什么可能增加重排,以及怎样用评估决定是否值得 ✓ 看懂双塔(Bi-Encoder)和交叉编码(Cross-Encoder)的本质区别…

第 1 / 15 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

#RAG#检索#项目实战

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…的正文。正确证据已经进了候选集，只是排在后面。如果系统直接截取最前面的内容交给模型，最后答案仍可能跑偏。这时适合处理问题的是 Rerank，也就是重排。可另一个问题马上来了：既然 Rerank 能更细地比较问题与候选，为什么不跳过向量检索，直接让它给整个知识库打分？ Bi-Encoder 和 Cross-Encoder 差在哪里？ Embedding 模型通常采用双塔，也叫 Bi-Encoder。 Query 进入一侧编码器，文档进入另一侧编码器，最后比较两个向量的距离…

#RAG#检索与重排#RAG Rerank

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：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系统返回的每条候选都可能看起来相关，但只有能够直接支持参考答案的原文，才是这次问题应该追踪的对象。因此，一条可调试样本至少要准备三样东西：原始 Query、参考答案、正确证据位…

#RAG#生成与对话#RAG 检索优化

面试题·检索· 字节

RAG 什么时候需要重排？

匹配正文：先给结论重排是候选生成之后的可选排序阶段。它适合“支持证据已经进入候选集，但顺序不理想”的问题；它不能找回第一阶段完全漏掉的文档，也不能修复权限过滤、解析、切分、索引更新或错误标注。是否需要重排应由冻结评测集上的增益、延迟和成本决定，不是 RAG 的必选配置。召回与重排的分工第一阶段的目标是在预算内生成覆盖率足够的候选。它可以是关键词、稠密向量、稀疏向量、结构化查询或多路组合，不一定是双塔模型。第二阶段读取查询与候选的更多信息重新排序，例如 Cross-Encoder …

#RAG#重排#Cross-Encoder

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…LADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-Encoder（如bge-reranker）对Top-K精排，捕捉细粒度交互去噪过滤：基于置信度阈值、来源可信度过滤低质量片段上下文压缩：用LLM提取关键句，解决上下文窗口冗余四、工程权衡线上部署需平衡效果与延迟，常见做法：重排序模型蒸馏为轻量版，或异步离线预计算分层检索：先快速粗排，再精排Top-…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 为何还要重排?

匹配正文：为什么需要重排？初步检索的局限向量检索（如Embedding+ANN）追求速度快、召回率高，但牺牲精确度双编码器（Bi-Encoder）独立编码查询和文档，无法捕捉细粒度交互 Top-K结果中常混入"语义相关但内容不匹配"的噪声文档重排模型的作用机制维度初步检索（召回）重排（精排）架构双编码器（分别编码）交叉编码器（拼接输入）计算离线计算文档向量实时计算查询-文档交互复杂度 O(1) 向量相似度 O(n) 深度交互计算目标高召回、低延迟高精度…

#字节#重排与优化#RAG 重排

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：为什么需要重排序？向量检索（双编码器）存在固有缺陷：打分不可比：余弦相似度是绝对值，跨查询波动大粗粒度匹配：query和doc分别编码，丢失细粒度交互信息 Top-K截断风险：好的文档可能因向量相似度略低被漏掉重排序作为两阶段检索的第二阶段，用更高精度的模型对候选集（通常100-1000条）精细打分，显著提升最终Top-N的相关性。主流重排序方法方法原理适用场景交叉编码器（Cross-Encoder） Query+Doc拼接输入，Transformer输出相…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：为什么需要重排向量检索（双塔模型）追求效率，用内积/余弦相似度快速召回，但存在两个局限：表示瓶颈：query和doc压缩成单一向量，细粒度语义丢失交互缺失：query-doc没有早期交互，难以捕捉复杂匹配关系重排模型正是弥补这个gap，在小范围候选集上做精准排序。两阶段检索架构 Query → 向量检索（召回Top-K，K=100~1000） → 重排模型（精排Top-N，N=5~10） → 生成第一阶段：追求召回率，用ANN快速过滤第二阶段：追求准确率，用重排…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排收益与成本

匹配正文：为什么需要重排？——双阶段检索的本质第一阶段（向量检索）的问题：使用双塔架构（Bi-Encoder），查询和文档独立编码，语义交互不足以余弦相似度衡量相关性，是"粗粒度"匹配追求高召回率，Top-K中难免混入语义相关但实际不相关的文档重排的核心作用：用交叉编码（Cross-Encoder）让查询和文档深度交互，捕捉细粒度语义关系在较小候选集（如Top-100→Top-5）上做精确排序，牺牲延迟换取精度对生成质量的具体提升维度提升效果相关性过滤剔除向量相…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：为何需要重排初检的局限性向量检索（双塔模型）追求效率，用点积/余弦快速近似，牺牲语义精细度多路召回（BM25+向量+关键词）结果混杂，缺乏统一相关性度量存在"伪相关"：向量相似≠真实答案相关解耦设计的好处召回阶段：广撒网，保召回率，毫秒级响应重排阶段：精筛，保准确率，接受百毫秒级延迟重排的核心作用作用说明语义精排用交互式模型捕捉query与doc的细粒度匹配多路融合统一打分不同来源的候选（向量/BM25/图谱）业务过滤加入时效性、权威性、用户偏…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：答案要点说明两阶段检索的动机（召回vs精度的权衡）解释向量检索的局限性（语义粗粒度、无法利用交互信息）阐述Rerank的核心作用（细粒度语义匹配、计算资源后置）提及常见的Rerank模型（Cross-Encoder、ColBERT等）为什么需要Rerank 向量检索的固有缺陷双塔架构（Query-Document独立编码）只能捕捉粗粒度语义，缺乏细粒度交互 Embedding维度受限（通常768/1024维），信息压缩导致精度损失无法利用Query和Docume…

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：答案要点理解召回阶段的核心作用是快速缩小候选集（从百万级到千级）明确重排序模型计算成本高，无法直接作用于大规模语料能对比单阶段vs两阶段在延迟、精度、成本上的权衡提到实际工业中的常见配置（如向量召回+Cross-Encoder重排）核心原因：计算成本与精度的权衡为什么必须分两阶段？阶段处理规模模型特点核心目标召回（Retrieval）百万~亿级文档轻量、快速（如向量相似度、BM25）快速筛选，从海量中捞出Top-K候选重排序（Rerank）百~…

#字节#两阶段检索#RAG 重排序

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：… 检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Prompt → LLM生成答案关键设计：检索结果作为**上…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：…导致语义偏移 3. 两阶段架构的设计逻辑阶段职责特点向量检索（粗排）快速缩小候选范围速度快、召回率高、精确率低 LLM重排/生成（精排）深度判断+综合决策理解深、可结合上下文、成本高直接用大模型做全库检索：成本不可接受仅用向量检索：精度不足，引入噪声会污染生成 4. LLM的独特优势上下文感知：结合对话历史理解当前问题多维度判断：综合时效性、权威性、完整性等推理能力：判断"这段内容是否能回答用户问题" 一句话总结：向量检索解决"找得快"，LLM解决"…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…验问题诊断：先定位失效环节召回问题：相关文档没进候选池 → 需优化向量表示或扩大检索范围精确问题：噪声文档混入 → 需过滤或重排序排序问题：相关文档得分低 → 需重排序模型或特征工程核心应对策略 1. 查询侧优化（Query Rewriting）意图澄清：用LLM扩展同义词、补全省略的主语伪文档生成：HyDE 用模型生成假设答案再检索查询分解：复杂问题拆成子查询分别检索 2. 检索侧增强混合检索：向量+关键词 BM25 融合，互补长尾和精确匹配多路召回：不…

#字节#检索故障诊断#检索质量优化

项目实战·RAG

RAG 智能问答系统

匹配正文：公开教学项目：从文档解析、检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.…

#项目实战#RAG 智能问答系统

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

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：…集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清。执行时仍要经过 Registry 和权限校验。若项目目前没有真的接入大规模工具，就应该把这道题说成设计与验收方案，不声称已经达到某个路由准确率，也不编造线上规模。先给出 30 秒回答当工具数量很大时，我不会把全部 Schema 直接交给模型，而是做两阶段甚至三阶段路由。第一层用身份、租户、任务域、环境和副作用等…

#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：…如用“如何推销保险产品”去找“保险销售技巧”。两路会先各找一批原文段落，再合并并重新排序。融合负责把两路结果放进同一份候选清单，重排负责再次比较问题与候选，把更能回答问题的内容放到前面。搜索前还要限定知识库、文档和可用状态，避免在错误资料中查找。验证时，我会固定同一批问题和正确原文，分别测试只用 BM25、只用向量、两者合并、合并后再重排，比较正确原文是否出现、排得是否靠前，以及无关和重复内容是否减少。这样可以看出变化来自哪一路，也能定位问题出在搜索范围、单路召回、融合还…

#RAG#检索与重排#RAG 混合检索

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：…，却没有处理同一文档同时被两路命中的情况；如果直接把原始分数相加，又会遇到量纲不一致。融合的任务，是把多路候选整理成一张可供后续重排或生成使用的统一列表。它首先服务于“正确证据能否进入有限候选集”，其次才是列表内部顺序。加权求和到底在算什么最直观的融合公式是： final_score(d) = w_sparse × sparse_score(d) + w_dense × dense_score(d) 其中 sparse_score 可以来自 BM25，dense_sco…

#RAG#检索与重排#RRF