匹配正文：…正改善、难负样本是否被正确压低、延迟和资源是否变化。若只在训练相似问题上进步，却让其他问题变差，就不应直接上线。什么时候才值得做领域微调上线时最容易漏掉的，是版本与迁移 Embedding 升级需要新旧索引并存一段时间。从工程实施角度，更稳妥的做法是：用新模型重算一份独立索引，跑完离线回归和数据完整性检查，再让少量或影子流量同时查询新旧链路，确认质量、延迟和资源符合预期，最后切换读流量。旧索引在回滚窗口结束前保留，不能覆盖式重建后才发现新模型有问题。向量记录要带模型版本…

#RAG#检索与重排#Embedding 模型选型

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部分当成模拟面试。不要背示例项目…

#RAG#项目深挖#教学复原

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…理解向量库 + ANN 索引,讲清 HNSW vs IVF 的区别和"近似"二字的含义 ✓ 知道通用模型为什么对行业黑话不准,以及领域微调的思路本章按三段式组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战零基础,想先跑起来概念白话 + 玩具向量化代码 ~50% 🎯 Part 2 · 面试深度想讲透、备战面试模型选型 + 向量库索引 + 微调 ~40% 🏆 Part 3 · 验收串题检验学到位没关联面试题 + 自检清单…

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

#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：…排序发生跳动。输入模板、截断、阈值和稳定排序都属于 Rerank 配置。只记录模型名称，不足以复现一次排序结果。什么时候值得做领域微调？微调不是解决 Rerank 延迟的办法。只有通用模型在一类专业术语、否定或内部缩写问题上持续排错，并且已有真实难负样本和独立测试集时，才值得进入微调评估；完整训练与验收条件同样放在模型选型题中。本题继续回答的是：已经决定使用 Rerank 后，怎样把在线成本控制在预算内。 Rerank 太慢，可以从哪里优化？第一种办法是减少无效候选。…

#RAG#检索与重排#RAG Rerank

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：…ence-level embedding 通用语义相似度，计算快 BERT-based 取[CLS]或mean pooling，需领域微调有标注数据的垂直场景 SBERT-WK 多层attention加权，捕捉不同层级语义需要细粒度语义区分的任务 OpenAI/text-embedding-3 大规模对比学习，支持matryoshka降维开箱即用，多语言，成本可控领域适配：垂直场景用LoRA微调或hard negative mining，避免 catastrophic…

#字节#文档处理#向量检索

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…排，以较小在线成本恢复部分精度。表示与分块：选对 embedding、距离函数和归一化方式；文档分块应通过查询集验证边界与重叠。领域微调、多向量表示只有在评测改善时采用。工程维护：分片与副本、冷热分层、批量写入、删除墓碑与周期压缩、索引版本化和原子切换。高选择性过滤要评估 pre-filter 与 post-filter 的召回和延迟差异。量化节省多少内存取决于原始精度、码本和元数据；DiskANN 也不只用于某个固定数量级。任何“提升召回”的策略都应相对精确近邻和端到…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：…可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂直领域领域微调（如法律、医疗）用领域数据微调通用模型关键考量：维度（通常768/1024/1536）、上下文长度（512-8k）、是否支持指令式嵌入（如BGE的Represent this sentence...）二、文本分块策略常见方法：固定长度分块：按token数切分，长度作为候选变量；实现简单但可能切断语义递归分块：先按段落/句子切，超…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…特点通用中文 BGE-M3、GTE 开源、效果稳定中英混合 E5-mistral、BGE-large 跨语言对齐好垂直领域领域微调（如法律、医疗）术语理解更准确选型核心：MTEB榜单参考 + 业务数据实测召回率 3. 嵌入生成与优化批处理推理：GPU批量编码，避免单条推理开销向量归一化：L2归一化后，余弦相似度等价于点积，加速检索维度压缩：必要时用PCA或量化（如1024→256维），权衡精度与存储 4. 质量保障离线评估：Top-K召回率、MRR指标在…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…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-Encoder打分，…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Doc）处理口语化输入，如"心跳快"→"心动过速" 三…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…低分case自动入库，定期review 解决优先级数据层：清洗脏数据，补充缺失知识（最快见效）检索层：调优embedding（领域微调）、重排序模型、混合检索权重生成层：prompt工程约束引用格式、尝试RAG-specific微调

#字节#RAG 上下文不准确#RAG 诊断

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：…Embedding模型设计场景策略说明通用对话直接用BGE/M3E等开源模型成本低，基线可用垂直领域（如高德地图）领域微调用历史对话数据做对比学习，强化地点、路线、偏好等语义多任务目标联合训练同时优化检索相关性+对话连贯性+用户满意度预测关键：Agent记忆Embedding需捕捉"意图"而非仅字面，建议加入对话上下文作为输入。 Chunk粒度设计粗粒度（整轮对话）：保留完整上下文，适合检索"某次完整交互" 细粒度（句子/意图单元）：精准定位，适合…

#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：…5-mistral、BGE-M3 优化技巧对Query和Document分别设计Prompt前缀（如"为这个句子生成表示："）领域微调：用对比学习（In-batch Negatives+Hard Negatives）提升相关性四、索引构建向量索引 HNSW：高召回、内存占用大，适合百万级 IVF-PQ：磁盘友好，适合亿级规模 Milvus/Pinecone：托管方案，自动分片增强索引稀疏向量：BM25倒排索引，与稠密向量做混合检索元数据过滤：按时间、来源、标签预…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配正文：…型维度 1. 语义质量指标 MTEB榜单排名：参考检索、重排序、聚类等任务的综合表现领域适配性：通用模型（如BGE、E5）vs 领域微调模型（如GTE-medical）上下文长度：支持512/2048/8k tokens，长文档需截断或分层处理 2. 工程性能指标向量维度：常见768/1024，维度↑精度微增但存储和计算成本线性↑ 推理速度：batch处理吞吐量（QPS），影响实时索引构建模型大小：小模型（如MiniLM 22MB）适合边缘部署，大模型（如GTE-la…

#百度#评估与监控#向量检索

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…题与文档表述方式差异大，字面匹配失败根源：Embedding的语义空间对齐不足；跨领域、跨粒度（词级vs概念级）匹配困难改进：领域微调Embedding模型；HyDE（假设文档嵌入）用生成式查询替代原始问题；引入知识图谱做实体链接和关系推理（GraphRAG方向）进阶方向 GraphRAG通过构建实体关系图，将"平面检索"升级为"结构化推理"，从根本上缓解语义鸿沟和上下文碎片化，但成本更高，适合复杂多跳问答场景。学习建议掌握RAG基本流程，结合实际案例理解检索与生成…

#淘天#知识图谱#RAG 痛点

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…rompt + 引用约束应用层：对话管理、权限控制、审核反馈检索模块设计多路召回向量检索：Dense Embedding（领域微调，如E5-Mistral-medical）关键词检索：BM25 + 领域同义词词典（如ICD-10编码映射）结构化检索：SQL/图查询针对法条层级、药品属性精排与过滤 Cross-Encoder重排序时效性过滤（法律：优先现行有效；医疗：优先近3年指南）权威性分级（法规 > 专家共识 > 文献）生成模块 Prompt设计你是{…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…制人工确认众包+专家双审：初级审核员筛查，领域专家终审 4. 索引架构（三级）层级作用技术选型一级：向量索引语义召回领域微调Embedding + 混合检索二级：关键词索引精确匹配（药品名、法条号） Elasticsearch 三级：知识图谱关联推理（禁忌症、判例引用） Neo4j 合规性保障机制溯源强制：每个回答附带原文片段+文档版本+页码权限控制：敏感内容按角色脱敏（患者/医生/律师可见层级不同）审计闭环：用户查询→检索片段→生成结果全链路日志…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = score_s…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：Cross-encode…

#字节#重排与优化#RAG 链路优化

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：…挤出单一向量检索的召回率瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词检索，结果融合多向量表示：ColBERT细粒度交互，解决"粗粒度向量"匹配失效 2. 查询侧优化查询改写：用LLM扩展同义词、澄清歧义（HyDE：生成假设文档再检索）查询分解：复杂问题拆分子查询，多轮检索聚合 3. 重排序（Rerank）引入轻量级交叉编码器（Cross-Encoder）…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…输出）上下文压缩：检索结果去重、摘要提取，避免超长context稀释注意力引用生成：强制模型输出引用标记，便于溯源和事实校验领域微调：用高质量RAG数据对基座模型SFT，提升利用检索信息的能力四、评估与迭代闭环离线评估检索：Recall@K、MRR 端到端：Answer Correctness（用GPT-4判题）、Faithfulness（幻觉检测）在线评估用户满意度、点击率、人工标注bad case回流关键：建立可量化的业务指标（如客服场景的问题解决率） …

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…主题边界）、滑动窗口重叠、递归分块、特定格式（Markdown/代码）保留结构避免语义截断，提升召回完整度 Embedding 领域微调Embedding模型（如BGE、GTE）、多向量表示（ColBERT）、HyDE（假设文档嵌入）提升语义匹配精度检索策略混合检索（向量+关键词BM25）、多路召回、查询扩展（同义词/LLM改写）、多轮对话历史压缩覆盖长尾查询，解决词汇不匹配重排序交叉编码器（Cross-Encoder，如bge-reranker）、LLM-ba…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏智能分块策略语义分块：用领域微调的小模型做句子边界识别，非固定长度结构感知：按章节/条款切分，保留父子层级关系用于后续递归检索多粒度冗余：同一内容生成256/512/1024三种chunk，适配不同查询深度二、检索优化层多路召回召回通道适用场景实现方式向量检索语义相关领域微调Embedding + HNSW索引关键词检索精确匹配 BM25 + 领域…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…检索元数据增强：添加时间、来源、类别等标签用于过滤 2. Embedding与向量化核心问题：领域适配和表征质量优化策略：领域微调：用对比学习在业务数据上微调Embedding模型多向量表征：一个文档生成多个向量（摘要、关键词、详细内容）稀疏-稠密混合：结合BM25和向量检索的优势 3. 向量检索核心问题：召回率和延迟的权衡优化策略：索引优化：HNSW参数调优（ef_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 +…

#虾皮#RAG全链路优化#RAG 流程优化