匹配正文：…st、nprobe，以及 PQ 码长共同决定构建成本、延迟与召回。应扫参绘制 Pareto 曲线，而非使用固定比例。两阶段检索：ANN 先取较大候选集，再用原始向量、cross-encoder 或任务分数精排，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…

#百度#文档处理#RAG ANN 索引优化

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：答案要点明确ANN索引构建的完整流程（数据准备→算法选择→参数调优→持久化部署）能对比主流算法（HNSW/IVF/LSH）的适用场景和trade-off 理解量化压缩（PQ/SQ）在内存与精度间的平衡知道索引更新的策略（增量vs重建）提及实际工具选型（FAISS/Milvus/Pinecone等） ANN索引构建完整流程 1. 数据准备阶段向量归一化：统一维度，处理缺失值，L2归一化（余弦相似度场景）数据分区：按业务维度分片（如按用户/类目），降低单次搜索规模采…

#拼多多#ANN索引构建#ANN 索引构建

面试题·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配正文：FAISS 解决什么问题 FAISS 提供高维向量的相似度搜索与聚类实现，既支持 Flat 精确搜索，也支持多种近似最近邻索引。Flat 会计算查询与全部向量的距离，结果精确且可作为评测基线；当数据规模、维度或 QPS 超出预算时，再用 ANN 在召回率、延迟与内存之间取舍，不能笼统说精确搜索一定不可行。 IVF：减少候选比较 IVF 用聚类中心把向量分配到倒排列表。查询先找近邻中心，再只扫描 nprobe 个列表中的候选。增大 nprobe 往往提高召回但增加计算；实际复杂…

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

#向量检索#近似最近邻搜索#量化压缩

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…由模型输入限制、文档结构和同一评测集上的证据完整率、召回与成本决定嵌入模型编码：将文本映射为稠密向量（通常768或1024维）索引构建：选择ANN算法（HNSW、IVF-PQ等）建立可高效检索的数据结构二、常用嵌入模型对比模型特点适用场景 OpenAI text-embedding-3 语义质量高，API易用，按token计费快速验证、中小规模、预算充足 BGE/M3E（开源）中文优化好，可本地部署，成本可控大规模生产、隐私敏感场景 E5/GTE 长文本支持…

#字节#向量检索#Chunk 向量化

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配正文：答案要点理解Embedding将语义映射到高维空间的本质掌握HNSW、IVF等ANN索引的核心思想能区分内积、余弦、欧氏距离等相似度计算的适用场景了解检索的完整流程和性能权衡核心原理 Embedding检索的本质是语义空间中的最近邻搜索，把"找相似文本"转化为"找相近向量"。三个关键环节 1. 向量化（Representation）用预训练模型（BERT、Sentence-BERT、OpenAI API等）将文本编码为稠密向量关键特性：语义相近的文本在向量空间…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：…图。质量变化与实际节省均须评测。动态阈值：根据查询复杂度自适应调整搜索深度结果缓存：高频query直接走缓存，冷门query走ANN 参考资料 Faiss官方索引结构与存储口径 Faiss官方index_factory与粗量化器 Faiss官方内积、余弦与L2关系 Sentence Transformers官方Embedding量化与校准 Faiss官方向量codec对称/非对称检索评估

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…用；继续提高并发，也可能只是在上游形成更长排队。通过队列长度、资源使用率、吞吐与尾延迟的同步变化，才能找到拐点。检索阶段慢，先看索引还是先扩容？检索优化里常见的 ANN 索引、分区、过滤、批量查询和并发连接，解决的问题并不相同。 ANN 索引用近似搜索换取速度。HNSW、IVF 等索引都有搜索宽度和构建参数，调得更激进通常会影响召回。因此索引优化必须和固定评测集绑定。每次改变参数，都要检查正确证据是否仍进入前 K 条。查询快了但 Recall@K 下降，首字改善可能换来…

#RAG#评测与上线#RAG 首字响应

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配正文：…H）理解各方法的时空复杂度权衡能结合实际场景（如RAG中的百万/十亿级检索）给出选型建议了解工业界的优化手段（如乘积量化+图索引的混合方案）向量相似度检索的核心矛盾是精确性与效率的权衡。高维空间下精确最近邻复杂度O(n)，必须依赖近似最近邻（ANN）算法。四大范式如下：一、基于树结构：空间划分思想代表算法：KD-Tree、Ball Tree、Annoy（随机投影树）核心思想：递归划分空间，查询时剪枝遍历局限：高维下"维度灾难"，效果急剧下降（>20维基本失效）…

#百度#ANN索引#向量检索方法

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配正文：精确检索与 ANN 查询和文档向量采用与模型训练一致的归一化与距离度量。Flat 搜索给出精确基线，但计算随向量数量线性增长；大规模场景通常使用近似最近邻索引。 HNSW：多层导航图，查询延迟低、召回高，代价是图结构内存与构建成本；主要通过 M、efConstruction 和查询 ef 调节。 IVF：先聚类分桶，查询时探测部分桶；nlist 与 nprobe 控制候选范围。 PQ/IVF-PQ：对向量子空间量化以减少存储和带宽，但会引入距离误差。混合架构：热冷分层、稀疏…

#安克科技#ANN性能权衡#RAG 向量匹配

系统教程·检索

向量检索面试题大全

匹配正文：向量检索是 RAG 的底座。真正的面试追问会从“怎么存向量”一路问到“怎么分块、怎么建索引、怎么评估召回、为什么这条没有召回”。这页把检索底层问题串起来。配套教程 RAG 教程第 4 章：Embedding 选型与向量库索引 RAG 教程第 3 章：文档分块与解析流水线知识模块 Embedding、向量数据库与 ANN 索引 Embedding、向量数据库与 ANN 索引文档解析、Chunking 与元数据文档解析、Chunking 与元数据常见问题向量检索面试怎…

#专题学习#向量检索面试题大全

面试题·检索

向量数据库和普通数据库有什么区别?

匹配正文：…这类精确问题，向量数据库回答"和它最像的是哪几条"这类语义问题逐条暴力比对是 O(N)，千万级向量下每次查询都算不动，所以要用 ANN（近似最近邻） ANN 的思路是提前建好索引，查询时只看一小部分"候选区域"，用少量精度换几个数量级的速度常见索引：HNSW（分层图）、IVF（先聚类再查桶）、PQ（压缩向量省内存）核心概念向量数据库是一类专门存储高维向量、并按"相似度"进行检索的数据库：文本、图片先经过 embedding 模型编码成几百到几千维的向量，语义越接近的内…

#入门#基础概念#向量数据库

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…"苹果"歧义无法区分。二、语义匹配：跨越词汇鸿沟稠密向量检索（Dense Retrieval）查询和文档分别编码为向量，用 ANN（近似最近邻）快速检索代表：DPR、Contriever，采用双塔架构——编码器分离，可离线建索引，毫秒级响应三、深度学习精排：BERT 及其变体交互式架构（Cross-Encoder）拼接 [CLS] Query [SEP] Doc [SEP] 输入 BERT 取 [CLS] 输出过 MLP 得相关性分数效果最优但计算昂贵，仅…

#OPPO#查询文档相关性#语义匹配

面试题·检索· 字节

召回模型怎么搭建?

匹配正文：…e-off 实时增量新物料秒级入库需支持HNSW的动态增删或定期重建工程实践：Item向量离线预计算，User向量实时推理；索引按类目/热度分片，降低检索空间。链路解耦离线：全量Item编码 → 构建Faiss/Milvus索引 → 推送至KV/Redis 在线：User实时特征 → 塔模型推理 → ANN检索TopK → 粗排过滤学习建议建议系统学习该知识点

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：…(query,doc)配对前向；一条query对N文档为N次配对，N句全两两比较才是约O(N²)对。SBERT可预计算文档表示，但ANN检索成本另计。 Sentence-BERT的双塔设计 Tower A (Query) ──→ 固定编码器 ──→ 向量v₁ ──┐ ├──→ 余弦相似度计算 Tower B (Doc) ──→ 共享权重编码器 ──→ 向量v₂ ──┘ 离线编码文档：文档向量预计算存入向量库在线编码查询：仅编码query，实时检索Top-K 向量维度的影响 …

#小米#向量检索#Embedding 向量维度选型

面试题·检索· 百度

向量召回实现方式有哪些?

匹配正文：…点能列举至少3种主流向量检索算法（如HNSW、IVF、LSH、PQ等）能对比不同方法在召回率、延迟、内存占用上的权衡能说明建索引和查询的复杂度差异能结合场景说明选型依据（如实时性要求、数据规模、精度要求）向量检索的核心是近似最近邻（ANN）搜索，常用实现方式可分为以下几类： 1. 基于图的方法：HNSW 原理：构建多层导航图，高层稀疏快速定位，底层稠密精确搜索特点：召回率高（>95%）、查询快（毫秒级），但内存占用大、建索引慢适用：中等规模（千万级）、对延迟敏感…

#百度#向量检索#向量召回方法

面试题·检索· 百度

向量召回原理与实现?

匹配正文：答案要点向量嵌入将文本/数据映射到语义空间相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似…

#百度#向量召回#向量召回原理

面试题·检索· 百度

向量检索基本原理是什么?

匹配正文：…训练目标支持时才应使用。欧氏距离适用于按该几何关系训练或验证过的表示，不能只凭经验替换。 4. 在线链路与评测查询编码后进入 ANN 搜索，得到候选，再结合元数据过滤、重排或业务规则返回 Top-K。用精确搜索作为基线评估 ANN Recall@K，并同时看最终证据召回、延迟、内存、构建时间和更新成本。结论：向量检索是 embedding、度量、索引和重排共同组成的链路，索引参数不能弥补表示或分块错误。图解向量检索基本原理是什么?图解

#百度#向量索引#向量检索原理

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…能召回"未成年人意外伤害"),但对低频专有名词不准,比如"核辐射",纯向量可能召回到"辐射""核武器"这些沾边但不对的内容。倒排索引 / BM25(关键词):按词建索引,靠"字面命中"找。擅长专有名词、编号、数字("第3条""等待期"又快又准),但不懂近义("推销"匹配不到"销售")。这里还有个绕不开的词:向量库在较大规模向量中找"最相近",常会使用 ANN(近似最近邻,Approximate Nearest Neighbor),避免逐条精确计算。它用可接受的召回损失换查…

#RAG#检索#项目实战

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…/ E5 / GTE / Jina / OpenAI),并知道向量维度(768/1024/1536)怎么取舍 ✓ 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…

#RAG#检索#项目实战

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…到门槛后,还要验证延迟和并发。缓存是候选手段之一,是否值得做取决于重复查询比例、数据新鲜度和一致性要求: 上线优化:三层缓存 + ANN + 并发 + 流式三层缓存(按需选择):① Embedding 缓存(重复 query 不重算)② 检索结果缓存(热门问题复用文档列表)③ 答案缓存(适合答案稳定、可正确失效的 FAQ)。可用 Redis 等缓存实现并设置 TTL,同时验证命中率与陈旧风险。 ANN 索引(HNSW):减少需要精确比较的候选;召回与延迟收益受规模、硬件和参…

#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：…每次提问都要把同一个 Query 分别与每条 Chunk 组成输入，再逐对推理。语料越多，成对计算越多。更关键的是，它无法像向量索引那样提前把文档变成可快速搜索的固定表示。这会让一次在线查询的成本随候选规模明显增长，也失去了近似最近邻索引快速缩小范围的意义。合理的链路更像漏斗。第一层先根据知识库、文档状态和权限限定搜索范围。第二层用 BM25、向量或混合检索快速取得一批候选。第三层对候选执行 Rerank，重新计算相关性顺序。第四层根据分数、来源和上下文预算截取…

#RAG#检索与重排#RAG Rerank

面试题·多模态· 得物

多模态异构数据怎么统一存储?

匹配口述回答：…降低训练成本；如果数据量和任务支持，也可以联合微调部分基座。所谓“冻结投影层同时训练对齐”自相矛盾，必须明确究竟哪些参数在更新。索引有两条路线。对齐证据充分时，可以把不同模态映射到共同空间并使用统一ANN索引，支持文搜图、图搜文等跨模态查询。若还没有可靠共同空间，应按模态维护独立索引，各自取候选，再做late fusion。各索引的原始相似度没有天然共同标尺，需要在验证集上做温度或分位数校准，也可用reciprocal rank fusion，或者训练融合器和reranke…

#多模态融合#特征对齐#向量数据库

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配正文：…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相似记忆关键词召回：BM25覆盖精确匹配场景图遍历召回：基于实体关系扩展相关记忆相关…

#字节#蚂蚁#向量检索

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…多语言场景需确认模型跨语言对齐能力 3. 向量数据库核心配置参数作用典型设置索引类型 HNSW（高召回）vs IVF（快建索引） HNSW，ef_construction=200 距离度量余弦相似度 / 内积 / L2 余弦相似度最常用 Top-K 召回数量 10-50，结合Rerank用 4. 协同工作机制 Embedding模型负责语义空间映射：将文本转为稠密向量，保证语义相近文本在向量空间邻近向量数据库负责高效最近邻搜索：通过近似最近邻（ANN）算法，在百万…

#字节#文档处理#向量检索