匹配正文：📊 学习时长:50-65 分钟 🎯 完成后能力:能亲手写出 BM25,讲清为什么要"向量 + 关键词"混合检索,以及分数怎么融合 🔗 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:用纯 Python 实现关键词检索的标准算法 BM25,并看清它的强项和硬伤 ✓ 看懂为什么真实系统要"双路召回":向量检索 + 关键词检索一起上 ✓ 理解 BM25 相比 TF-IDF 强在哪(词频饱和、文档长度归一) ✓ 学会两套分…

#RAG#检索#项目实战

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：面试官问：“RAG 为什么要同时使用 BM25 和向量检索？” 一个常见回答是：“BM25 找关键词，向量检索找语义，两路一起用，召回效果更好。”这个回答讲到了两种检索方式，但还没有回答三个问题：两路分别会漏掉什么、找回的内容怎样排到一起，以及如何证明多跑一路确实有价值。面试官通常会顺着这三个问题继续问：只用 BM25 或只用向量检索，各自会在哪类问题上漏掉正确原文？两路分数不是同一把尺子，结果怎样合并，为什么还要重新排序？你怎样用一批带正确原文的问题，证明混合检索确…

#RAG#检索与重排#RAG 混合检索

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：核心差异定位下表只比较BGE-M3的dense模式与BM25。BGE-M3官方还支持sparse与multi-vector检索，不能把整个模型等同于单一稠密检索。维度 BGE-M3（稠密向量） BM25（稀疏词频）匹配方式语义相似度（cosine）精确词项匹配优势场景同义改写、跨语言、长语义理解专有名词、短查询、实时性要求高典型短板冷启动、罕见实体、计算开销语义鸿沟、词形变化敏感关键评估指标质量指标 Recall@k：前k个结果命中的相关文档数 / …

第 1 / 9 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

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…语义匹配、长文档理解、跨表述查询（如"苹果价格"→"iPhone多少钱"）考量：对短查询效果差，需配合查询扩展 2. 稀疏检索（BM25/TF-IDF）技术：Elasticsearch、Lucene倒排索引场景：关键词精确匹配、ID查询、数字/专有名词检索考量：零成本、可解释性强，但语义理解弱 3. 混合检索（Hybrid）做法：向量+稀疏双路召回，RRF或线性加权融合场景：通用RAG系统标配，兼顾语义与精确匹配关键：融合权重需根据业务调优，通常α=0.5-0.…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：整体架构 Query ├─ BM25 稀疏召回 └─ 向量稠密召回 ↓ 去重与排名融合 ↓ Cross-Encoder 重排小候选集 ↓ Top-K 三类组件的分工 BM25：利用词项匹配、IDF 和长度归一化，擅长专有名词、编号、短语和必须字面命中的查询；速度取决于索引、语料与部署，不能称为“零延迟”。向量召回：用 embedding 表达语义相似，能补充同义改写和字面不重合的结果，但可能弱化精确实体或数值约束。 Cross-Encoder：联合编码 query-docu…

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：BM25 的核心思想 BM25 是经典概率相关性排序方法之一，对每个查询词累加 IDF 权重，并用可调的词频饱和与文档长度归一化控制得分。常用形式为： \text{Score}(D,Q)=\sum_{q_i\in Q}\text{IDF}(q_i)\cdot\frac{f(q_i,D)(k_1+1)}{f(q_i,D)+k_1(1-b+b|D|/\text{avgdl})} 实践中常用非负 IDF 变体，例如 \log(1+(N-n_i+0.5)/(n_i+0.5))；具体公…

#美团#BM25#BM25 算法原理

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：三种检索方法的核心原理 BM25（稀疏检索）基于词频(TF)和逆文档频率(IDF)计算相关性得分公式核心：score = Σ IDF(q_i) * (f(q_i)*(k1+1)) / (f(q_i)+k1*(1-b+b*dl/avgdl)) 本质是精确关键词匹配，对高频词有惩罚，对文档长度做归一化向量检索（稠密检索）用BERT等编码器将查询和文档映射到同一语义空间通过余弦相似度或点积计算语义相关性能捕捉同义词、上下位词等语义关系，如"苹果手机"≈"iPhone" …

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配正文：BM25 评分常用 Okapi BM25 形式为： score(D,Q)=Σ IDF(q) × f(q,D)(k1+1) / [f(q,D)+k1(1-b+b|D|/avgdl)] 其中 f(q,D) 是词频，|D| 与 avgdl 是当前文档和语料平均长度，k1 控制词频饱和速度，b 控制长度归一化强度。IDF 有多种实现；原始概率形式可写为 log((N-n+0.5)/(n+0.5))，也有 log(1+(N-n+0.5)/(n+0.5)) 等非负变体。回答时应说明所用…

#美团#BM25#BM25 算法原理

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：BM25核心原理 BM25（Best Match 25）是概率检索框架下的经典算法，核心思想：词频贡献存在饱和效应，文档长度需要归一化。数学公式 score(D,Q) = \sum_{i=1}^{n} IDF(q_i) \cdot \frac{f(q_i,D) \cdot (k_1+1)}{f(q_i,D) + k_1 \cdot (1-b+b\cdot\frac{|D|}{avgdl})} 其中： f(q_i,D)：词项q_i在文档D中的词频 |D|：文档长度，avgdl…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配正文：BM25核心原理 BM25（Best Match 25）是概率检索框架下的经典算法，核心思想：词频贡献存在上限，文档长度需要归一化。评分公式 \text{score}(D,Q) = \sum_{i=1}^{n} \text{IDF}(q_i) \cdot \frac{f(q_i,D) \cdot (k_1+1)}{f(q_i,D) + k_1 \cdot (1-b+b\cdot\frac{|D|}{\text{avgdl}})} 三个关键组件： IDF：逆文档频率，惩罚常见…

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：答案要点理解BM25的核心思想：基于概率检索框架，引入饱和函数控制词频影响掌握BM25的完整数学公式及各参数含义（k1, b）能对比BM25与TF-IDF的优劣（BM25对长文档更友好、有非线性饱和）了解BM25在RAG中的典型应用场景（粗排、混合检索）知道BM25的局限性（语义理解缺失，需配合向量检索）核心思想 BM25（Best Match 25）是基于概率检索框架的改进算法，核心洞察：词频贡献存在饱和效应——一个词出现10次和100次的区分度，远不如出现1次…

#高德#BM25评分公式#BM25 算法原理

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：为什么不能只取并集 BM25 和向量检索适合放在同一条在线召回链路中，因为两路检索擅长的问题不同。 BM25 更重视字面命中。查询里出现制度名称、专有名词、编号、缩写或某个精确短语时，它能把包含这些词的文档拉回来。向量检索更重视语义接近。用户使用口语、同义表达或较长的问题描述时，即使文档没有出现完全相同的词，也可能被召回。两路结果取并集，可以扩大候选覆盖，却还没有回答“谁应该排在前面”。如果直接按 BM25 列表在前、向量列表在后，排序偏向第一路；如果轮流抽一条，两个检索器…

#RAG#检索与重排#RRF

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解释性好语义鸿沟，同义词失效专业术语、ID类查询混合检索稠密+稀疏融合兼顾语义与精准系统复杂，融合策略需调优通用生产环境首选图检索实体关系遍历多跳推理强构建成本高，延迟大知识图谱场景技术选型考量数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：为什么要混合检索稀疏检索和稠密检索利用的信号不同：BM25 擅长实体名、编号、错误码和查询词共现；双塔向量检索能够召回词面不同但语义接近的文本。二者都可能失败，混合检索的价值是扩大互补覆盖，而不是保证每个查询都优于单路。两类检索与分数 Sparse/BM25 基于倒排索引，对查询词的 IDF、文档内词频饱和和长度归一化加权。分数受实现、语料统计和查询长度影响，没有可跨系统直接比较的固定尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 小红书

中文知识库检索选型

匹配正文：RAG检索方法主要分为稀疏检索和稠密检索两类，实际生产环境常采用混合方案。一、稀疏检索：BM25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Ret…

#小红书#稀疏与稠密检索#中文知识库检索选型

项目实战·RAG

RAG 智能问答系统

匹配正文：…章:RAG 整体架构第 3 章:文档预处理与切分第 4 章:Embedding 选型与向量化第 5 章:检索召回,混合检索(BM25 + 向量) 第 6 章:重排(Rerank)与检索优化第 7 章:Query 理解与改写第 8 章:多轮对话与记忆管理第 9 章:上下文问答与引用溯源第 10 章:系统评估与上线优化附录:把这个 RAG 项目写进简历 & 面试应答配套代码打开 rag-from-zero 代码仓库想跟着老师完成项目需要项目实现、代码复盘和…

#项目实战#RAG 智能问答系统

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：…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，先在纸上…

#RAG#项目深挖#教学复原

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：… 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 1. ownership · ownership 简历原句是“【自己的真实项目描述】”。BM25、向量召回、融合和重排中，哪些组件及参数由你负责？考察重点：核验项目所有权，避免把团队或平台成果当作个…

#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：…排”，而是“在可接受延迟内提升有效上下文”。混合检索和重排怎么配合？混合检索负责扩大候选，重排负责统一相关性判断。常见做法是 BM25 + 向量召回后 RRF 融合，再用 reranker 精排前几十条。继续学习 RAG 面试题大全与知识体系系统设计：把检索链路做成可评估系统

#专题学习#重排与检索优化面试题大全

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…成一批经过解析、切分并写入索引的文档块); 你写的 retrieve = 真实系统的检索模块(把"关键词匹配"换成"向量检索 + BM25",第 4、5 章); 你写的 answer 里"把 context 当依据" = 真实系统的上下文拼接 + 生成(换成 Prompt 工程 + 真·大模型,第 9 章)。换句话说:你这 20 行代码演示的是 RAG 的最小逻辑骨架;后面 9 章会逐步补上解析、切分、索引、评估和引用等工程环节。它不是生产系统,但能帮助你理解生产系统为什么…

#RAG#检索#项目实战

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…hunk。这里用最朴素的相似度:query 里有多少个字在 chunk 文本里出现过。真实系统换成向量相似度(第 4 章)+ BM25 关键词打分(第 5 章)。 """ scored = [] for item in index: # 命中数:query 的每个字,只要在这个 chunk 文本里出现就 +1 hit = sum(1 for ch in query if ch in item["text"]) scored.append((hit, item)) # 按命…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…bedding 选型 chunk size 为什么这么设? overlap 怎么定? 下午加混合检索、重排或 Query 改写 BM25 和向量检索怎么融合? RRF 的 k 怎么解释? 晚些做评估集和错误分类 Recall@k、MRR、答案正确率怎么量化? 发布前加引用溯源、拒答、权限过滤没依据时怎么拒答? 不同用户能不能看到同一份文档? RAG 很适合后端转型,因为它一半是数据管线和服务系统,一半是模型行为。站内的RAG 智能问答系统就是按这个链路设计的:从文档处…

#求职#职业转型

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…关卡,用更强但更慢的模型,把这批候选重新排一次序,把最相关的几条顶到前面。概念 2:为什么粗排会排错? 第 5 章的向量检索和 BM25 都是独立打分的,只看 query 和单个 doc 各自的相似度/词面命中,读不懂 query 和 doc 之间的"关系"。于是一个字面很像、意思却相反的文档(比如"免责条款")可能拿到高分。粗排独立打分,读不懂 query 和 doc 的关系概念 3:什么是 Cross-Encoder? Cross-Encoder(交叉编码)是精排最…

#RAG#检索#项目实战

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…,要么超长、要么粒度太粗,检索不准。关联面试题「RAG 的完整流程是什么?检索质量怎么优化?」「为什么需要混合检索?向量和 BM25 各自的短板是什么?」 👉 去题库搜 RAG / 混合检索 / 重排 / 切分。训练营延伸课程项目继续练习多格式入库、检索评测、权限与部署的工程闭环。可以先阅读公开项目教程，再根据自己的基础了解具体课程安排。参考资料 OpenAI embedding 接口与模型 DeepSeek 的接口与模型入口

#Agent#AI 编程