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· 字节

BM25/向量/混合检索选型

匹配正文：…（Cross-encoder）掌握查询改写/扩展技术（HyDE、多查询）能结合业务场景说明选型依据核心检索方法及选型 1. 向量检索（Dense Retrieval）技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/Faiss）场景：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、L…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·文档处理· 字节

RAG 向量索引构建流程详解

… HNSW（图索引，高召回低延迟）索引优化实践：量化压缩：PQ（乘积量化）降存储，IVF-PQ平衡精度与内存多阶段检索：可用BM25/稠密向量召回，再用Cross-Encoder或ColBERT等方案重排；ColBERT是token多向量late interaction，不等同普通单向量稠密精排。增量更新：避免全量重建，用HNSW的动态插入或定期merge 五、效果验证闭环建立端到端评测：用真实query测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块…

第 1 / 6 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

匹配正文：

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：… 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，在百万/千万级向量中毫秒级返回结果 5. 效果优化关键相似度阈值过滤：低于阈值的结果直接丢弃，避免引入无关内容 Rerank环节：用Cross-Encoder对召回结果精排，显著提升准确性混合检索：向量语义检索 + BM25关键词检索融合，互补覆盖…

#字节#文档处理#向量检索

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：…调，缩小语义鸿沟动态更新：商品/内容Embedding随属性变化及时刷新，避免语义漂移 2. 多路召回策略召回方式适用场景向量召回语义相似，理解用户意图关键词/BM25 精确匹配，保证核心词命中倒排索引结构化属性过滤（价格、距离等）图召回用户行为相似推荐各路召回结果融合时，用加权或机器学习模型做初选 3. 重排序（Rerank）精排粗排：向量相似度Top-K快速筛选精排：Cross-Encoder交互式模型（如BGE-Reranker）计算查询-文档…

#美团#向量检索准确性#向量检索相关性

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：答案要点向量检索优化：HNSW索引、量化压缩、分区策略重排序策略：Cross-Encoder、ColBERT、多阶段排序查询扩展：HyDE、Query Rewriting、子查询分解混合检索方案：向量+关键词融合实际落地中的工程权衡一、向量检索优化索引层面 HNSW（Hierarchical Navigable Small World）：主流近似最近邻算法，平衡召回与速度；关键参数M（邻居数）和ef（搜索宽度）需根据数据规模调优量化压缩：PQ（Product …

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…sticsearch）→ 语义召回Top-K 过滤层：关系型数据库（MySQL/PostgreSQL）→ 元数据精确过滤重排层：Cross-encoder/BGE-reranker → 精排生成层：LLM → 最终答案结构化+非结构化融合策略：多路召回（Multi-way Retrieval）向量检索：用户问题embedding → 语义相关文档关键词检索：BM25/倒排索引 → 精确匹配实体结构化查询：SQL过滤时间、品类、权限等元数据增强向量检索向量存储…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…或近似最近邻索引（HNSW、IVF） HNSW：图索引，查询快、精度高，适合动态更新场景 3. 查询检索（在线）查询向量化：同一Embedding模型编码，保证查询-文档同空间 ANN检索：Top-K近似最近邻，非暴力全量计算相似度计算：余弦相似度 = (A·B)/(||A||·||B||)，值域[-1,1]，实际取Top-K 关键优化点优化方向具体手段召回质量混合检索（向量+关键词BM25）、查询改写、多向量表示精度提升两阶段检索（粗排+精排/Cross-E…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…改写：扩展同义词、纠错、补全上下文（如HyDE生成假设文档）意图识别：区分事实查询/摘要/对比类问题，路由到不同检索策略 2. 向量检索执行索引结构：HNSW（高召回+速度平衡）、IVF-PQ（超大规模）、DiskANN（内存受限）参数调优：ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sparse Ret…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…力搜索，精度最高）距离度量：余弦相似度（方向一致即可）、欧氏距离（绝对位置重要）、内积（带模长信息）检索流程：查询文本 → Embedding模型 → 查询向量 q ANN索引快速召回Top-K候选（如HNSW的ef_search参数控制深度）可选：重排序（Cross-Encoder精排）提升精度四、生产优化要点混合检索：向量相似度 + BM25关键词召回，融合排序（RRF算法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…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：不同 embedding 模型、不同切分粒度并行召回粗排→精排：先用轻量模型快速筛选，再用 Cross-Encoder 精排 3. 文档侧处理动态上下文压缩：用 LLM 提取关键片段，去除冗余元信息过滤：按时间、来源等标签预过滤索引优化：调整 chunk 大小和重叠策略，关键信息不…

#字节#检索故障诊断#检索质量优化

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配口述回答：…ecall@K和延迟，通过才原子切换。检索阶段，我通常用[[混合检索]]加[[重排]]两步走。先用Hybrid Search，把向量相似度和[[BM25]]关键词分数加权融合，比如alpha=0.7，兼顾语义和精确匹配。然后对top 100候选用[[Cross-Encoder]]重排，比如bge-reranker-base，精排到top 10。这样延迟不会太高，但召回和精度都稳。这里有个风险：如果知识库里有大量相似文档，比如不同版本的合同，重排后可能还是混淆，我会加元数据过…

#字节#文档处理#向量检索

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：…24，上下文长度够用。但如果业务是多语言，比如要检索中英文混合的文档，那E5-multilingual或者OpenAI的text-embedding-3更合适，跨语言对齐能力更强。再一个，如果是垂直领域，比如法律合同或者医疗报告，通用模型效果会打折扣，我倾向拿领域数据微调一下，哪怕只微调几百条，语义匹配的精度提升也很明显。这里有个边界：如果文档本身是结构化或者关键词密集的，比如订单号、错误码，那向量搜索不一定比[[BM25]]好，[[混合检索]]才是正解。然后说文本[[分块…

#安克科技#RAG 向量化#Embedding 模型

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：…：语言覆盖：纯中文→BGE/GTE；中英混合→BCEmbedding或微调上下文长度：短文本（512）vs 长文档（8K+）向量维度：768/1024常见，维度越高存储成本越大推理成本：边缘端选小模型（如bge-small），服务端可选大模型进阶优化：垂直领域建议用领域数据做对比学习微调重排序（Rerank）阶段可用Cross-Encoder提升精度一句话总结通用场景选BGE-large，长文本选GTE，成本敏感选M3E，中英混合做微调——没有最好，只有最适…

#百度#文本嵌入模型#Embedding 模型对比

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配口述回答：…法用精确条件表达的东西。比如用户说“上次我有个类似的退款问题”，你没法用SQL的where条件去匹配，因为关键词不一定对得上。所以向量数据库解决的是语义检索，不是精确查询。但真正落地的时候，它跟关键词检索不是二选一，而是互补的。我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，比如先用[[BM25]]粗筛，再用向量精排，这样既能处理同义改写，又能保证高频词不丢。 [[Embedding]]模型的选择，我主要看几个前提。先说领域适配，通用场景我用BGE或…

#高德#Agent#向量数据库 Agent

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…文档里的关键信息被埋没。我上线前会用一批真实query做A/B测试，观察不同b值下长文档的召回率变化，找到一个平衡点。所以我会把BM25看作关键词检索的一个成熟基线，尤其在冷启动或者小样本场景下比纯向量检索靠谱。但真要上线，我更倾向混合检索加 [[Rerank]]，先用BM25和向量召回来个粗排，再用 [[Cross-Encoder]] 精排，这样精度和召回都能兼顾。一句话定位：BM25解决词频和长度问题公式拆解：饱和函数和长度归一化对比TF-IDF的改进点业务场景…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…删除，软删除与重建是一种方案；其它向量库是否支持修复图结构后的删除，要看具体实现，不能一概断言直接删除必崩。再来看召回策略。单靠向量检索有时候不够稳，比如用户搜一个很冷门的实体词，向量可能找不到，但关键词能命中。所以我会做多路召回，把向量检索和[[BM25]]或者[[稀疏检索]]结合起来，比如用 [[Hybrid Search]]。召回之后还要粗排加精排，先用 [[IVF]] 快速筛出一个候选集，比如 Top-200，然后用精确距离计算或者 [[Cross-Encoder]…

#字节#检索性能优化#向量检索性能优化

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配口述回答：…一般走多阶段pipeline。先用[[HNSW]]做粗排，召回Top 100，然后加元数据过滤，比如时间范围、会话ID，最后用[[Cross-Encoder]]做精排，取Top 5。但只靠向量不够，我会结合关键词检索，也就是[[Hybrid Search]]，用[[BM25]]兜底，因为有些专有名词比如订单号、错误码，语义相近但词面不同，向量可能漏掉。举个例子，用户问'满减政策'，向量能召回'满200减30'，但关键词能召回PDF里的'满减'条款，两者互补。落地时我最关注两…

#高德#重排与优化#文档处理

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…，每个桶里再建HNSW，或者直接用[[Faiss]]的[[IVF-PQ]]，用[[Product Quantization]]压缩向量降低内存。相似度计算这块，最常用的是余弦相似度，因为它消除向量长度影响，只关注方向。点积计算快，但受模长影响，适合已经归一化的向量。欧氏距离则适合需要绝对位置的场景，比如地理坐标。不过我会提醒一句：相似度计算不是孤立的，它要和后面的[[重排序]]配合。比如检索出Top-K后，我通常会用[[Cross-Encoder]]做一次精细重排，这时候相…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…tization]]，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。关键词检索在精确匹配上比向量强得多，比如订单号、错误码这些，向量可能找偏，但[[BM25]]一搜一个准。所以真正落地的方案，我倾向做[[Hybrid Search]]，也就是向量和关键词两条路一起走，然后合并排序。举个例子，电商客服场景里，用户问“退款怎么还没到”，向量检索能召回相似语义的退款政策文档，但用户如果报…

#美团#Embedding检索#Embedding 相似性检索

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：…y、召回深度、Rerank、Top K 和过滤条件。融合与重排是什么关系两阶段检索通常是：先用较快的检索器获得较宽候选，再用 Cross-Encoder 等模型做更细的 query 和 document 交互判断。 RRF 或加权求和通常位于前一阶段末尾。它们把 BM25 和向量结果合成有限候选。Reranker 位于后一阶段，对融合后的候选逐条重新打分。两者解决的问题不同：融合关心多路结果怎样共同保住相关证据；重排关心已有候选中谁与当前问题最相关；融合没召回的证…

#RAG#检索与重排#RRF

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、余弦或距离检索。点积同时受方向和模长影响；向量做 L2 归一化后，点积排序与余弦排序等价。模型质量取决于训练域、负样本和文档切分。融合与评估可对两路候选取并集去重后用 RRF 按名次融合；也可校准两路分数后加权，或交给 cross-encoder 重排。RRF 不要求原始分数同尺度，但仍需调节候选深度和常数；分数加权必须防止尺度漂移。应分别报告 BM25、Dense 与 Hybrid…

#美团#混合检索#混合检索 Hybrid Retrieval

系统教程·检索

重排与检索优化面试题大全

匹配正文：…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-Encoder 的代价，以及如何用指标证明重排真的有收益。重排会不会拖慢线上接口？会，所以要讲 topK 控制、batch 推理、轻量模型、缓存和降级策略。好的答案不是“加重排”，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 RR…

#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：…就是再加一道关卡,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…

#RAG#检索#项目实战