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：答案要点能区分稠密检索与稀疏检索的适用场景理解混合检索的融合策略（如RRF）知道何时需要重排序（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…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

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

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

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

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

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…，也可能让向量表达变得不够聚焦。不能只看数据库保存了多少字，还要确认多少内容真正进入了向量编码。第三，检索和重排链路不同。只用向量召回、向量加 BM25 的混合召回、是否有 Cross-Encoder 重排，都会改变“大块”和“小块”的表现。粗召回与精排的职责不同：前者尽量带回候选，后者在较小候选集中做更细判断。切分实验如果同时更换检索器或重排模型，就无法判断收益来自哪里。第四，问题类型不同。精确术语问题可能只需要一小段定义；比较题可能同时需要两组证据；流程题需要连续…

#RAG#切分与索引#Chunk Size

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：… 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…

#字节#文档处理#RAG 数据处理流程

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·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…、缓存命中、索引新鲜度、token 与单请求成本。用灰度、版本化索引和回滚控制更新风险。假设实验在同一测试集上依次比较：基础向量召回、加入 BM25、加入融合、加入重排、改变上下文组织。每步同时记录质量、延迟和成本，并按 query 类型和文档类型切片。结果用真实实验填写，不能预设某个企业项目或固定提升。

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：…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、标签预过滤五、检索与优化检索流程 Query → Embedding → 向量召回Top-K → 重排序（Cross-Encoder） → 精排Top-N 关键优化查询改写：用LLM扩展同义词、纠错多路召回：向量+关键词+图谱并行重排序：轻量Cross-Encoder（如b…

#百度#大模型知识库构建#知识库向量化

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…疏向量，弥补纯向量盲区长尾实体、ID类查询图检索基于知识图谱的实体关系扩展需要推理关联的复杂问题三、精排优化（重排序） Cross-Encoder重排：用交互式模型（如bge-reranker）对召回Top-K精细打分，精度高但慢多阶段级联：向量召回→BM25过滤→Cross-Encoder精排，平衡效率与效果四、索引层面优化分块策略：按语义切分（而非固定长度），保证chunk内语义完整元数据过滤：先按时间、类别等标签过滤，缩小检索范围摘要索引：存储chu…

#字节#HyDE#RAG 检索质量

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…Poly-encoder：多向量表示查询，兼顾速度与精度四、RAG 场景的特殊考量阶段方法职责召回向量检索（双塔）+ BM25 混合高召回、低延迟精排 Cross-Encoder / LLM 重排高精确、可接受延迟关键权衡：RAG 的检索延迟直接影响用户体验，通常用向量召回 + 轻量精排，而非纯 BERT 交互式。学习建议建议系统学习该知识点

#OPPO#查询文档相关性#语义匹配

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Encoder精排Top10 动态…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…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）百~千级候选重型、精准（如Cross-Encoder）精细排序，用复…

#字节#两阶段检索#RAG 重排序

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· 阿里

RAG 召回又快又准靠什么?

匹配正文：…全量扫描二、相关性提升策略多路召回方式适用场景稠密向量（Dense）语义匹配、同义词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶段架构：向量召回Top-K → Cross-Encoder/BGE Rerank精排可比较ColBERT…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…iskANN（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 Retrieval（如SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截…

#字节#向量数据库召回#RAG 向量检索

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：…大。先说检索层。延迟主要来自两个地方：一是向量检索的 [[HNSW]] 索引构建，尤其是数据频繁更新时；二是 [[重排]]，[[Cross-Encoder]] 虽然精度高，但延迟太高，不能每个请求都用。精度方面，常见问题是 [[Embedding]] 的语义漂移，比如用户说“退款”，客服系统里可能对应多个政策，向量相似度高的不一定就是对的。所以实际落地我倾向用 [[Hybrid Search]]，把 [[BM25]] 的关键词匹配和向量检索结合起来，但这里有个坑：融合权重很…

#阿里云#Agent#Agent RAG 瓶颈

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…排+乘积量化，内存压缩10-20倍，适合海量数据动态更新：增量索引避免全量重建四、检索增强 # 混合检索示例：向量相似度 + BM25关键词 def hybrid_search(query, alpha=0.7): dense_score = vector_db.similarity_search(query) sparse_score = bm25_search(query) return weighted_fusion(dense_score, sparse_scor…

#字节#文档处理#向量检索

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配口述回答：…最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满200减50怎么用”，向量可能把“满减规则”和“优惠券叠加”混在一起，但BM25能精准匹配“满200减50”这个短语。不过这里有个前提，就是你得有好的分词和停用词表，否则BM25也会引入噪声。再一个就是查询改写，用LLM把query扩展成更完整的表述，比如生成一段…

#字节#评估与监控#RAG 性能瓶颈

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配口述回答：…加领域精排。召回我会走三条路：稠密向量，用领域微调过的 Embedding 模型，比如医疗的MedEmbed；稀疏向量，就是 [[BM25]] 加领域同义词扩展，比如法律里“撤销”和“撤回”是同义；还有图谱召回，通过 [[Entity Linking]] 做实体链接后走 [[Knowledge Graph]] 子图遍历。三条路并行，召回率才能上去。精排阶段，我会用 [[Cross-Encoder]] 做领域微调，再加时效性和权威性加权。举个例子，医疗问诊里，用户说“头痛三天”…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 字节

RAG检索质量提升5法

匹配口述回答：… 用假设文档帮助匹配表述差异较大的资料，但生成内容偏移也可能带来噪声，所以要和原查询基线比较，不能默认更好。检索中通常并行使用 BM25 与稠密向量召回。两路分数尺度不同时，RRF 是稳健的无监督基线；有可靠标注时，也可以使用分数归一化、线性融合或学习排序。随后只对有限候选使用 Cross-Encoder 重排。候选数没有通用的 Top-100 安全线，要由 Recall、nDCG、吞吐和延迟预算确定。检索后要做权限与元数据过滤、去重、证据片段抽取、上下文压缩和引用保留。…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配口述回答：…口语化表达‘我的钱什么时候退回来’和文档正式说法‘退款到账时间’在语义空间里可能离得远。我的做法是**[[混合检索]]**，把[[BM25]]关键词召回和向量召回结合起来，结果做加权融合。你可以这么理解：向量负责语义相似，关键词负责精确匹配，比如订单号、错误码这种就得靠关键词。但混合检索也有坑，如果权重调不好，比如关键词权重太高，反而会召回一堆噪音。上线时我会先离线跑一批bad case，看哪些是向量没召回、哪些是关键词没召回，再调比例。再进一步，检索出来Top-K可能还是…

#小红书#美团#重排与优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号、政策条款号上几乎必挂。我一般用 [[Hybrid Search]]，把向量召回和 [[BM25]] 关键词召回结合起来，分数加权融合。举个例子，客服场景里用户问“满200减30怎么用”，向量能理解“满减”语义，但BM25能精准匹配活动ID或商品SKU，两条腿走路才稳。检索出来Top-K比如100条，不能全扔给大模型，上下文窗口有限，而且噪声多。所以第二步是[[重排序]]。这里我会用 [[Cross-Encoder]…

#美团#评估与监控#RAG 工作流程