匹配正文：…词IDF过大加0.5平滑，防止除零实际意义抑制关键词堆砌：词频超过阈值后贡献趋平，防止SEO作弊公平对待长短文档：技术文档vs短回答都能合理竞争参数可解释调优：k_1/b可根据领域数据优化（如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

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

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

匹配正文：…灵活性固定公式 k_1, b可针对语料调优理论基础启发式VSM 概率检索框架关键优势解决词频爆炸："苹果"出现100次 vs 10次，相关性差距不应是10倍消除长文档偏置：长文档天然词频高，需要长度惩罚可解释性强：每个词的贡献清晰可见，便于调试 RAG场景价值精确匹配兜底：处理专有名词、ID、代码片段等需精确匹配的场景混合检索：与向量检索互补（BM25抓关键词，向量抓语义）计算高效：倒排索引，毫秒级响应，适合大规模召回学习建议建议系统学习该知识点

#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

匹配口述回答：…问题。所以BM25对长文档更友好，而且有参数可调，落地时能根据场景适配。应用场景上，我主要说[[RAG]]里的[[混合检索]]。BM25做粗排召回，向量模型做精排[[重排]]，这是现在比较成熟的做法。为什么需要两条腿走路？因为BM25擅长精确匹配，比如法律条文、医学术语、订单号、错误码这些场景，语义模型反而容易跑偏。而向量模型擅长语义理解，比如同义词、近义表达。所以真正落地时，我会把BM25和向量检索一起上，用Hybrid Search做融合。这里有个风险点：BM25依赖…

#高德#BM25评分公式#BM25 算法原理

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…里把可能相关的 chunk 捞出来这个动作。负责这件事的就是"检索召回模块",它是 RAG 的"搜索引擎"。概念 2:稀疏检索 vs 稠密检索稠密检索(Dense) = 第 4 章的向量检索:把文字变成稠密向量,靠"意思相近"找。懂语义。稀疏检索(Sparse) = 关键词检索(BM25):靠"词命中"找,代表向量大部分位置是 0(稀疏)。精确。 "稀疏/稠密"说的就是向量里 0 多不多,不用纠结这个词,记住"关键词 vs 语义"即可。稀疏 vs 稠密:差别只在向量里…

#RAG#检索#项目实战

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…案要点理解召回阶段的核心作用是快速缩小候选集（从百万级到千级）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…

#字节#两阶段检索#RAG 重排序

面试题·检索· 字节

BM25/向量/混合检索选型

匹配口述回答：…表述，适合长文档、跨表述的查询。但它的弱点是短查询效果差，而且对专有名词、数字、ID 这类精确信息不敏感。反过来稀疏检索，像 [[BM25]] 和 [[TF-IDF]]，基于关键词倒排，精确匹配很强，比如查订单号、错误码，它零成本、可解释性强，但语义理解基本没有。所以真正落地的 [[RAG]] 系统，[[混合检索]]是标配。把向量和关键词两条路的结果融合起来，常用 RRF 或者线性加权。但这里有个坑：融合权重不是固定不变的，得根据业务调。比如电商客服场景，用户问“我买的那个…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：…：复杂问题拆分为多个子问题并行检索，结果聚合 Step-back Prompting：先问通用概念再具体到细节四、混合检索融合 BM25 + 向量：关键词匹配兜底专有名词、ID，向量捕捉语义融合策略：RRF（Reciprocal Rank Fusion）或线性加权，避免单一模态失效关键权衡：精度vs延迟、内存vs召回，需根据业务SLA选择组合。

#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：…支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找ID=123且价格>100" 索引结构 HNSW、IVF、PQ等近似索引 B+树、哈希、倒排精度/召回近似结果，存在漏召精确结果扩展性高维向量检索优化事务一致性保障关键洞察：两者不是替代关系，是互…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配标题与标签：BM25 原理与 TF-IDF 改进点词频饱和、长度归一化机制及核心公式参数详解检索美团 BM25 BM25 算法原理 BM25 vs TF-IDF BM25 公式参数信息检索 BM25 美团

#美团#BM25#BM25 算法原理

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

向量检索加速：有哪些陷阱

匹配正文：…t(N)只能作为某些配置的起点，不是通用最优值。增量索引：避免全量重建，采用分层索引或增量HNSW 二、召回策略优化多路召回：向量检索 + 倒排索引（BM25）+ 稀疏向量（SPLADE），取长补短粗排+精排：先用IVF快速筛选候选集，再用精确距离计算Top-K 查询扩展：HyDE、Query2Doc可作为候选，用同题集消融验证；生成伪文档也可能偏离原问题并增加延迟与成本。三、模型与计算优化 Embedding量化：只算每维存储，FP32→FP16为4→2字节，INT…

#字节#检索性能优化#向量检索性能优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…ext Engineering 是选材的艺术。具体到上下文工程，我一般把它拆成三层。第一层是检索，这里不能只用一种方法，我会把向量检索和 [[BM25]] 这种关键词检索结合起来做，也就是 [[Hybrid Search]]，能覆盖语义相似和精确匹配两种需求。第二层是[[重排序]]，因为初步召回的结果往往有噪音，我会用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相似内容挤占上下文窗口。第三层是压缩，…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

RAG检索方法如何优化？

匹配标题与标签：RAG检索方法如何优化？对比 BM25、向量检索与混合检索,技术选型与性能优化策略检索字节 RAG检索选型 RAG 检索方法 BM25 vs 向量检索混合检索 RAG 技术选型 RAG 性能优化字节

#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?

匹配标题与标签：混合检索怎么提升 RAG 召回? Sparse(BM25) vs Dense(向量检索)原理与相似度度量差异检索美团混合检索混合检索 Hybrid Retrieval Sparse vs Dense 检索 RAG 召回提升 BM25 与向量检索对比美团

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…识库里全是“售后政策2024版”这种正式标题，检索召回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rerank]]，把最相关的片段顶到前面。另外说一个我特别关注的点：当知识库频繁更新时，[[Vector Database]]的增量索引和一致性怎么保证？比如客服知识库每天有几百条修改，你不能每次重建索引，但增量插入又可能让检索精度下降。我倾向于用双索引策略，一个base索引定期全量重建，一个d…

#美团#模型微调#RAG vs SFT

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…一部分是全局性、分析性的问题。如果只是简单FAQ，比如查订单号、查错误码，传统RAG加上[[Hybrid Search]]或者[[BM25]]就够了，根本用不上图。真正落地时，我通常会把它们搭配着用：简单事实查询走传统RAG，复杂推理走GraphRAG，甚至还可以用个路由层，根据问题类型动态选择。还有一个有意思的延伸点：GraphRAG的社区摘要本身是LLM生成的，这其实引入了[[Hallucination]]风险，摘要可能不准确，导致后续检索都基于错误的前提。所以上线前我…

#美团#GraphRAG#传统 RAG 对比

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配标题与标签：… 文本分块与向量索引流程从预处理、Embedding 选型到 FAISS/Pinecone 索引优化文档处理字节文档处理向量检索 RAG 文本分块向量索引优化 Embedding 模型选择 FAISS vs Pinecone 字节

#字节#文档处理#向量检索

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配口述回答：…比如0.6以下，直接丢掉，不然会引入噪声。阈值怎么定？上线前用一批标注数据跑一遍，画PR曲线，选一个平衡点。说到边界划分，单纯靠向量检索有它的盲区。比如用户问“订单号12345”，这种精确匹配场景，向量检索往往不如[[BM25]]关键词检索准。反过来，用户问“退款流程有哪些”，语义泛化能力强，向量检索就占优。所以真正落地我倾向**[[混合检索]]**，把向量检索和关键词检索的结果按权重融合，比如用倒数排名融合，互补覆盖。再举个例子，比如电商客服场景，用户问“满减和优惠券能…

#字节#文档处理#向量检索

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…率，又能保持回答的流畅和结构化。不过前提是检索质量要够高，如果召回来的本来就是错的，大模型再强也白搭。所以落地的时候，我不会只用向量检索。实际业务里，比如客服场景问“满200减50的优惠券能不能叠加”，向量可能把“满100减20”的文档也召回来，因为都是优惠券。我会加上关键词权重，甚至用[[Hybrid Search]]把向量和[[BM25]]结合起来，再经过[[Rerank]]把最相关的顶上去。而且上线前我会特别关注chunk的边界是否合理，以及大模型会不会忽略检索内容、…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配标题与标签：GraphRAG 原理与构建方法知识图谱构建、图检索与传统向量检索的差异与优势知识图谱字节 GraphRAG 实现原理知识图谱构建图检索 vs 向量检索字节

#字节#GraphRAG 实现原理#知识图谱构建

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…l或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生成内容有检索文档支撑，可溯源验证知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医…

#淘天#阿里#RAG 架构