匹配正文：… cos={score:.2f} {doc}") 这次"索赔方法"也会拿到高分,因为模型懂"意思"。这,就是你为什么要选一个好的 Embedding 模型。这一节你掌握了什么? ✅ Embedding 是什么、余弦相似度是什么、双塔怎样减少在线计算以及如何实测延迟 ✅ 亲手验证了"数词重合"不懂近义词,而学习得到的 Embedding 懂下面 Part 2,我们解决三个落地问题:选哪个模型?用哪个向量库?什么时候得自己微调? 🎯 Part 2 · 面试深度｜ ~40%…

#RAG#检索#项目实战

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…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 0 多不多概念 3:BM25 是什么 BM25 是关…

#RAG#检索#项目实战

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…,面试考的密度也不同。下面这张全景表是本页核心,题量取自站内 851 道真题的模块分布,能直接反映"这个方向面试考多少"。方向是什么 / 解决什么问题面试频率(站内题量) 代表题库模块代表教程章 RAG 检索增强让模型基于你的知识库回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 RAG基础 62 RAG 基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题…

#求职#职业转型

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…动作“销售”。如果没有同义词规则、查询改写或领域词典，BM25 可能给正确片段的分数不够高，甚至没有把它带进候选集。面试官追问：向量检索补的是什么向量检索会先用 Embedding 模型把一句话变成一组数字。可以把这组数字理解成文本在“语义地图”上的坐标：意思越接近，两组坐标通常也越接近。它不要求问题与原文逐字一致，所以有机会把“推销保险产品”与“保险销售技巧”联系起来。向量检索也会失手。以教学案例中的“现金价值”为例：通用向量模型对领域词义掌握不够时，可能把它和普通财…

#RAG#检索与重排#RAG 混合检索

面试题·Agent

Agent 记忆数据怎么存？关系库、向量库、对象存储与 Schema 怎样设计

匹配正文：面试官可能会问：“做 Agent Memory，是不是把所有对话切块后存进向量库就够了？” 不够。向量库适合根据语义找相似内容，却不擅长单独承担用户归属、租户隔离、事务更新、唯一约束、版本冲突、精确状态和彻底删除。完整对话、大文件和工具工件全部塞进一张关系表也不合理，读取成本和生命周期会混在一起。这道题考的是你能否先区分“事实源”和“索引”。关系型存储保存主体、记忆条目、来源、权限、版本、状态和审计；向量索引帮助从已授权范围里找到语义候选；对象存储承载长文档、完整轨迹和大工…

#Agent#记忆与存储#Agent 记忆存储设计

面试题·模型架构· 百度

Flow Matching 原理是什么?

匹配正文：…易采样的基分布 p_0 经流映射到数据分布 p_1。训练一个速度场 v_θ(t,x)，回归某条预先选定概率路径 p_t 对应的目标向量场：L_FM=E_{t,x_t~p_t}||v_θ(t,x_t)-u_t(x_t)||²。直接计算边缘向量场可能困难，Conditional Flow Matching 先采样数据端点及条件路径上的 x_t，回归可计算的条件向量场；在相应条件下，它与边缘 Flow Matching 目标具有相同的期望梯度。训练时不需要每个 batch 都数值…

#生成模型#连续归一化流#扩散模型

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配题目：在RAG系统中，如何根据任务需求选择合适的文本嵌入模型？将文本chunk向量化后存入向量数据库的完整流程是什么？

#字节#Embedding 模型选型#RAG 向量化流程

面试题·模型架构

上下文窗口是什么?超了怎么办?

匹配正文：…,用户感觉「失忆」摘要压缩把久远内容总结成短摘要放回上下文保留主干;细节丢失,摘要本身也要耗一次调用 RAG 长资料切块存入向量库,提问时只检索最相关的几块塞进上下文资料可以无限大;但引入「检索质量」这个新变量实际工程的组合拳成熟的对话系统通常是:最近几轮对话保留原文 + 更早的对话滚动摘要 + 领域知识走 RAG,三者拼成最终的 prompt。入门后可以深入长上下文外推技术(RoPE 插值、YaRN),以及「窗口大了但中间内容记不住」的 Lost in the…

#入门#基础概念#上下文窗口

面试题·推理优化

KV Cache 是什么?为什么能加速推理?

匹配正文：…架配置。核心概念 KV Cache(键值缓存)是大模型推理时,把注意力计算中每个已处理 token 的 Key 和 Value 向量缓存在显存里、避免重复计算的优化技术。背景是:大模型生成文本是自回归的——答案一个 token 一个 token 往外蹦,而每生成一个新 token,注意力机制都要用它和前面所有 token 的 K、V 做计算。关键观察是:前面那些 token 的 K、V 在每一轮里的值完全一样,重算纯属浪费。直觉:开会记笔记不缓存,相当于每来一位新发言者…

#入门#基础概念#KV Cache

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：…GraphRAG由微软提出，核心是将非结构化文本转化为结构化知识图谱，再基于图的拓扑结构进行语义检索，而非传统RAG的"文本切块+向量相似度"模式。相对于传统RAG的创新 1. 知识组织方式：层次化图结构传统RAG：文档→切片→Embedding，信息原子化，丢失跨段落关联 GraphRAG：提取实体→关系→社区三层结构实体节点：人、组织、概念等关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs 局部匹配 …

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配正文：…么"（点状事实） "整个数据集的主题趋势"（全局聚合）推理能力依赖LLM的上下文理解显式的图结构支持多跳推理成本低（直接向量检索）高（需预构建图谱+多级索引）典型优势场景全局性问题："这些论文的共同研究方向是什么" 关联推理："A公司和B公司有哪些间接合作关系" 去噪聚合：避免传统RAG因单块文本缺失上下文导致的碎片化回答 ** trade-off**：构建成本高、需要领域schema设计，适合静态知识库+复杂分析类查询，不适合高频实时检索场景。

#淘天#知识图谱#GraphRAG 原理

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配口述回答：…核心就是让模型能“看见”并引用这些非文本数据。先说边界。多模态RAG不是万能的。如果业务场景里用户只问纯文本问题，比如“退货流程是什么”，那传统文本RAG就够了。但一旦涉及到“这个商品长什么样”、“帮我找一张和这个类似的图”，或者“这个CT影像对应什么诊断”，就必须上多模态。落地时往往不是二选一，而是文本RAG和多模态RAG一起上，根据输入类型路由到不同的检索通道。核心组件其实就三块：多模态编码器、跨模态检索器、多模态生成器。编码器负责把不同模态的数据映射到统一的向量空间…

#阿里#多模态#Multi-modal RAG

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配追问：…把用户问题和知识库匹配起来？……检索到的信息怎么喂给模型，才能让它不产生幻觉？直球架构聊一下RAG的完整技术架构：从文档处理、向量化、检索到生成，每个环节的核心组件和设计要点是什么？对比一下Naive RAG和Advanced RAG的差异。

#字节#RAG实现原理#RAG 实现原理

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配追问：…找到最相关的几个？具体你用什么模型做向量化？索引怎么建？层层追问 RAG系统里，文本片段怎么变成向量？……那你对不同的分块长度，嵌入模型的选择有什么讲究？……索引结构用HNSW还是IVF？……在延迟和召回之间怎么权衡？直球架构详细说说从文本分块到向量索引的完整流程。嵌入模型选型时，Sentence-BERT、BERT-based、SBERT-WK和OpenAI embeddings各自原理和适用场景是什么？向量数据库选FAISS、Pinecone、Weaviate还是M…

#字节#文档处理#向量检索

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：…的上限，后面再优化也只是在补分块的坑。本质是平衡语义完整性与检索粒度的工程问题分块策略：固定切分 vs 语义切分，落地常混用嵌入选型：通用 vs 中文 vs 领域，维度与prompt优化索引：HNSW与IVF-PQ的取舍，动态更新与一致性检索：混合检索+重排两步走，风险与兜底约4分钟增量索引的实时性与一致性平衡：双缓冲+异步重建+回滚机制面试官可能会追问：双缓冲的具体实现、如何保证原子切换、回滚条件是什么、以及大规模下冷热分层怎么做。

#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

匹配追问：场景切入我看你做过文档问答系统。假设用户上传了一本手册，我们把它切段后向量化，上线后用户问问题。你怎么决定切多长？重叠窗口怎么设？嵌入模型选哪个？层层追问向量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配追问：…系统里文档数据怎么处理才能检索？……那原始文本读进来之后，分块你一般怎么分？……如果文档很长，比如法律条文，怎么保证语义连贯？……嵌入模型选型要考虑哪些因素？……最后存到向量库，索引结构你怎么选？直球架构讲一下RAG系统中从原始文本到向量数据库的完整数据流，包括文档解析、分块策略、嵌入模型选型以及向量索引结构设计，每一步的关键考量是什么？

#安克科技#评估与监控#RAG 文档向量化

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配追问：…文本怎么变成向量？……那文档很长怎么办，直接整篇编码吗？……分块的话，块大小怎么定？……选什么编码模型？中文场景有没有推荐的？……向量存进去之后，怎么保证检索质量？直球架构请你描述一下RAG系统中，将文本内容转化为向量表示的完整流程。包括分块策略、Embedding模型选型、向量维度与归一化、以及质量评估方法，每个环节的关键点是什么？

#安克科技#RAG 文本向量化#分块策略

面试题·检索

向量数据库和普通数据库有什么区别?

匹配口述回答：…是近似最近邻。它的思路是提前建索引，查询时只扫描一小部分候选区域，用少量精度换几个数量级的速度。常见的索引有 [[HNSW]]，把向量组织成分层图，从高层粗定位再往下细找；还有 [[IVF]]，先聚类再查最近的桶。代价就是近似，可能漏掉个别的真正最近邻，但实践中召回率做到95%以上，延迟能压到毫秒级，非常划算。举个业务场景，比如客服知识库，用户问“退款流程是什么”，传统关键词检索可能因为措辞不同而漏掉，向量检索能匹配语义相近的文档。但这里有个坑：如果只靠向量，遇到订单号、政…

#入门#基础概念#向量数据库

面试题·检索· 高德

语义检索向量数据库构建流程

匹配追问：…，你需要从海量商品描述里快速找到相关商品。你怎么构建这个向量检索流程？从文本清洗到最终返回结果，一步步说说。层层追问语义检索的向量数据库，你整体怎么搭建？……文本预处理那块，分块有什么讲究？……嵌入模型你怎么选，考虑哪些因素？……索引用哪种，HNSW还是别的？……存储和查询优化还有哪些坑？直球架构描述一下构建语义检索向量数据库的完整流程，包括文本预处理、嵌入模型选择、向量索引构建、存储方案和查询优化策略，每个环节的关键点是什么？

#高德#评估与监控#向量数据库构建

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配追问：场景切入假设你在做电商搜索，用户搜“夏季连衣裙”，你用embedding召回了一批结果。那你能给我讲讲，从用户输入文本到拿到相似向量，这中间到底发生了什么？核心步骤有哪些？层层追问现在很多场景都用向量检索来找相似内容，你觉得它背后的原理是什么？……那文本是怎么变成向量的？……向量存到数据库之后，怎么快速找到相似的？……相似度怎么算？直球架构请你解释一下基于embedding的相似性检索，重点讲向量化、索引构建和相似度计算这三个环节，包括你常用的索引类型和相似度度量，…

#美团#Embedding相似性检索#Embedding 相似性检索