页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Embedding检索」找到 478 条内容
按专题浏览 →匹配正文：向量检索是 RAG 的底座。真正的面试追问会从“怎么存向量”一路问到“怎么分块、怎么建索引、怎么评估召回、为什么这条没有召回”。这页把检索底层问题串起来。 配套教程 RAG 教程第 4 章：Embedding 选型与向量库索引 RAG 教程第 3 章：文档分块与解析流水线 知识模块 Embedding、向量数据库与 ANN 索引 Embedding、向量数据库与 ANN 索引 文档解析、Chunking 与元数据 文档解析、Chunking 与元数据 常见问题 向量检索面试怎…
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…
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…
学习内容与项目面试，在同一条路上。