匹配正文：…控长度归一强度(b=0 完全不归一,b=1 完全归一),工程默认 k1≈1.2~2.0、b≈0.75。 2.3 两套分数怎么融合向量和 BM25 各召回一批,但两套分数量纲完全不同(余弦相似度在 0~1,BM25 分可能是 4.51 这种):不能直接相加: 两套分数量纲不同,不能直接相加标准做法: 混合检索全景分数归一化:先把两套分各自拉到同一区间(如 0~1); 加权融合 + 去重:按权重合并,重复的合并。最常用、最省心的融合法是 RRF(Reciprocal Ra…

#RAG#检索#项目实战

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：…_id 和 subject_id 确定归属；memory_type 决定检索与保留策略；canonical_key 帮助结构化偏好去重；来源字段让系统知道这是用户明确声明、人工确认、工具事实还是模型候选；status 区分候选、有效、过期、被替代、撤回和删除；visibility 限制谁可读；version 支持并发更新；有效时间控制时效；supersedes_id 保留冲突替代关系；content_hash 用于幂等和内容变化识别；index_status 跟踪向量副本。 …

#Agent#记忆与存储#Agent 记忆存储设计

面试题·Agent· 高德

Agent长期记忆Embedding检索策略

匹配正文：…m time_embedding(t), # 64-dim, 正弦编码或学习得到 importance_scalar, # 扩展为向量或作为后续加权 entity_sparse_vec # 用于快速过滤 ]) 二、检索策略：混合排序三阶段检索粗排：实体标签/关键词倒排索引快速过滤精排：向量相似度（余弦/IP）+ 时间衰减函数 score *= exp(-λ·Δt) 重排：访问频率加权 + 多样性去重（MMR算法避免冗余）时效性建模近期记忆：高权重，原始文本保留中期…

第 1 / 4 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

#高德#Agent#Agent长期记忆

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…领域垂直领域用微调模型（如医学用PubMedBERT）调用方式：优先用私有化部署（Xinference/TEI），API兜底向量生成与优化批量编码：batch_size设32-64，GPU利用率最大化动态批处理：同请求内文档长度对齐，减少padding浪费缓存机制：文档哈希去重，避免重复编码归一化 import torch.nn.functional as F embeddings = F.normalize(embeddings, p=2, dim=1) # …

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·RAG· 蚂蚁

增量式向量索引怎么更新?

匹配正文：…。不同向量引擎对插入、更新和删除的支持不同，不能把复杂度或是否需要重建写成统一结论。 1. 写入与索引分层先把文档、chunk、embedding 及版本写入主数据存储，并用 WAL 或消息队列传递变更。消费端按文档版本和事件 ID 做幂等处理，把新向量写入 Delta 索引。插入成本、锁模型和可见延迟以具体引擎实现为准。查询同时搜索稳定的 Base 索引和 Delta 索引，合并候选、按文档版本去重，再执行过滤和排序。 2. 修改与删除若引擎原生支持可验证的 ups…

#蚂蚁#增量式向量索引#向量索引更新

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…可离线预计算或裁剪候选集 5. 查询改写（Query Transformation） HyDE：用LLM生成假设文档，再用该文档做向量检索多查询扩展：LLM生成3-5个变体查询，并行检索后去重场景：用户问题模糊、短查询、专业术语对齐字节场景下的典型选型场景方案抖音电商客服（商品/订单查询）混合检索 + 结构化过滤（类目、店铺ID）飞书知识库（长文档问答）向量检索 + 重排序 + 上下文压缩搜索广告（Query-Ad匹配）双塔模型在线向量召回核心原则：没…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

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

Embedding 怎么实现语义召回?

匹配口述回答：这道题其实问的是怎么用向量把文本变成数学上可比较的东西，再快速找到最相关的文档。说白了，就是怎么把语义匹配工程化。核心就是三件事：先把文档和查询都映射到同一个向量空间，然后用近似搜索代替暴力比对，最后在精度和效率之间做取舍。先说流程。离线阶段，我会把文档按语义[[切块]]，比如256到512个token一段，太短上下文不够，太长噪音多。然后用同一个[[Embedding]]模型，比如BGE或者M3E，把每段文本编码成稠密向量。这里有个前提：如果领域很特殊，比如金融合同或者医…

#字节#向量语义召回#Embedding 语义召回

面试题·RAG

RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？

匹配正文：…学场景。第一个场景，管理员把同一份制度文档连续上传了两次。系统也老老实实解析两次、切分两次、计算两次 Embedding，最后往向量库写进两套几乎完全相同的 Chunk。用户提问时，前几条候选看起来都相关，实际上只是同一段内容重复出现。真正能补充答案的其他证据，反而被挤到后面。第二个场景，管理员只改了文档中的一个段落。系统为了避免重复，看到文件名相同就直接跳过，结果新版内容根本没有入库。这两个问题方向相反。第一个是重复写，第二个是漏更新。只说一句“加个去重”解决不了…

#RAG#切分与索引#RAG 增量入库

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…后还要自己在几十页里寻找原句。这些是假设出来的故障类型，只用来说明 Metadata 缺失可能影响哪些环节。这些故障不是换一个 Embedding 模型就能解决的。它们需要明确的文档边界、状态、位置和关系。正文、增强文本和 metadata 各自负责什么正文用于展示与核验，增强文本帮助检索理解语境，metadata 则负责过滤、边界、关系和来源。 Metadata 的价值，可以归纳成六类动作：过滤、排序、去重、扩展、展示和审计。如果某个字段不服务任何动作，也没有明确的…

#RAG#切分与索引#RAG Metadata

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：…候选数量变多、下游 Rerank 更强，或测试集刚好偏向某一路。固定候选生成两种融合方法必须接收同一批 BM25 列表和同一批向量列表。检索模型、索引版本、查询预处理、每路 Top N 和过滤条件保持一致。先检查两路候选并集的 Recall@N。如果正确证据根本没有进入并集，融合算法无论多复杂都无法救回。此时应该回到查询、切分、Embedding 或召回配置排查。统一去重口径同一 doc_id、同一原文区间或高度重合的相邻 chunk 应按明确规则处理。两种方法必须…

#RAG#检索与重排#RRF

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…义词适合由词典维护。复杂语义可以让模型生成候选，但要保存每个扩写版本，并限制数量。多路结果合并时，可以按稳定 Chunk ID 去重，并记录每条候选由哪些 Query 找回。这样既能识别多路共同命中，也能排查哪条扩写引入了噪声。扩写还可以用于多条件问题。一个问题同时问申请条件和办理材料时，可以拆成两个子查询，各自检索，再合并互补证据。但拆分之后要检查最终证据是否覆盖完整问题，不能只回答其中一半。 HyDE 为什么有效，又为什么危险？向量检索比较的是 Query 与文档…

#RAG#检索与重排#RAG Query 重写

面试题·Agent

Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

匹配正文：…我会先从对话和任务结果中提取候选，区分用户明确偏好、稳定事实、任务摘要和可复用经验，再做敏感信息、保存授权、主体权限、来源可信度、去重与冲突检查。通过后写入带来源、时间、版本、有效期和可见范围的正式记录。后续新事实不能覆盖旧记录而不留痕，而应更新版本或建立替代关系。过期、撤回和用户删除要同时作用于主记录、向量索引与缓存。评估既要测该记住时能否写对，也要测不该记时能否保持不写。这段回答最重要的一句是：长期记忆是一项有生命周期的数据决策，不是对话结束后的自动副产物。 Agent…

#Agent#记忆与存储#Agent 记忆写入机制

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：… 按对话轮次分块，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存…

#高德#Agent#向量检索

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…分边界时的信息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、位置、类型） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写入向量库 ↓ 按需建立倒排索引，用于混合检索工程注意点： ba…

#蔚来#文档处理#RAG文本分块

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单que…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…热切换 ~1h 强一致（版本控制）低频高危（定价策略）人工审核+灰度发布天级强一致落地挑战与应对延迟与效果权衡问题：向量检索+LLM生成链路过长（>500ms）解法：检索结果缓存（LRU+语义去重）；预计算热门查询的RAG结果；异步预填充一致性保障向量库与实时库的数据对齐：统一事件时间戳，检索时带valid_time过滤模型幻觉vs知识冲突：显式标注知识来源，冲突时优先级排序（实时库 > 向量库 > 模型参数）效果评估闭环离线：分布漂移前后的KL散度…

#美团#分布漂移#外接数据库增强

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…earch、nprobe权衡延迟与准确率过滤机制：前置元数据过滤（时间、权限标签）减少搜索空间 4. 候选排序与筛选多路召回：向量+稀疏（BM25）+ 关键词，线性加权或Learned Fusion 重排序（Rerank）：Cross-Encoder精排，如bge-reranker，Top-K从100→20 去噪策略：置信度阈值、聚类去重 5. 性能影响要点环节核心瓶颈优化方向 Embedding 模型推理延迟量化INT8、ONNX/TensorRT、批处理 AN…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 美团

推荐结果多样性怎么控制?

匹配正文：…制（Repetition Penalty）的实现多样性重排序（MMR、DPP等）的应用多目标优化在训练阶段的引入后处理过滤与去重策略生成式推荐控制多样性的核心思路是**"解码干预 + 后处理重排 + 训练优化"三层架构**：一、解码阶段：采样策略调参温度采样（Temperature）：T>1增加随机性，T<1更确定；推荐场景通常T=0.7~1.2试探 Top-p（Nucleus）+ Top-k：限制候选token范围，避免低概率尾部采样带来的噪声重复惩罚（Rep…

#美团#多样性控制#推荐多样性

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现还取决于索引版本、并发更新和实现。 3. 上下文增强对候选去重、裁剪并保留来源标识，把问题、证据和回答约束组装成上下文。要处理冲突、过期和权限不足的证据，并防止检索内容中的提示注入被当作系统指…

#百度#RAG三阶段#RAG 工作流程

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

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…esign。配套学习：项目难题怎么定位与解决?。 3. design · design 从 query 进入开始，讲清两路候选、去重、RRF、Cross-Encoder 重排和结果截断的数据结构与顺序。考察重点：确认候选人理解端到端链路、关键接口和状态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：BM25 vs 向量检索 vs 混合检索怎么选?。 4. tradeoff · tradeoff 为什么选 RRF …

#模拟面试#简历项目#连续追问

系统教程·知识图谱

知识图谱与 GraphRAG 面试题大全

匹配正文：…适合实体关系密集、需要多跳关联或全局结构总结的场景。普通 FAQ 或短文档检索不一定需要图谱，先把基础 RAG 做好。知识图谱和向量检索是替代关系吗？不是。图谱擅长结构和关系，向量检索擅长语义相似。实际系统常把两者组合，先召回候选，再用图关系补充上下文。图谱动态更新怎么讲？要讲抽取、去重、实体对齐、关系置信度、增量索引和回滚机制。面试官关心的是上线后如何维护可信图谱。继续学习文档处理与向量检索专题项目深挖：RAG 链路怎么接住追问

#专题学习#知识图谱与 GraphRAG 面试题大全