匹配正文：…组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战零基础,想先跑起来概念白话 + 玩具向量化代码 ~50% 🎯 Part 2 · 面试深度想讲透、备战面试模型选型 + 向量库索引 + 微调 ~40% 🏆 Part 3 · 验收串题检验学到位没关联面试题 + 自检清单 ~10% 🚀 Part 1 · 主线实战｜ ~50% 这部分零基础也能跟着做。先用一段不依赖任何库的代码,把"文字变向量、靠向量找相似"跑通,顺便看清它…

#RAG#检索#项目实战

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：一、Embedding模型选型策略核心原则：任务驱动选型任务场景推荐方向典型模型通用语义检索双塔编码器，MTEB高分 BGE、GTE、E5系列代码/技术文档代码预训练模型 CodeBERT、CodeT5+ 多语言场景多语言对比学习 multilingual-e5、BGE-M3 长文档理解支持长上下文的模型 Jina Embeddings v2（8K）关键考量点：维度与效率权衡：1024维通常效果较好，但768维在速度和存储更优指令微调：E5、BGE等…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配正文：选型核心维度 1. 性能与索引类型 HNSW：图索引，召回率高、查询快（1-10ms），但内存占用大，适合百万-千万级稠密向量 IVF+PQ：倒排+乘积量化，内存省、支持十亿级，查询稍慢（10-50ms），适合大规模稀疏访问 DiskANN：内存+SSD混合，平衡成本与性能，十亿级首选 2. 可扩展性水平扩展能力：是否支持分片（sharding）和动态扩缩容写入吞吐：批量导入速度、实时更新延迟（部分库写放大严重） 3. 延迟与成本权衡场景推荐方案在线QPS>1万、延…

第 1 / 8 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

#京东#评估与监控#向量数据库选型

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：答案要点明确业务场景需求（检索、聚类、分类）决定选型方向掌握主流模型特点（BERT系、Sentence-BERT、M3E、BGE等）的优劣对比理解维度、上下文长度、多语言能力的权衡知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模…

#百度#向量检索#Embedding 模型选型

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…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：对短查询效果差，需配合查询扩展 2. 稀疏检索（BM25/TF-IDF） …

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配正文：选型向量数据库，核心看场景匹配度，不能只看 benchmark 数字。 1. 检索性能与索引类型延迟敏感场景（实时对话）选 HNSW，召回率高、查询快，但内存占用大海量数据（十亿级）选 IVF 系列或磁盘索引，牺牲部分召回换存储成本务必关注 filter 下推能力——先元数据过滤再向量检索，避免全量扫描 2. 可扩展性与运维数据量 < 1亿：单节点 Milvus/Pinecone 足够数据量 > 10亿或高并发：需原生分布式（Milvus、Weaviate）或云托…

#京东#向量检索#向量数据库选型

面试题·检索· 美团

Embedding 模型结构选型

匹配标题与标签：Embedding 模型结构选型 Sentence-BERT、SimCSE 等 Embedding 结构选型，补充适用边界与工程取舍检索美团向量检索 Embedding 模型结构选型 Embedding 模型结构怎么选？SBERT、SimCSE 对比 Embedding 模型结构 Sentence-BERT SimCSE 美团

#美团#向量检索#Embedding 模型结构选型

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：答案要点区分BERT骨干、Cross-Encoder配对打分与SBERT独立句向量训练；“双塔”描述编码方式，不必是两套独立权重解释CLS token与Mean Pooling的优劣说明向量维度的影响（表达能力vs计算效率、存储成本）提及实际选型考量（MTEB榜单、领域适配）主流Embedding架构对比模型核心架构关键改进 BERT Transformer Encoder 预训练MLM+NSP，输出token级表示 Sentence-BERT 共享骨干的Si…

#小米#向量检索#Embedding 向量维度选型

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：… 如果不先拆开职责，常见的误判是：正确证据根本没召回，却把责任归给 Rerank；或者召回已经够好，只因为最终回答不准就不断更换 Embedding。面试官追问模型选型，本质上是在看你能不能把故障定位到正确的一层。本题不重复讨论“为什么 Rerank 不能对整个知识库逐条运行”，重点放在候选模型怎样筛选、如何做公平对照、何时值得微调，以及版本升级怎样迁移和回退。 Embedding 和 Rerank 负责不同阶段公开榜单只能缩小范围，不能替你做项目决策公开榜单有价值，因…

#RAG#检索与重排#Embedding 模型选型

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配正文：一、文本分块到向量的转换流程分块策略决定嵌入方式短chunk（<512 tokens）：直接用bi-encoder（Sentence-BERT）生成dense vector 长文档：截断取首中尾、滑动窗口聚合，或用层次化嵌入（段落→文档）关键：chunk边界尽量保留语义完整性，避免句子截断嵌入模型选型模型核心原理适用场景 Sentence-BERT 双塔结构+对比学习（NLI数据），生成sentence-level embedding 通用语义相似度，计算快 B…

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…NN算法（HNSW、IVF-PQ等）建立可高效检索的数据结构二、常用嵌入模型对比模型特点适用场景 OpenAI text-embedding-3 语义质量高，API易用，按token计费快速验证、中小规模、预算充足 BGE/M3E（开源）中文优化好，可本地部署，成本可控大规模生产、隐私敏感场景 E5/GTE 长文本支持好，学术benchmark领先长文档检索、技术报告类场景 ColBERT 延迟交互模型，细粒度匹配能力强高精度要求、可接受更高延迟选型要点：…

#字节#向量检索#Chunk 向量化

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：…次化结构先按章节，再按段落滑动窗口需要上下文连贯比较无重叠、短重叠和较长重叠关键细节：chunk size 必须低于实际嵌入模型的输入限制，并在同一评测集比较；过小可能造成语义碎片化，过大可能稀释关键信息。二、嵌入模型选择选型维度：通用场景：sentence-transformers/all-MiniLM-L6-v2（轻量，384维）中文场景：BAAI/bge-large-zh、智谱Embedding-2 领域适配：领域数据继续预训练或对比学习微调优化技巧…

#字节#文档处理#向量检索

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：答案要点语义理解能力与任务匹配度上下文长度支持多语言与跨语言能力推理效率与成本权衡领域适配性与微调可行性核心选型维度 1. 语义能力与任务匹配区分度：同类文档能否拉开向量距离（如BGE、GTE在中文场景表现好）粒度匹配：句子级vs段落级检索，长文本需用支持长上下文的模型（如M3E、BGE-large支持512-8192 tokens） 2. 语言覆盖纯中文：BGE、GTE、M3E等国产模型更优多语言/跨语言：OpenAI text-embedding-3、…

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配正文：答案要点语义表达能力与领域适配性向量维度与存储成本的权衡检索速度与推理延迟多语言支持与跨语言检索能力微调扩展性与模型生态核心选型维度 1. 语义质量指标 MTEB榜单排名：参考检索、重排序、聚类等任务的综合表现领域适配性：通用模型（如BGE、E5）vs 领域微调模型（如GTE-medical）上下文长度：支持512/2048/8k tokens，长文档需截断或分层处理 2. 工程性能指标向量维度：常见768/1024，维度↑精度微增但存储和计算成本线性↑ 推…

#百度#评估与监控#向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…注最大8192 tokens；实际长度、切分与截断仍要按任务验证轻量部署 MiniLM、BGE-small 速度快、资源占用低选型关键：在目标资料与query上比较检索质量、语言/长度支持、成本和延迟；维度并非质量保证，也不预设所有业务都按同一优先级排序。二、向量化流程原始文本 → 文本分块（Chunking） → 嵌入编码 → L2归一化 → 写入向量库关键细节：分块策略：按语义段落切分（200-500 tokens），重叠窗口保证上下文连贯编码方式：使用同一…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 小红书

中文知识库检索选型

匹配标题与标签：中文知识库检索选型中文知识库中按专名和语义查询做实战选型，补充适用边界与工程取舍检索小红书稀疏与稠密检索中文知识库检索选型中文知识库选 BM25 还是向量检索？场景与实测 RAG 检索方法稠密向量检索稀疏检索小红书

#小红书#稀疏与稠密检索#中文知识库检索选型

系统教程·检索

向量检索面试题大全

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…

#专题学习#向量检索面试题大全

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…PI链路分开验证本章的纯 Python BM25(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:Embedding 选型与向量化 | 下一章:重排与检索优化 → | 回到项目首页

#RAG#检索#项目实战

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Embedding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小→上下文丢失；块太大→检索精度下降、Embedding稀释。实践中常组合使用，如先按标题分章节，再语义细分。三、Embedding模型选型候选模型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…检索时可做过滤，生成时可注入prompt提升可信度动态分块根据查询意图选择块大小：摘要类用大chunk，事实类用小chunk 选型建议 ToB知识库（合同、手册）：优先比较结构感知、递归与语义分块，验证条款完整性 ToC搜索（商品、资讯）：比较固定长度、结构边界与不同重叠窗口，重点验证响应速度与召回代码文档：按函数/类边界分，保留语法结构最终块大小应同时匹配Embedding输入限制、LLM上下文预算和业务评测结果。学习建议建议掌握大模型训练基础，深入理解推理路径…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

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：答案要点文本预处理策略（分块、清洗、元数据保留） Embedding模型选型依据（中英双语、上下文长度、领域适配）向量生成与批量优化归一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：答案要点嵌入模型的选型原则与主流方案（OpenAI、BGE、M3E等）文本分块的核心策略（固定长度、语义分块、递归分块等）及边界处理向量归一化的作用与L2归一化实现余弦相似度的数学原理与计算优化 ANN近似最近邻算法（HNSW、IVF等）的应用场景一、嵌入模型选型场景推荐方案特点通用中文 BGE-large-zh、M3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂…

#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?

匹配正文：答案要点分块策略的选择依据（固定长度、语义分块、递归分块等）及边界处理 Embedding模型的选型考量（中英双语、上下文长度、领域适配）向量索引结构对比（Flat、IVF、HNSW）与选型场景完整数据流：解析→清洗→分块→向量化→元数据关联→入库完整流程：原始文本 → 向量数据库 1. 文档解析与预处理格式兼容：PDF/Word/Markdown/网页等统一解析，处理乱码、特殊符号结构保留：提取标题层级、段落边界，为语义分块提供依据清洗降噪：去除页眉页脚、重复…

#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

匹配正文：答案要点分块策略的设计原则与粒度控制 Embedding模型的选型依据（中英双语、领域适配）向量维度与归一化的影响稠密向量与稀疏向量的混合方案实际落地中的质量评估方法完整流程概述 1. 文档预处理与分块策略粒度选择：按语义段落、结构边界、固定长度滑动窗口和句子级别提出候选关键参数：chunk_size与overlap都是候选变量，结合文档结构、模型输入限制和同一评测集上的召回、证据完整率与成本决定边界优化：优先在标点、段落处切割，避免句子中途截断 2. Emb…

#安克科技#RAG 文本向量化#分块策略