匹配正文：…量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval）传统BM25或TF-IDF，基于词项匹配优势：精准匹配专有名词、ID、代码片段；可解释性强适用：关键词明确的查询、长尾实体检索 3. 混合检索（Hybrid Retrieval）实际生产中的主流方案：Dense + Sparse并行召回融合策略：线性加权（α·Dense_score + (1-α)·Sparse_sco…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…der）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）技术：Elasticsearch、Lucene倒排索引场…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…*上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法核心思想适用场景 Dense Retrieval 双塔Embedding（Query/Doc各编码）语义匹配、长尾Query Sparse Retrieval BM25、TF-IDF词项匹配精确匹配、高频术语混合检索(Hybrid) Dense+Sparse结果融合（RRF/线性加权）通用场景首选查询改写 HyDE（生成假设文档）、Query Expansion Qu…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 小红书

中文知识库检索选型

匹配正文：…Phone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Retrieval）双塔结构，query和文档分别编码为固定维度向量用FAISS/ Milvus做ANN近似检索，牺牲少量精度换速度瓶颈：向量压缩后信息损失，细粒度匹配能力弱 ColBERT Late Interaction机制：token-level向量保留到最后一刻交互 MaxSim操作捕捉细粒度对齐，精度显著优于DPR 代价：存储膨胀（…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配正文：…好，但768维在速度和存储更优指令微调：E5、BGE等支持指令模板（如"Represent this sentence for retrieval"），对特定任务有增益实际验证：在业务数据上做召回率@K的离线评测，MTEB分数仅作初筛参考二、向量存储完整流程原始文档 → 文本清洗 → 智能分块 → 向量化 → 元数据绑定 → 索引构建 → 入库各阶段要点：分块（Chunking）按语义边界：比较段落、句子和多组固定长度候选重叠策略：比较无重叠、短重叠和较长重叠…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：RAG是什么检索增强生成（Retrieval-Augmented Generation）是一种将外部知识检索与大语言模型生成结合的架构。核心流程：检索阶段：根据用户Query从知识库中召回相关文档片段生成阶段：将检索结果作为上下文，让LLM生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改…

#科大讯飞#阿里#RAG 架构

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：…Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passage Retrieval）有监督训练，使用标注的(query, positive_doc, negative_doc)三元组对比学习损失：拉近正样本、推开负样本优点：检索精度高；缺点：依赖标注数据，领域迁移需重新训练 Contriever 无监督预训练，利用大规模语料的连续句子对作为天然正样本核心思想：相邻句子语义相关，随机采样作为负样本优点：…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 快手

LangChain 链式调用原理

匹配正文：…大核心抽象层层级职责典型组件 Model/IO 统一模型接口 ChatOpenAI、HuggingFacePipeline Retrieval 知识检索 VectorStore、Document Loader、Text Splitter Chains 固定流程编排 LLMChain、RetrievalQA Agents 动态决策执行 ReAct、Plan-and-Execute Memory 状态管理 ConversationBufferMemory Callbacks…

#快手#评估与监控#Agent

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配题目：在RAG（Retrieval-Augmented Generation）系统中，当检索到的内容与查询在语义相似度上很高但实际相关性很低时，你会如何分析和解决这个问题？

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…流程”，向量可能把“退货政策”排前面，但字面相关的“退款”反而排后面。特别是专业术语、订单号、错误码这种稀疏场景，[[Dense Retrieval]] 效果很差。我的改进思路是上 [[Hybrid Search]]，把 [[BM25]] 关键词检索和向量检索结合起来，先粗筛再精排，比如用 [[Cross-Encoder]] 做 [[重排]]，把真正相关的文档提上来。这里有个前提：重排模型一定要针对你的业务数据微调过，否则效果反而变差。另一个检索问题是上下文切分粒度。固定按…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 → 拼接Prompt上下文 → LLM生成答案关键优势：知识可实时更新，无需重新训练模型。我项目中解决的3个核心问题 …

#美团#混合检索#RAG 技术

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query + 检索上下文 → LLM生成最终回答二、系统架构要点模块关键技术文档处理分块策…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：…作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块文档切分 → Embedding编码 → 向量数据库存储检索模块查询向量化 → 相似度…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：三大核心痛点 1. 检索噪声（Retrieval Noise）表现：召回的Top-K文档包含无关或低质量内容，干扰模型判断根源：向量相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索…

#淘天#知识图谱#RAG 痛点

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配题目：什么是多模态RAG（Retrieval-Augmented Generation）？请对比其与传统文本RAG在检索和生成阶段的关键差异，说明多模态RAG面临的主要技术挑战，并列举典型的实现方式与应用场景。

#快手#多模态#多模态 RAG

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：…软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retrieval + BART/GPT的联合优化。二、信息融合机制传统方法检索Top-K文档直接拼接到输入上下文问题：上下文长度爆炸、文档边界干扰、无法区分信息重要性 RAG融合方式早期融合：检索向量作为额外key/value参与注意力计算（如FiD、REPLUG）中间融合：解码每步动态检索（如kNN-LM、RETRO的chunk级检…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：RAG核心定义 RAG（Retrieval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配题目：请介绍RAG（Retrieval-Augmented Generation）模型的主要分类方式，并比较不同类别之间的架构差异与适用场景。

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控制chunk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠密向量 …

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配题目：请详细描述RAG（Retrieval-Augmented Generation）系统的完整工作流程，分析各阶段中可能成为性能或效果瓶颈的关键环节，并针对每个瓶颈提出具体的优化思路，说明其对系统整体表现的影响。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：…于，改写不能偏离原始意图，否则后面检索全是歪的。然后是检索召回。这里我倾向于多路并行，因为单一检索方式有盲区。[[Dense Retrieval]] 语义泛化强，但碰到专有名词比如订单号“ORD2024xxxx”就容易丢；[[BM25]] 精确匹配好，但同义改写“退款”和“退钱”它就不认识。所以真正落地常常是 [[Hybrid Search]]，把向量和关键词加权融合，召回Top-K，比如100条，追求高召回率，允许带一些噪声。这里有个前提：如果知识库里的文档本身质量不行…

#美团#RAG全链路#RAG 工作流程

混合检索怎么提升 RAG 召回?

混合检索为什么用 Sparse+Dense?

RAG 怎么提升生成准确性?

RAG检索方法选型原因？