匹配正文：…0-20倍，适合海量数据动态更新：增量索引避免全量重建四、检索增强 # 混合检索示例：向量相似度 + BM25关键词 def hybrid_search(query, alpha=0.7): dense_score = vector_db.similarity_search(query) sparse_score = bm25_search(query) return weighted_fusion(dense_score, sparse_score, alpha) # …

#字节#文档处理#向量检索

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配正文：…，推荐Milvus/Zilliz或阿里自研Proxima：商品向量千万级，用HNSW保证<10ms响应结合商品属性做过滤查询（hybrid search），需数据库支持标量过滤下推学习建议深入理解排序学习中pointwise与listwise的区别，结合信息检索场景分析训练与评估目标的差异。

第 1 / 5 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·评估· 美团

Agent 功能模块怎么分工?

匹配口述回答：…万能的知识库。比如一个客服退款场景，用户问“我上周买的鞋降价了，能退差价吗”，如果直接搜全网，可能搜到过期的促销政策。真正落地时，Search 要跟业务知识库配合，比如先搜内部的知识库，再搜外部网页，并且要设定时间范围。如果检索结果质量差，比如 top-k 太小或者相关性分数低，Agent 会基于错误信息做决策，反而加剧幻觉。所以前提是检索系统本身要可靠，比如用 [[Hybrid Search]] 结合关键词和向量，再加一层 [[Rerank]] 过滤低分结果。再说 Cod…

#美团#评估与监控#Agent

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_score，或RRF倒数排序融合 2. 重排序（Re-ranking）原理：用Cross-encoder等交互式模型对初筛…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…triever → Reranker → Generator 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Re…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…-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_score）或RRF倒数排序融合选型原因（字节场景）内容平台场景：用户query口语化严重，需要语义理解 → Dense为主电商/搜索场景：商品ID、品牌名需精准匹配 →…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配口述回答：… Retrieval]]，比如[[BM25]]，做精确词匹配，适合高频术语或订单号这种场景。真正落地时，我很少单选一条，而是用[[Hybrid Search]]把两者结果融合，比如用RRF排序。举个具体例子：客服场景里用户问‘退款到账时间’，语义上可能匹配到‘退款流程’，但关键词‘到账时间’能精确命中FAQ里对应的字段，混合检索能把两类结果都捞上来。这里有个坑：如果query和文档的语义gap特别大，比如用户说‘订单异常’但文档里写的是‘交易失败’，纯向量检索可能漏掉。这时候…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：…2345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权或者用学习排序融合。这里有个坑：权重怎么设？我一般先看业务，比如客服场景退款问题语义更重要，BM25权重低一点；而搜政策条款时关键词更重要，权重调高。上线我会特别关注融合后的召回率，如果发现向量拉回一堆不相关但语义近的，就适当压低向量分数。再一个是[[分块]]策略…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配口述回答：…这里有个坑：纯向量检索对关键词匹配不敏感，比如搜“苹果手机退换货政策”，向量可能把“苹果”和“手机”拆散了。所以生产上我会加 [[Hybrid Search]]，向量和 [[BM25]] 关键词召回一起上，然后用 RRF 融合排序。说到混合搜索，有个细节值得注意：向量和关键词的分数尺度不一样，直接加权会出问题。所以我更倾向用 RRF，它不依赖分数绝对值，只靠排名，鲁棒性好很多。最后说落地风险和前提。前提是数据质量，如果原始文本噪声大，比如OCR识别错误可能破坏关键字段；中…

#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

匹配口述回答：…，稠密检索做补充。如果是智能客服、知识问答这类语义理解优先的，我会用稠密检索，而且最好是微调过的。但大部分通用场景，我倾向走 [[Hybrid Search]]，就是两路召回：BM25出一批，稠密向量出一批，然后用 [[Rerank]] 模型或者规则融合。这里有个坑：稠密向量的质量很大程度上取决于[[Embedding]]模型是不是在目标数据上调过。如果直接拿通用模型，比如BERT，去搜小红书那种口语化、带表情、图文混排的内容，召回率会很难看。所以我上线前一定会做对比实验，拿…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配口述回答：…cone。这里有个边界划分：如果只是关键词匹配，用倒排索引就够了；但要做语义理解，就得靠向量。实际落地我倾向于两者结合，就是 [[Hybrid Search]]，同一段记忆同时走向量相似度和关键词，三路召回再精排。具体到实现，我会给每段记忆加上元数据，比如时间、主题、情感标签，检索时先用这些过滤掉大部分无关数据，再在剩下的里面做向量检索。这样能避免全库扫描。举个例子，客服系统里用户查退款进度，我先按用户 ID 和时间范围缩小候选集，再通过向量找语义相似的退款流程片段，召回率…

#字节#蚂蚁#Agent

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：…ding]] 的语义漂移，比如用户说“退款”，客服系统里可能对应多个政策，向量相似度高的不一定就是对的。所以实际落地我倾向用 [[Hybrid Search]]，把 [[BM25]] 的关键词匹配和向量检索结合起来，但这里有个坑：融合权重很难调。比如电商客服场景，用户问“满减政策”，关键词“满减”能精准命中，但向量检索可能把“优惠券”也召回来，如果权重偏向向量，就会引入噪声。我的做法是先做粗排，用快速向量召回 top-100，然后用轻量模型精排到 top-10，最后只在关键查…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配口述回答：…数据检索。它支持100多种数据源加载，索引类型特别丰富，有向量索引、树索引、关键词索引，还能组合索引。它的检索策略也很深，比如[[Hybrid Search]]、[[Rerank]]、子问题分解这些。所以纯[[RAG]]场景，LlamaIndex是首选，检索精度和效率都优化得很到位。但它的Agent能力相对轻量，虽然也有OpenAIAgent，但复杂决策还是得靠LangChain。那真实业务里怎么用呢？我举个例子，企业智能客服。比如用户问“我买的商品降价了，能退差价吗？”这…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 字节

Agent 框架核心组件怎么搭?

匹配口述回答：…se]]加实体关系图。这里有个坑：长期记忆的检索如果太慢，会拖死整个Agent。所以上线前我会特别关注检索延迟和召回率，通常用[[Hybrid Search]]把关键词和向量结合起来，不然纯向量检索在冷门实体上容易丢。工具调用和执行引擎我放一起说。工具这块，关键是统一接口，所有工具按OpenAPI规范描述，description要写精准，因为LLM靠它选工具，写模糊了就会乱调。执行引擎是个状态机，从待执行到工具调用到结果观察，再判断是否继续。举个例子，在电商客服场景里，用户…

#字节#Agent#Agent 框架设计

面试题·Agent· 字节

LangGraph外还有哪些流程编排框架?

匹配口述回答：…你的数据源必须结构清晰，如果文档质量差、信息混乱，索引建出来也是垃圾，召回率会很低。我上线前会特别关注[[Chunk]]策略和[[Hybrid Search]]的调参，不然容易漏关键信息。再来说AutoGPT和BabyAGI。它们更偏向探索LLM自主规划的上限，核心是一个循环：目标分解、任务队列、执行、记忆反思。但说实话，它们不太适合生产。为什么？Token消耗爆炸，而且[[Hallucination]]会累积，你让它跑三步可能还行，跑十步就开始胡编。另外控制性很差，你很难…

#字节#百度#Agent

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…确匹配场景召回很差，因为 Embedding 对精确 token 不敏感。我会结合 [[BM25]] 做[[稀疏检索]]，然后用 Hybrid Search 融合分数，或者用 ColBERT 的 late interaction 做二阶段精排。这其实引出一个问题：稠密和稀疏向量怎么融合、权重怎么调，才能在不同业务场景下都稳定？所以整体来看，我不会把这条 pipeline 看成固定流程，而是每次根据业务场景做取舍。比如客服退款场景，我更关注实时性和高召回，那分块就偏小、索引用…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配口述回答：…检索在遇到专有名词或订单号时经常翻车，比如用户问“退款到原账户”，但文档里写的是“原路返回”，语义相似度可能不高。所以我会用 [[Hybrid Search]]，把 [[BM25]] 关键词分数和向量相似度分数加权合并，这样既能保证高频词匹配，又能捕捉语义泛化。这里有个前提：必须做好分数归一化，否则不同检索方式的分数量纲不一致，合并结果会乱。上线前我特别关注一个失败场景：索引更新时，如果直接修改图索引，召回质量会剧烈下降。所以我会用双缓冲策略，一个 base 索引负责线上查…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配口述回答：…检索，我会用BGE做通用语义，同时保留[[BM25]]做关键词精确匹配，因为订单号、错误码这些精确信息，向量模型反而容易混淆。[[Hybrid Search]]才是更稳定的方案。再一个，维度取舍。1024维效果通常好一些，但768维在速度和存储上更优。如果对延迟敏感，比如实时客服场景，我会倾向768维，配合[[IVF]]索引。接下来说完整流程。从原始文档到向量库，我习惯按这个顺序走：文本清洗、智能[[分块]]、向量化、元数据绑定、索引构建、入库。分块是最容易出问题的一环…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配口述回答：…商品已退货，那query里可以补充“已退货”这个条件。不过重写不能盲信，我会保留原始query通道，重写结果跟原始query做[[Hybrid Search]]，再[[Rerank]]，确保重写失败时不会掉坑。举个例子，电商客服的退款场景。用户第一轮说“订单号12345，商品有质量问题”，第二轮问“退款流程是什么”，第三轮说“我寄回去了，钱什么时候退”。如果只拼历史上下文，第二轮可能还记着订单号，第三轮就可能忘了“质量问题”这个原因，导致检索到的退款政策不准确。用显式状态，…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…问“满200减50的优惠券能不能叠加”，向量可能把“满100减20”的文档也召回来，因为都是优惠券。我会加上关键词权重，甚至用[[Hybrid Search]]把向量和[[BM25]]结合起来，再经过[[Rerank]]把最相关的顶上去。而且上线前我会特别关注chunk的边界是否合理，以及大模型会不会忽略检索内容、自己瞎编，这是常见的失败场景。说到幻觉控制，我最近在关注一个方向：让大模型在生成时能主动判断检索内容是否足够，如果不够就触发多轮检索，而不是硬凑答案。比如[[Se…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…有个前提：检索质量必须够高。如果召回来的文档不相关，反而会误导模型，产生更严重的幻觉。所以上线我会特别关注召回率和相关性，常用[[Hybrid Search]]，就是关键词加向量两条路一起走，再配合[[Rerank]]筛一遍。再一个，提升事实准确性。RAG的生成结果可以追溯到具体的检索片段，这叫Grounding机制。用户追问时，你能说出是参考了哪份文档的哪句话。另外Top-K检索能拿到多个相关片段，它们可以交叉验证。比如两个文档都说同一个参数，那可信度就高；如果互相矛盾，…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…切分而不是固定字数，或者用[[Parent Document]]保留上下文层级。另外，检索本身也不能只靠向量相似度，我通常会把[[Hybrid Search]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺，还得看它有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估，但最终还是得人工抽检。所以，我会把RAG…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配口述回答：…'我上周买的鞋子，码数不对想退'，用向量检索能理解语义，但如果是查'退款政策第3条'这种精确短语，向量就不如关键词。所以我会做[[Hybrid Search]]，把向量和[[BM25]]结合起来。评估多路时先对去重并集直接计算黄金相关集覆盖，再看最终融合/截断结果，做去掉一路的增量对照。不能直接把各路Recall代入一减漏召回概率乘积，除非命中事件独立；两路召回完全相同文档时就不满足。如果去掉某路只掉了1个点，那这路可能就没必要上，避免'伪多路'，就是多条路召回的结果高度重叠…

#抖音#评估与监控#RAG 召回策略评估

RAG 为什么要同时用 BM25 和向量检索？

RAG 文本分块与向量索引流程

RAG向量数据库选型关键指标

Agent 功能模块怎么分工?

RAG 检索模块怎么提升相关性?

Deep Research vs RAG 怎么选?

RAG检索方法选型原因？

RAG架构：检索器与重排序策略

RAG 向量检索怎么高效召回?

Embedding + 向量数据库怎么搭?

中文知识库检索选型

海量历史记录怎么索引优化？

Agent 中 RAG 瓶颈怎么破?

LangChain vs LlamaIndex 在 RAG 中怎么选?

Agent 框架核心组件怎么搭?

LangGraph外还有哪些流程编排框架?

RAG 向量索引构建流程详解

Chunk 向量化与索引怎么选?

Embedding 模型选型 vs 落地流程?

RAG多轮对话怎么防知识遗忘?

RAG 为何要二次生成?

RAG 怎么减少幻觉?

RAG 解决了 LLM 哪些局限?

召回策略怎么选? Recall@k 怎么看?