匹配标题与标签：Query 重写、扩写和 HyDE，应该在哪些查询上启用？区分纠错与补全、多表达召回和假设答案向量三种机制，说明为什么 Query 优化必须按意图路由并保留原问题回退。 RAG RAG 检索与重排 RAG Query 重写 Query Expansion HyDE RAG 查询优化 RAG 面试题

#RAG#检索与重排#RAG Query 重写

面试题·RAG· 京东

匹配正文：Query改写的核心目标将用户原始Query转化为检索友好的形式，解决语义鸿沟、歧义、上下文依赖等问题，提升召回率和相关性。三类创新方法及优势 1. 同义扩展（Lexical Expansion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语…

#京东#Query改写#Query 改写

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：答案要点 query改写的常见策略（扩展、分解、澄清、假设文档嵌入）提示词构建的核心要素（系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询…

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

#百度#小鹏#美团

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…两路各自擅长的候选带到同一个后续排序环节，让系统有机会同时保留精确词项和语义改写。追问二：两种检索怎样在一次搜索中配合这里的 Query 是用户的问题，Chunk 是从资料中切出来的一段原文，候选集则是检索系统认为“可能有用”、准备继续排序的一批原文段落。一次混合检索可以分成四步：先接收问题；再分别按原词和按意思找资料；同时限定只在当前知识库和允许使用的文档中搜索；最后把两路结果合并，得到一批候选原文。这个阶段只负责找资料，还没有让大模型开始回答。一次混合检索的调用链…

#RAG#检索与重排#RAG 混合检索

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…码器精排，解决向量相似≠语义相关的问题上下文压缩长文档截断、摘要提取，适配模型上下文窗口查询改写 HyDE（假设文档嵌入）、Query Expansion提升召回率核心优势 vs 典型局限优势可解释性：答案可溯源到具体文档片段时效性：知识库更新无需重新训练模型领域适配：低成本接入垂直领域知识局限检索质量瓶颈："Garbage in, garbage out"，漏检/误检直接传导至生成延迟开销：检索+重排增加100-500ms延迟上下文冲突：多文档信息矛…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…业内部知识成本可控比全量微调成本低得多关键优化方向混合检索：向量检索 + 关键词检索（BM25）结合查询改写：HyDE、Query Expansion提升召回率多路召回：摘要、标题、正文分别建索引

#商汤科技#检索生成流程#RAG 技术流程

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…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结果中，模型注意力分散，关键细节丢失根源：固定Top-K截断，无关文档挤占有效token；长上下文模型对中间位置信息召回弱（Lost in the Middle）改进：动态上下文压缩，用更小模型做摘要过滤；检索结果聚类…

#淘天#知识图谱#RAG 痛点

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…向量相似度（余弦/IP）稀疏检索：BM25关键词匹配重排序：Cross-Encoder精排，过滤低质结果查询改写：HyDE、Query Expansion提升召回 3. 生成（Generation）上下文拼接：检索结果 + 用户Query → Prompt 大模型生成：GPT-4、文心等生成最终回答引用溯源：输出参考文档编号，增强可信度标准工作流程用户Query → Query理解/改写 → 向量检索（Top-K）→ 重排序 → 上下文组装 → LLM生成 → …

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…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 Query与Doc语义Gap大 Embeddin…

#字节#向量库与重排序#RAG 架构设计

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：…脱离数据直接断言某一种一定更好。优化时应按链路定位问题。先检查文档解析和切块是否破坏语义，再看召回是否遗漏，之后才是融合和重排。Query Expansion、HyDE 或意图路由都有额外延迟和生成误差，不应该默认对所有请求开启。Cross-Encoder 只能改善已有候选的排序，不能救回根本没有召回的文档。切块与元数据也是检索方案的一部分。标题、章节、表格位置、文档版本和权限标签如果在解析时丢失，后面换更强的 Embedding 也补不回来。多租户系统尤其要说明权限过滤…

#字节#混合检索#RAG 文档检索选型