匹配正文：面试官问：“RAG 为什么要同时使用 BM25 和向量检索？” 一个常见回答是：“BM25 找关键词，向量检索找语义，两路一起用，召回效果更好。”这个回答讲到了两种检索方式，但还没有回答三个问题：两路分别会漏掉什么、找回的内容怎样排到一起，以及如何证明多跑一路确实有价值。面试官通常会顺着这三个问题继续问：只用 BM25 或只用向量检索，各自会在哪类问题上漏掉正确原文？两路分数不是同一把尺子，结果怎样合并，为什么还要重新排序？你怎样用一批带正确原文的问题，证明混合检索确…

#RAG#检索与重排#RAG 混合检索

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配题目：在RAG系统的检索阶段，通常采用哪些优化策略来提升检索效率和准确性？请从向量检索、重排序、查询扩展等方面进行阐述。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配标题与标签：RAG 向量检索怎么高效召回? 影响召回效果的关键因素:Embedding 质量、索引结构、查询改写检索字节向量数据库召回 RAG 向量检索高效召回 Embedding 质量索引结构查询改写字节

第 1 / 10 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

#字节

#向量数据库召回

#RAG 向量检索

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…统指令] [工作记忆：最近对话] [RAG检索：相关历史摘要] ← 动态填充 [当前用户输入] 平衡策略：设置token预算上限，RAG结果按相关性截断，确保总上下文<模型上限的80% 工程实现要点存储层：向量库（Milvus/Pinecone）+ 图数据库（Neo4j存关系）+ 时序库（TTL自动过期）实时性：记忆写入异步化，检索路径优先读缓存可观测：记录"检索→使用→反馈"链路，持续优化索引学习建议建议从人类记忆类比入手，理解记忆分层原理；掌握向量检索、摘要抽取…

#高德#Agent#向量检索

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配标题与标签：RAG 数据处理与索引流程? 从原始文档到知识库的完整步骤,解析各阶段技术要点文档处理字节文档处理向量检索 RAG 数据处理流程 RAG 索引构建 RAG 知识库构建字节

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配标题与标签：RAG 文本分块与向量索引流程从预处理、Embedding 选型到 FAISS/Pinecone 索引优化文档处理字节文档处理向量检索 RAG 文本分块向量索引优化 Embedding 模型选择 FAISS vs Pinecone 字节

#字节#文档处理#向量检索

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：…生成 vs 自由编造方式问题直接输出检索文本可能答非所问，或信息过时、片面纯LLM生成高幻觉风险，编造看似合理的内容 RAG的LLM生成是约束条件下的再创造：以检索内容为事实锚点，降低虚构概率同时保留语言组织能力：统一语气、结构化输出、多语言翻译对检索内容的可信度进行隐式评估（训练所得）一句话总结：向量检索解决"找得到"，LLM生成解决"说得对、说得通、说得完整"。学习建议建议系统学习该知识点

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配标题与标签：RAG Embedding 模型怎么选? 检索场景下 Embedding 选型的关键因素与评估维度模型微调字节向量检索 RAG Embedding 选型 Embedding 模型选择检索 Embedding 评估字节

#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?

匹配标题与标签：RAG 向量模型怎么选? 文本编码模型的技术指标与性能因素详解模型微调百度评估与监控向量检索 RAG 向量模型选型文本编码模型指标 Embedding 模型性能百度

#百度#评估与监控#向量检索

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适应检索判断）典型变体 GraphRAG：用知识图谱替代向量检索，处理复杂多跳推理 Self-RAG：模型自主判断是否需要检索，避免过度检索实际落地时，检索质量决定RAG上限，建议先做检索评测（Recall@K）再优化生成。

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配题目：在RAG（Retrieval-Augmented Generation）系统中，有哪些方法可以提升检索阶段的质量？除标准向量检索外，还可以采用哪些增强技术？

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…测Recall@K，线上关注P99延迟。实际系统中常做"快路径"（纯向量）+ "慢路径"（+重排）分级处理。学习建议建议先掌握向量检索基础，理解嵌入模型和相似度计算原理，再结合RAG架构学习Retriever的工作流程，通过动手实践加深理解。

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：RAG系统五阶段工作流程 1. 查询理解与改写技术要点：Query扩展（同义词、HyDE生成假设文档）、意图识别、多轮对话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混…

#阿里云#重排与优化#向量检索

面试题·检索· 字节

RAG检索方法如何优化？

匹配标题与标签：RAG检索方法如何优化？对比 BM25、向量检索与混合检索,技术选型与性能优化策略检索字节 RAG检索选型 RAG 检索方法 BM25 vs 向量检索混合检索 RAG 技术选型 RAG 性能优化字节

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：为什么要混合检索稀疏检索和稠密检索利用的信号不同：BM25 擅长实体名、编号、错误码和查询词共现；双塔向量检索能够召回词面不同但语义接近的文本。二者都可能失败，混合检索的价值是扩大互补覆盖，而不是保证每个查询都优于单路。两类检索与分数 Sparse/BM25 基于倒排索引，对查询词的 IDF、文档内词频饱和和长度归一化加权。分数受实现、语料统计和查询长度影响，没有可跨系统直接比较的固定尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配题目：在检索增强生成（RAG）系统中，常用的检索方法包括BM25、向量检索和混合检索等。请详细说明这些方法的工作原理，比较它们在准确性、召回率、语义理解能力、计算开销等方面的优缺点，并结合实际应用场景（如开放域问答、电商搜索、推荐系统）分析各自的适用条件。

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配题目：请描述RAG（检索增强生成）的完整工作流程，并说明在构建向量检索库时，如何应对信息时效性衰减对检索召回效果的影响。

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：RAG完整工作流程 1. 索引阶段（Offline）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、E5等模型生成稠密向量元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，…

#字节#向量库时效性#RAG 工作流程

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：从系统链路、检索选型到评测与权限，演示面试官怎样验证一段 RAG 项目描述这不是候选人实录，而是一套用于自测的教学对话。请把示例问题换成自己的项目事实，再练回答。本文是教学设计，不对应真实公司、候选人或录用结果。文中不预填项目规模、个人职责与效果数字；练习时只能使用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师 …

#RAG#项目深挖#教学复原

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 1 章:为什么做 RAG?

匹配正文：…问题"高原反应保不保",知识库里没有 → 检索为空 → 模型只能凭记忆编,这就是幻觉的来源(私域盲区)。 🎉 你刚跑通的,就是 RAG 最核心的一条流水线:检索 → 把资料塞进上下文 → 基于资料回答。真实系统只是把"关键词匹配"换成了更聪明的"向量检索"(把文字变成一串数字向量,靠"语义相近"而不是"字一样"来找),把"一条字典"换成了"几千份文档切成的块",但骨架就是这个。迷你 RAG 的核心流水线:检索 → 拼上下文 → 照着答 / 未命中则瞎猜 🛠️ 动手实验:…

#RAG#检索#项目实战

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…先读过第 1 章,这章是把第 1 章那条"迷你流水线"展开成完整骨架如果第 1 章还没看,建议先回去:第 1 章 · 为什么做 RAG。先看一个教学用的"架构演进" 下面用一个虚构的保险资料问答场景拆解架构,不代表作者或学员的客户项目。假设知识库包含产品条款 PDF、培训 PPT 和录播视频字幕,最小版本常会遇到两类问题: 像「公司的报销制度是什么」这种流程型问题,答案明明白白躺在制度文档里,却因为只有几个关键词、纯向量检索抓不准; 像「怎么提升销售业绩」这种思考型问题,…

#RAG#检索#项目实战

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…题的模块分布,能直接反映"这个方向面试考多少"。方向是什么 / 解决什么问题面试频率(站内题量) 代表题库模块代表教程章 RAG 检索增强让模型基于你的知识库回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 RAG基础 62 RAG 基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最…

#求职#职业转型