匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：为什么需要重排？ RAG通常采用两阶段架构：召回（Retrieval）+ 重排（Re-ranking）。召回阶段用双塔模型（如BGE、GTE）做向量相似度检索，追求毫秒级响应；但双塔模型的精度天花板明显——query和doc分别编码，缺乏细粒度交互，容易召回语义相关但不够精准的文档。重排的核心作用维度召回阶段重排阶段模型架构双塔（Bi-encoder）交叉编码器（Cross-encoder）交互方式无交互，独立编码拼接输入，深度交互计算成本低（可预计算…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：RAG检索优化可以从检索前、检索中、检索后三个阶段系统提升：一、检索前：查询优化查询扩展：用LLM生成伪文档（HyDE）或扩展查询词，弥补用户query语义不完整的问题查询改写：识别用户真实意图，消解歧义（如"苹果"→区分水果/公司）多跳查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如…

第 1 / 13 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#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 为何还要重排?

匹配题目：尽管初步检索已返回相关文档，为何还需在RAG系统中引入重排（Re-ranking）模型？请说明其作用机制及对最终生成质量的影响。

#字节#重排与优化#RAG 重排

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：…4/Claude等直接打分或生成排序理由极高精度需求、成本不敏感工程实践要点候选集大小：通常取向量检索Top-100~200重排，平衡召回与成本级联过滤：先用轻量模型（如bge-reranker-base）粗排，再用大模型精排Top-20 延迟优化：交叉编码器可蒸馏为tiny版本，或用ONNX/TensorRT加速；ColBERT支持PLAID索引进一步提速一句话总结：重排序是RAG从"可用"到"好用"的关键投入，建议至少部署轻量交叉编码器，高价值场景叠加LLM重排…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配题目：在RAG系统中是否可以引入重排（Re-ranking）模型？如果可以，它在检索流程中的作用是什么，常用模型有哪些？

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排收益与成本

匹配题目：在RAG系统中，为何需要在初步检索后引入重排（Re-ranking）模型？重排模型对最终生成结果的质量有何提升作用？

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 字节

RAG 重排作用与实现

匹配题目：在RAG系统中，为何在初步检索后还需引入重排（Re-ranking）模块？该模块的作用和常见实现方式是什么？

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配题目：在检索增强生成系统中，为什么需要在初步检索后使用重排序（Rerank）模型？其作用和优势是什么？

#字节#Rerank模型#RAG Rerank

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

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 为何需要重排序?

匹配正文：…导致语义偏移 3. 两阶段架构的设计逻辑阶段职责特点向量检索（粗排）快速缩小候选范围速度快、召回率高、精确率低 LLM重排/生成（精排）深度判断+综合决策理解深、可结合上下文、成本高直接用大模型做全库检索：成本不可接受仅用向量检索：精度不足，引入噪声会污染生成 4. LLM的独特优势上下文感知：结合对话历史理解当前问题多维度判断：综合时效性、权威性、完整性等推理能力：判断"这段内容是否能回答用户问题" 一句话总结：向量检索解决"找得快"，LLM解决"…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配标题与标签：RAG检索质量差：Embedding与Rerank调优大模型应用中 Embedding 与 Rerank 的调优策略检索字节检索故障诊断检索质量优化 Embedding 调优 Rerank 策略 RAG 上下文优化字节

#字节#检索故障诊断#检索质量优化

项目实战·RAG

RAG 智能问答系统

匹配正文：公开教学项目：从文档解析、检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.…

#项目实战#RAG 智能问答系统

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…价。逐层练习 1. ownership · ownership 简历原句是“【自己的真实项目描述】”。BM25、向量召回、融合和重排中，哪些组件及参数由你负责？考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。本人负责的模块、决策和交付边界团队、平台与外部服务的边界需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：RAG 文档检索选型。 2. ownership · owners…

#模拟面试#简历项目#连续追问

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

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：… · 验收串题｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【为什么要重排】 RAG 中为何需要引入重排(Re-ranking)模型? 中等 → 【漏斗分工】既然精排精度更高,为什么不能跳过召回和粗排直接对所有候选精排? 较难 → 【还需重排吗】尽管初步检索已返回相关文档,为何还需引入重排? 较难 → 【提升相关性的方法】除基本向量相似度检索外,还有哪些方法能有效提升检索结果相关性? 较难 → 【是否该重排】 …

#RAG#检索#项目实战

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…型回答”。Chunk 就是一段被切分出来的原文，后文直接称为“原文段落”。 2 分钟完整作答如果面试官没有打断，可以这样回答： RAG 同时使用 BM25 和向量检索，是因为两种方法解决的漏找问题不同。BM25 适合标题、编号和专业术语这类原词明确的问题，例如“报销制度”；向量检索适合用户换了一种说法的情况，例如用“如何推销保险产品”去找“保险销售技巧”。两路会先各找一批原文段落，再合并并重新排序。融合负责把两路结果放进同一份候选清单，重排负责再次比较问题与候选，把更能回…

#RAG#检索与重排#RAG 混合检索

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配标题与标签：Rerank 为什么更准，却不能对整个知识库运行？对比 Bi-Encoder 粗召回与 Cross-Encoder 精排，解释为什么正确证据必须先进入候选集，以及怎样平衡候选数量、排序质量和延迟。 RAG RAG 检索与重排 RAG Rerank Cross-Encoder Rerank 面试题检索重排 RAG 优化

#RAG#检索与重排#RAG Rerank

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：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…营养价值" 两者embedding相近（都是"苹果"），但用户意图完全不同核心矛盾：Embedding模型训练目标（语义相似）与RAG业务目标（任务相关）存在错位。解决策略（分层处理） 1. 查询侧优化查询重写（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rer…

#Embedding#Rerank#RAG 检索相关性

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→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_sc…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配标题与标签：RAG 检索增强技术有哪些？除向量检索外,HyDE、重排序、查询改写等增强技术详解 RAG 字节 HyDE RAG 检索质量查询改写重排序 RAG 增强技术字节

#字节#HyDE#RAG 检索质量