匹配正文：…组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战零基础,想先跑起来概念白话 + 玩具向量化代码 ~50% 🎯 Part 2 · 面试深度想讲透、备战面试模型选型 + 向量库索引 + 微调 ~40% 🏆 Part 3 · 验收串题检验学到位没关联面试题 + 自检清单 ~10% 🚀 Part 1 · 主线实战｜ ~50% 这部分零基础也能跟着做。先用一段不依赖任何库的代码,把"文字变向量、靠向量找相似"跑通,顺便看清它…

#RAG#检索#项目实战

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…次化结构先按章节，再按段落滑动窗口需要上下文连贯比较无重叠、短重叠和较长重叠关键细节：chunk size 必须低于实际嵌入模型的输入限制，并在同一评测集比较；过小可能造成语义碎片化，过大可能稀释关键信息。二、嵌入模型选择选型维度：通用场景：sentence-transformers/all-MiniLM-L6-v2（轻量，384维）中文场景：BAAI/bge-large-zh、智谱Embedding-2 领域适配：领域数据继续预训练或对比学习微调优化技巧…

第 1 / 6 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#文档处理#向量检索

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配标题与标签：Embedding 模型选型 vs 落地流程? RAG 中文本分块、向量化到存入 Milvus 的完整流程文档处理字节 Embedding 模型选型 RAG 向量化流程文本分块策略 Milvus 向量数据库字节

#字节#Embedding 模型选型#RAG 向量化流程

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·检索· 京东

向量数据库选型关键因素有哪些？

匹配标题与标签：向量数据库选型关键因素有哪些？ RAG场景下性能、索引类型、可扩展性等关键因素检索京东向量检索向量数据库选型 RAG 向量数据库向量数据库关键因素京东

#京东#向量检索#向量数据库选型

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Embedding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小→上下文丢失；块太大→检索精度下降、Embedding稀释。实践中常组合使用，如先按标题分章节，再语义细分。三、Embedding模型选型候选模型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…检索时可做过滤，生成时可注入prompt提升可信度动态分块根据查询意图选择块大小：摘要类用大chunk，事实类用小chunk 选型建议 ToB知识库（合同、手册）：优先比较结构感知、递归与语义分块，验证条款完整性 ToC搜索（商品、资讯）：比较固定长度、结构边界与不同重叠窗口，重点验证响应速度与召回代码文档：按函数/类边界分，保留语法结构最终块大小应同时匹配Embedding输入限制、LLM上下文预算和业务评测结果。学习建议建议掌握大模型训练基础，深入理解推理路径…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配追问：…个企业知识库问答，用户上传了一堆混合了中英文的PDF和网页。你怎么把这些文档切成合适的片段，然后转成向量存到库里？从文本清洗到最终向量入库，你具体怎么走？层层追问做RAG检索时，文档和查询怎么变成向量的？……那你文本预处理一般怎么做？……选embedding模型要考虑哪些因素？……向量生成后为什么还要归一化？直球架构请描述RAG系统中文档或查询的向量化全流程，重点讲文本预处理策略、embedding模型选型依据、向量生成与批量优化，以及归一化的作用。工程上有什么注意事…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配追问：场景切入我看你做过文档问答系统。假设用户上传了一本手册，我们把它切段后向量化，上线后用户问问题。你怎么决定切多长？重叠窗口怎么设？嵌入模型选哪个？层层追问向量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配追问：场景切入假设你做一个知识库问答系统，用户上传了几百份PDF合同，需要从中检索条款。你怎么把这些文档存到向量库里？从解析、分块到选模型和建索引，大致步骤说一下吧。层层追问 RAG系统里文档数据怎么处理才能检索？……那原始文本读进来之后，分块你一般怎么分？……如果文档很长，比如法律条文，怎么保证语义连贯？……嵌入模型选型要考虑哪些因素？……最后存到向量库，索引结构你怎么选？直球架构讲一下RAG系统中从原始文本到向量数据库的完整数据流，包括文档解析、分块策略、嵌入模型选型以…

#安克科技#评估与监控#RAG 文档向量化

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配追问：…机器人，用户上传了一堆PDF和Word文档。你打算怎么把这些文档转成向量存起来？从原始文本到向量，中间要经过哪些步骤？层层追问 RAG系统里，文本怎么变成向量？……那文档很长怎么办，直接整篇编码吗？……分块的话，块大小怎么定？……选什么编码模型？中文场景有没有推荐的？……向量存进去之后，怎么保证检索质量？直球架构请你描述一下RAG系统中，将文本内容转化为向量表示的完整流程。包括分块策略、Embedding模型选型、向量维度与归一化、以及质量评估方法，每个环节的关键点是什…

#安克科技#RAG 文本向量化#分块策略

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：答案要点明确业务场景需求（检索、聚类、分类）决定选型方向掌握主流模型特点（BERT系、Sentence-BERT、M3E、BGE等）的优劣对比理解维度、上下文长度、多语言能力的权衡知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模…

#百度#向量检索#Embedding 模型选型

面试题·检索· 字节

RAG检索方法选型原因？

匹配追问：…统，用户问“我的订单怎么还没到”，系统需要同时理解“订单延迟”这个语义，又要精确匹配订单号。你实际会怎么设计检索策略？层层追问 RAG里你一般怎么从文档里找答案？……如果只用向量检索，碰到“iPhone15”这种精确型号会不会漏？那你怎么把精确匹配加进来？……两个结果怎么融合？直球架构在RAG系统中，你采用了哪些检索方法？请说明选型原因，并讨论至少两种优化策略，包括索引、查询或重排序方面的具体手段。

#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：…策略（如RRF）知道何时需要重排序（Cross-encoder）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） …

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：答案要点余弦相似度的数学原理及为何适用于高维向量 HNSW和IVF的核心机制与适用场景建索引时参数调优的关键维度（ef_construction/M/nlist/nprobe）精度与效率的权衡策略（分层检索、量化压缩、动态阈值）一、相似度计算方法余弦相似度是RAG中最常用的度量：公式：cos(θ) = (A·B) / (||A|| × ||B||) 核心优势：对向量长度不敏感，只关注方向一致性，适合语义相似性判断工程实践：向量通常已归一化，此时点积等价于余弦相似…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：…代价。没有做过消融或没有线上指标时直接说明，再给出下一步验证方案。这样既能讲清机制，也不会把教学示例包装成本人经历。这道题问的是RAG检索怎么选型与优化，本质是平衡精度、召回和业务约束先说混合检索：稠密加稀疏，各自边界与融合策略再说查询层优化：HyDE和Query Expansion 然后索引和重排的工程细节最后是评估闭环和我的取舍约4分钟先用查询切片和 bad case 判断问题位于切块、召回、融合还是重排，再决定是否增加模型复杂度。面试官可能继续追问如何构造…

#字节#混合检索#RAG 文档检索选型

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配追问：…你做一个客服知识库问答系统，用户问的问题要实时匹配千万级FAQ向量，延迟要求50ms以内，但召回率不能低于95%。你会怎么设计这个向量匹配模块？层层追问 RAG里query向量和知识库向量怎么匹配最快？……直接暴力搜索肯定不行，那你会用哪些近似搜索算法？……HNSW和IVF有什么关键参数会影响召回率和延迟？直球架构请你讲一下RAG系统中高效实现向量相似度匹配的核心技术，重点包括ANN算法选型、索引结构设计以及召回率、延迟、内存之间的性能权衡。

#安克科技#ANN性能权衡#RAG 向量匹配

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·文档处理· 字节

文本块怎么转向量并建索引?

匹配正文：…/HNSW/GPU 黑盒HNSW HNSW+BM25混合实时更新需重建支持增量自动支持混合查询需二次开发标量过滤+向量元数据过滤 GraphQL+向量成本低（人力高）中高（按查询付费）中三、RAG场景的技术选型决策决策框架：精度-延迟-成本数据规模<1M，延迟敏感 → FAISS HNSW，自研服务数据规模1M-100M，需实时更新 → Milvus集群，IVF_HNSW索引快速验证/MVP → Pinecone，零运维但成本高需要关键…

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…NN算法（HNSW、IVF-PQ等）建立可高效检索的数据结构二、常用嵌入模型对比模型特点适用场景 OpenAI text-embedding-3 语义质量高，API易用，按token计费快速验证、中小规模、预算充足 BGE/M3E（开源）中文优化好，可本地部署，成本可控大规模生产、隐私敏感场景 E5/GTE 长文本支持好，学术benchmark领先长文档检索、技术报告类场景 ColBERT 延迟交互模型，细粒度匹配能力强高精度要求、可接受更高延迟选型要点：…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 美团