匹配正文：适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实检索场景】的混合召回与重排，承担【真实模块和决策】。需要准备：查询与语料场景；职责边界；候选生成与排序工件。使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。需要准备：基线；融合参数；消融结果；工程代价。逐层练习 1.…

#模拟面试#简历项目#连续追问

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：…护和监控成本。所以加权融合的优势是控制力强，可以使用分数差距、查询类型和业务先验；代价是必须承担分数校准、权重选择和分布漂移。 RRF 为什么不看原始分数 RRF 的全称是 Reciprocal Rank Fusion，中文常译为倒数排名融合。它不比较不同检索器给出的原始分数，只关心文档在每一路排第几。常见形式是： RRF(d) = Σ 1 / (k + rank_i(d)) rank_i(d) 表示文档 d 在第 i 路结果中的名次，k 是平滑常数。文档在某一路越靠前，…

#RAG#检索与重排#RRF

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：…样可靠的内容。数轴对齐以后，解释分数的工作仍然存在。开发者缩放向量分数，单路名次卡不动，直接相加的第一名由A翻为B 只交名次卡，RRF舍弃了什么分数暂时难以对齐时，可以先试一条不同的路线：只交名次，不交原始分数。RRF，也就是倒数排名融合，采用的就是这个思路。一个候选在某一路排第r名，这一路给它的贡献是1/(k+r)，再把它在各路的贡献加起来。名次从1开始，k是平滑常数。本实验固定k为60。B在BM25排第二，在向量排第一，因此贡献为1/62+1/61；A分别排第一和第…

第 1 / 3 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

#RAG#混合检索#RRF

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：…使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部分当成模拟面试。不要背示例项目，先在纸上写下自己的资料类型、请求链路和…

#RAG#项目深挖#教学复原

系统教程·检索

重排与检索优化面试题大全

匹配正文：…提升有效上下文”。混合检索和重排怎么配合？混合检索负责扩大候选，重排负责统一相关性判断。常见做法是 BM25 + 向量召回后 RRF 融合，再用 reranker 精排前几十条。继续学习 RAG 面试题大全与知识体系系统设计：把检索链路做成可评估系统

#专题学习#重排与检索优化面试题大全

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：… size 为什么这么设? overlap 怎么定? 下午加混合检索、重排或 Query 改写 BM25 和向量检索怎么融合? RRF 的 k 怎么解释? 晚些做评估集和错误分类 Recall@k、MRR、答案正确率怎么量化? 发布前加引用溯源、拒答、权限过滤没依据时怎么拒答? 不同用户能不能看到同一份文档? RAG 很适合后端转型,因为它一半是数据管线和服务系统,一半是模型行为。站内的RAG 智能问答系统就是按这个链路设计的:从文档处理到检索、重排、记忆、引用、评估…

#求职#职业转型

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…键词检索一起上 ✓ 理解 BM25 相比 TF-IDF 强在哪(词频饱和、文档长度归一) ✓ 学会两套分数怎么融合:归一化、加权、RRF ✓ 理解"动态权重":不同查询信任不同的那条腿 ✓ 知道高效召回的三个旋钮:候选池 N、top-k、元数据过滤本章按三段式组织,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 + 纯 Python BM25 ~50% 🎯 Part 2 · 面试深度想讲透、备战面试 B…

#RAG#检索#项目实战

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…预期可以读RAG 工程面试教学复原。这类案例的重点不是“别人拿到了什么结果”,而是看面试官怎么追问:文档切分、召回、重排、评估、RRF 参数、项目真实性,每一层都在验证候选人有没有真正做过。你读面经时要做两件事: 把每个追问映射到自己的项目里:如果同样问你,你怎么答? 把答不上来的地方变成项目补丁:补评估、补参数依据、补错误样例。看几个真实反馈:在职转型靠的是迁移,不是清零我挑这几条在职样本,是因为它们都有一个共同点:不是把过去经验清零,而是把后端、测试、业务系统里的…

#求职#职业转型

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：…?" → 第 3 章(核辐射事故 + 三代演进); "为什么要混合检索?两套分数怎么融合?" → 第 5 章(BM25 短板 + RRF); "都召回了为什么还要精排?" → 第 6 章(粗排排错 + Lost in the Middle); "多轮里的指代怎么处理?历史太长怎么办?" → 第 8 章(指代消解 + 裁剪); "怎么保证答案不是编的、能溯源?" → 第 9 章(拒答 + 引用归因); "你怎么知道优化真的有效?" → 第 10 章(评估集 + Recall/M…

#RAG#检索#项目实战

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…率高）、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优化混合检索：向量相似度 + 关键词匹配（BM25），用RRF融合排序查询改写：扩展同义词、纠错，提升召回重排序（Rerank）：用Cross-Encoder精排Top-K结果学习建议建议系统学习该知识点

#美团#RAG 知识库搭建#文档预处理

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：一、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…离语料和查询分布。稠密检索擅长语义改写，稀疏检索擅长专有名词、编号和数字的精确匹配；两类查询同时存在时，可以采用双路召回，再通过 RRF 或经过验证的加权策略融合。 1. 三类方案的边界方案优势主要风险稠密检索同义改写、自然语言意图专有名词和长尾实体可能漏召回 BM25 等稀疏检索关键词、编号、错误码精确命中难以覆盖语义改写混合检索同时覆盖语义和字面信号两套索引增加延迟、成本和维护复杂度 RRF 只依赖名次，适合不同召回分数难以直接比较的情况；线性加权需…

#字节#混合检索#RAG 文档检索选型

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…bge-reranker），提升Top-K质量三、关键优化技术 1. 检索侧优化混合检索：向量语义匹配 + 关键词BM25，用RRF融合排序查询改写：HyDE（假设文档嵌入）、Query扩展、多跳检索上下文压缩：LLMLingua、LongLLMLingua，减少token消耗 2. 生成侧优化重排序后Top-K：精排后取3-5条最相关，避免噪声干扰引用溯源：让模型输出引用标记，便于事实核查 3. 工程优化预检索缓存：热门Query结果缓存增量索引：支持实时数…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…语义段落切，256-512 tokens；重叠窗口作为待测变量，并用同一评测集验证边界证据、召回与成本检索策略稠密+稀疏混合（RRF融合），复杂场景加知识图谱查询优化 HyDE（假设文档嵌入）、Query扩展、多Query生成上下文处理重排序精筛Top-5，过长时压缩或摘要生成控制要求模型标注引用来源，方便事实核查四、核心挑战检索失效：Query与文档语义鸿沟→用Query改写或HyDE缓解上下文窗口：多文档拼接超限→Rerank精筛+递归摘要知识冲突：…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：…：限定为"严谨助手"，降低创造性温度 2. 上下文组织（低成本）问题策略片段过长递归摘要、关键句提取多片段冲突重排序（RRF/学习式）、冲突检测后分段生成位置偏见（Lost in Middle）关键信息放首尾，或多次重复 3. 模型微调（高成本） SFT：构造"检索上下文→忠实回答"数据对，重点训练拒答能力（上下文不足时明确说不知道）和引用生成 RLHF/DPO：奖励模型加入"事实一致性"维度，惩罚幻觉领域适配：若检索内容含大量领域术语，需补充领域预训练 4…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…lasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3. 查询理解与改写意图识别：区分"诊断建议"vs"用药禁忌"（医疗）、"法条查询"vs"类案检索"（法律） Query扩展：用领域词典做同义词扩展，如"新冠"→"COVID-19/新型冠状病毒肺炎" 多轮澄清：置信度低时主动追问（如"您指的是刑法第X条还是民法第…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配正文：…识别与改写；多路召回、跨模态重排；最后编排上下文、生成并验证引用。索引可将多模态对齐到共享向量空间，也可为各模态分别建索引后用 RRF、分数校准或重排器晚融合。共享空间便于跨模态检索但可能损失模态细节；分索引保留专用能力却增加路由和校准复杂度。关键挑战包括：细粒度区域或时间片对齐；OCR/ASR 错误和域偏移；有限上下文内的证据去重与排序；版权、隐私、提示注入和访问控制。评估要拆分各模态 Recall@K、跨模态重排、答案忠实度、引用定位、尾延迟和成本。财报图表问答、设备…

#阿里#多模态#多模态 RAG

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…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结果精细打分。双塔模型（Bi-encoder）分离编码查询和文档，精度受限；Cross-encoder拼接输入做交互注意力，相关性判断更准确实践：先用向量检索召回100条，再用轻量重排模型筛Top5，平衡延迟与效果 3. 查询改写（Que…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：… 效率优化要点增量更新：仅重索引变更章节，避免全量重建缓存策略：高频查询预计算热点片段检索增强：HyDE（假设文档嵌入）+ RRF融合排序学习建议建议系统学习该知识点

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 百度

RAG 项目指标化复盘

匹配正文：…分块和元数据 → 索引 → 查询处理 → 召回 → 重排 → 上下文 → 生成与引用 → 观测。选型取舍：稀疏/稠密/混合检索、RRF/加权融合、是否重排及参数依据。因果证据：固定评测集上的基线、单变量消融、延迟与成本变化、bad case 和上线边界。事实填空项目服务【真实场景】，语料来自【合法来源】，规模和版本【】。我负责【本人模块】，基线【】。失败切片【】由【日志/标注/回放】发现，采用【真实改动】，结果【真实指标和口径】，代价【】，仍失败【】，回退【】。证据…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：…结果造成 query drift。 2. 检索中：多路召回与排序 BM25 擅长字面、实体和编号匹配，稠密向量擅长语义近似，可用 RRF、归一化加权或学习排序融合。随后只对有限候选使用 Cross-Encoder 等重排模型。具体候选数由 Recall、nDCG、吞吐和延迟预算决定，不使用固定通用值。 3. 检索后：上下文选择对候选做权限和元数据过滤、去重、证据片段抽取、上下文压缩与排序，保留引用关系。块大小和压缩策略取决于文档结构、查询类型与模型窗口，不能用统一的 256…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…ing训练域不匹配优化方案：查询改写： HyDE（用LLM生成伪文档再检索）、Query扩展混合检索：向量+BM25融合（RRF排序），关键词兜底领域适配：领域数据微调Embedding模型（如BGE-M3继续训练）影响：命中率提升20%+，但改写增加1次LLM调用成本瓶颈3：上下文噪声干扰生成质量根因： Chunk切分破坏语义、无关文档混入、长上下文稀释注意力优化方案：精排策略：交叉编码器（Cross-Encoder）重排；LLM-as-Reran…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：…假设电商政策问答既包含自然语言问题，也包含订单号和时间条件。可以从 Naive 基线开始，再分别加入实体抽取、BM25、向量召回、RRF、重排和权限过滤。每次只增加一个主要模块，不能直接宣称准确率会达到某个数字。评测与选型分别测知识覆盖、Recall@K、MRR/NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。简单文档问答若基线已满足要求，不必升级；只有明确 bad case 和消融证据支持时才增加 Advanced 或 Agentic 组件。

#淘天#重排与优化#Naive RAG

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：…unk输出，降低用户感知延迟并行化：检索与LLM调用解耦，工具调用异步化正确率优化混合检索：向量+关键词+知识图谱多路召回，RRF融合查询改写：HyDE生成伪答案再检索，解决query-doc语义gap 重排序精排：Cross-encoder细粒度打分，过滤低质结果 Self-RAG：生成时主动判断是否需要补充检索，避免过度检索 Agent层优化规划阶段用轻量模型，执行阶段再用大模型工具结果结构化缓存，相同参数直接复用

#快手#RAG延迟优化#RAG 延迟与准确率优化