匹配正文：…样直接面对全库。这也决定了两个模型的验收问题不同：验收 Embedding，要问“正确证据有没有进入前 K 个候选”；验收 Rerank，要问“在候选已经包含正确证据的前提下，它有没有把证据排到更适合生成模型使用的位置”；验收整条链路，还要问“最终提供给生成模型的上下文是否完整、互补，而不是重复堆叠”。如果不先拆开职责，常见的误判是：正确证据根本没召回，却把责任归给 Rerank；或者召回已经够好，只因为最终回答不准就不断更换 Embedding。面试官追问模型选型…

#RAG#检索与重排#Embedding 模型选型

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…进来",更是把最相关的几条顶到最前面(和最后面),正好避开 LLM 的注意力盲区。业内行话:面试被问"检索都召回对了,为什么还要重排?",除了"粗排会把反面排前面",再补一句 "还有 Lost in the Middle:位置会影响 LLM 利用率,精排负责把最相关的顶到首尾",层次立刻不一样。工程上还有个配套做法:重排后按相关性做首尾交替摆放(最相关放最前,次相关放最后),进一步对冲中间盲区。 2.4 reranker 模型怎么选精排模型选型中文 / 中英混合:优先看…

#RAG#检索#项目实战

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…模糊、需要多段证据或候选高度相似时，才可能需要更宽的候选和精排。这是一种按问题风险分配计算的思路，不是给每次请求固定堆满组件。 Rerank 模型应该怎么选？本题只保留和“成本”直接相关的判断：在固定粗召回候选上比较排序质量、候选截断、批量吞吐和尾延迟。Embedding 与 Rerank 的完整候选筛选、榜单边界、部署约束和迁移流程，单独放在模型选型题中展开。 Embedding 与 Rerank 的选型矩阵 Embedding 先看召回覆盖和索引成本，Rerank…

第 1 / 2 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#检索与重排#RAG Rerank

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：… 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Prompt → LLM生成答案关键设计：检索结果作为**上…

#字节#向量库与重排序#RAG 架构设计

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配口述回答：…候用稀疏向量？比如订单号检索，稀疏向量或者关键词匹配更准；而意图理解，稠密向量更好。真正稳定的RAG系统，往往是稠密加稀疏再加[[重排]]，但重排会增加延迟，所以需要根据业务场景做取舍。所以整体上，我会把Embedding模型选型看成是工程和效果的平衡，没有银弹。我更倾向先用小规模数据做离线评测，选一个基线，然后根据线上bad case迭代。本质问技术选型与工程落地的平衡 Embedding选型策略：任务驱动，混合使用向量化入库流程：分块、向量化、元数据、索引落地风险…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配标题与标签：Embedding 模型选型考虑哪些因素? 文本向量编码场景下效果与性能的权衡,多维度对比模型微调百度向量检索 Embedding 模型选型文本向量编码 Embedding 效果性能百度

#百度#向量检索#Embedding 模型选型

面试题·检索· 字节

RAG 重排作用与实现

匹配追问：…似相关但实际答非所问的情况？……如果让你加一个模块专门解决这个问题，你会怎么设计？直球架构 RAG的检索-生成流程中，为什么需要重排模块？它的核心作用有哪些？请列举常见的重排实现方式，比如模型选型和工程部署上的考虑。

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：答案要点 Embedding模型选型与微调多路召回与混合检索策略重排序（Rerank）机制查询理解与改写检索结果评估与迭代优化 1. Embedding层优化模型选型：根据领域特点选择模型（通用场景用BGE/M3E，垂直领域用微调模型）领域适配：用业务数据对Embedding模型做对比学习微调，缩小语义鸿沟动态更新：商品/内容Embedding随属性变化及时刷新，避免语义漂移 2. 多路召回策略召回方式适用场景向量召回语义相似，理解用户意图关键词/BM…

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配正文：…索速度与推理延迟多语言支持与跨语言检索能力微调扩展性与模型生态核心选型维度 1. 语义质量指标 MTEB榜单排名：参考检索、重排序、聚类等任务的综合表现领域适配性：通用模型（如BGE、E5）vs 领域微调模型（如GTE-medical）上下文长度：支持512/2048/8k tokens，长文档需截断或分层处理 2. 工程性能指标向量维度：常见768/1024，维度↑精度微增但存储和计算成本线性↑ 推理速度：batch处理吞吐量（QPS），影响实时索引构建模型大…

#百度#评估与监控#向量检索

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_search、n…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：… Embedding模型 → 查询向量 q ANN索引快速召回Top-K候选（如HNSW的ef_search参数控制深度）可选：重排序（Cross-Encoder精排）提升精度四、生产优化要点混合检索：向量相似度 + BM25关键词召回，融合排序（RRF算法）量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，总索引另计元数据与结构；INT8需校准，目标Recall/MRR与长尾质量变化要实测，不承诺固定<2%。增量更新：避免全量重建索引，使用HNSW…

#字节#Embedding向量检索#Embedding 向量数据库

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：…岗位：大模型应用工程师准备时间：按自己的准备进度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…

#RAG#项目深挖#教学复原

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：… 应用场景只会调包会卡在哪里需要补的模型侧能力企业知识库问答答案不稳定,错了不知道是检索还是生成问题 Embedding、重排、评估集、引用溯源 Agent 工具调用工具乱调、循环失控、成本爆炸 ReAct、状态机、工具 schema、终止条件领域客服助手语气和流程不稳定,模板约束不够 SFT/LoRA 的适用边界、数据构造高并发推理服务延迟高、显存吃紧、成本不可控 KV Cache、批处理、vLLM/SGLang 基本概念结果质量评估只能靠肉眼看,无法…

#求职#职业转型

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…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,顺便看清它的硬伤。在开始之前你需要: ✅ 装好 Python(3.9+),能看懂…

#RAG#检索#项目实战

求职指南·求职

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…这句话说得越具体,项目越像真的。技术决策和权衡是四条里最值钱的。面试官真正在挖的是「你在岔路口选了哪条、为什么」。切块策略、嵌入模型选型、混合检索的权重、什么情况下检索失败怎么兜底——每一个「选了 A 没选 B」的地方都是一个可讲的决策点。量化结果哪怕数字是自己构造的测试集测出来的,也远胜于没有。「召回率 81%」自带追问入口(怎么测的、测试集怎么来的),而「效果不错」是死路,面试官接不下去,只会觉得你没做过。扛住追问是前三条的验收。一个技术点如果只经得起一层提问,说明…

#求职#职业转型

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…,也要把评估和降级这两块讲透——那才是加分项。准备系统设计与编码的行动清单架构类考点打底:刷模型架构题库,把注意力、上下文、模型选型这些系统设计里绕不开的概念过一遍。服务化与成本、延迟:看 Deep Research 服务化章和推理优化题库,搞懂批处理、KV Cache、并发调度这些高并发推理服务的瓶颈。把 RAG 系统设计讲透:通读 RAG 系统怎么从零搭起,它本身就是一份系统设计答案,切块/检索/重排/评估每章都能直接搬到白板上。把系统设计和项目讲法打通:…

#求职#职业转型

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…号语义连贯：处理跨页断句、表格换行，必要时用VLM提取图片/图表信息元数据保留：记录文档来源、章节标题、时间戳，用于后续过滤和重排序二、文本分块：粒度与上下文的权衡策略原理适用场景注意点固定长度按token/字符数切分，带重叠窗口通用场景，实现简单固定长度与重叠窗口都只作为候选配置，具体大小由文档结构、Embedding输入限制和同一评测集上的证据完整率、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 …

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：答案要点文本预处理策略（分块、清洗、元数据保留） Embedding模型选型依据（中英双语、上下文长度、领域适配）向量生成与批量优化归一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页…

#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

匹配正文：… 向量归一化的作用与L2归一化实现余弦相似度的数学原理与计算优化 ANN近似最近邻算法（HNSW、IVF等）的应用场景一、嵌入模型选型场景推荐方案特点通用中文 BGE-large-zh、M3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂直领域领域微调（如法律、医疗）用领域数据微调通用模型关键考量：维度（通常768/1024/1536）、上下文长度（512-8k）、…

#安克科技#RAG 向量化#Embedding 模型

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：答案要点数据收集策略与来源选择数据清洗与质量评估方法 Embedding模型选型与微调向量索引结构选择（HNSW/IVF）检索策略优化（重排序、混合检索）知识库更新与维护机制一、数据收集阶段来源分类结构化数据：数据库、API、Excel表格非结构化数据：PDF、Word、网页、聊天记录半结构化数据：Markdown、JSON、XML 关键原则优先收集高频查询场景的数据建立数据版本管理和溯源机制二、数据清洗与预处理核心步骤格式统一：PDF转文本（处…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：答案要点区分通用嵌入模型与专用嵌入模型的差异掌握主流模型的核心特点（如M3E、BGE、GTE、OpenAI等）理解模型选型需考虑的因素（语言支持、向量维度、上下文长度、推理成本）了解领域适配和微调策略能结合实际场景给出选型建议主流文本嵌入模型分类 1. 开源中文模型（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文…

#百度#文本嵌入模型#Embedding 模型对比

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比微调…

#字节#大模型幻觉#RAG 原理