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·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· 小鹏

RAG检索优化：向量检索与重排序

匹配正文：答案要点向量检索优化：HNSW索引、量化压缩、分区策略重排序策略：Cross-Encoder、ColBERT、多阶段排序查询扩展：HyDE、Query Rewriting、子查询分解混合检索方案：向量+关键词融合实际落地中的工程权衡一、向量检索优化索引层面 HNSW（Hierarchical Navigable Small World）：主流近似最近邻算法，平衡召回与速度；关键参数M（邻居数）和ef（搜索宽度）需根据数据规模调优量化压缩：PQ（Product …

第 1 / 12 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

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…验问题诊断：先定位失效环节召回问题：相关文档没进候选池 → 需优化向量表示或扩大检索范围精确问题：噪声文档混入 → 需过滤或重排序排序问题：相关文档得分低 → 需重排序模型或特征工程核心应对策略 1. 查询侧优化（Query Rewriting）意图澄清：用LLM扩展同义词、补全省略的主语伪文档生成：HyDE 用模型生成假设答案再检索查询分解：复杂问题拆成子查询分别检索 2. 检索侧增强混合检索：向量+关键词 BM25 融合，互补长尾和精确匹配多路召回：不…

#字节#检索故障诊断#检索质量优化

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…rics-proof；ablation_missing → metrics-proof。下一步：failure。配套学习：召回策略怎么选? Recall@k 怎么看?、多路召回评估指标与RAG场景。 6. metrics · metrics-proof 请把同一 query 集上的单路召回、融合与重排结果并排列出，并说明各模块去除后的变化；没有对照记录时不要归因到某个组件。考察重点：二次核验缺失的指标证据；仍无法提供时，在复盘中标记为“只有知识，没有项目事实”。 Rec…

#模拟面试#简历项目#连续追问

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

#专题学习#重排与检索优化面试题大全

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：…库到最终证据的检索漏斗快速召回负责缩小范围，Rerank 只处理候选，最终再按上下文预算截断。各层解决的问题不同。这条链路里，Rerank 不负责凭空找回候选集之外的文档。如果正确证据没有进入粗召回 Top-N，Cross-Encoder 根本看不到它。无论模型多大、打分多细，都不能把不存在的候选重新创造出来。所以排查时必须先问：正确证据在不在 Top-N？不在，先查解析、切分、过滤、Query、Embedding 和召回策略。已经在，但排得太后，再查 Reran…

#RAG#检索与重排#RAG Rerank

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…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。系统返回的每条候选都可能看起来相关，但只有能够直接支持参考答案的原文，才是这次问题应该追踪的对象。因此，一条可调试样本至少要准备三样东西：原始 Query、参考答案、正确证据位…

#RAG#生成与对话#RAG 检索优化

面试题·Agent· 高德

Agent长期记忆Embedding检索策略

匹配正文：…ortance_scalar, # 扩展为向量或作为后续加权 entity_sparse_vec # 用于快速过滤 ]) 二、检索策略：混合排序三阶段检索粗排：实体标签/关键词倒排索引快速过滤精排：向量相似度（余弦/IP）+ 时间衰减函数 score *= exp(-λ·Δt) 重排：访问频率加权 + 多样性去重（MMR算法避免冗余）时效性建模近期记忆：高权重，原始文本保留中期记忆：中等权重，自动摘要压缩远期记忆：低权重，仅保留关键事件节点三、噪声过滤机制问…

#高德#Agent#Agent长期记忆

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配正文：…持原子更新事件记忆向量数据库 + 元数据摘要向量 + 时间戳 + 主题标签原始对话对象存储压缩归档，用于总结生成检索策略多路召回：向量相似度 + 时间衰减 + 主题标签过滤重排序：用轻量模型对候选记忆打分，取Top-K 动态窗口：根据当前话题相关性调整记忆权重更新策略实时更新每轮对话后提取关键信息（用LLM或规则）增量写入短期记忆，异步更新长期记忆定期总结对话结束后触发总结任务，生成"会话摘要" 周期性（如每周）聚合摘要，更新用户画像冲突处理 …

#字节#百度#Agent

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配正文：…nk大小 + prompt + 输出 < context window 4. 元数据增强存储chunk的标题、章节、页码等，用于重排序或过滤 5. 评估驱动迭代用Hit Rate、MRR等指标对比不同策略结合端到端问答效果做最终判断实际项目中可先把递归分块、结构分块和不同重叠窗口作为候选，再根据同一评测集和bad case决定是否引入语义分块。学习建议建议系统学习该知识点

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配口述回答：…解析→分块→编码→批量写入，元数据携带来源位置风险与取舍：元数据设计、增量更新、上线前用固定query验证召回率约2分钟分块策略与重排阶段互相影响，需要根据重排结果反向调整粒度，形成闭环。面试官可能会追问重排窗口怎么设、分块和重排如何协同调优。

#蔚来#文档处理#RAG文本分块

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配正文：核心评估指标体系一、离线检索指标（选策略阶段）指标含义 RAG场景意义 Recall@k 前k个命中的相关文档数 / 全部黄金相关文档数检查证据覆盖；至少命中一份应另报Hit@k MRR (Mean Reciprocal Rank) 首个相关文档排名的倒数均值关注"多快能找到" NDCG@k 考虑位置加权的排序质量头部结果的相关性优先级 Precision@k 前k个结果中相关文档占比过滤噪声能力 Recall@k的特殊性：RAG与推荐系统不同——推荐可"猜对"…

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：…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：上下文过长、信息冲突、幻觉上下文压缩：检索后先用小模型抽取关键片段，或递归摘要，控制输入在模型有效窗口内多路召回融合：多Query并…

#字节#评估与监控#RAG 性能瓶颈

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配正文：答案要点数据构建：文档切分策略、元数据标注、负样本构造检索优化：混合检索、查询改写、Embedding微调后处理：重排序模型、上下文压缩、置信度过滤评估数据集：MS MARCO、Natural Questions、HotpotQA、自建业务数据集数据构建层面文档切分优化按语义边界切分（标题、段落），避免硬截断；重叠窗口保留上下文连贯性构建多级索引：摘要级 + 细节级，先粗筛再精确定位数据质量提升清洗低质量文档，添加领域-specific的元数据标签（时间、…

#字节#RAG 检索噪声#RAG 数据构建

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…query表述模糊，需要深度理解意图对答案准确性要求极高（医疗、金融）关键权衡：候选集大小：通常取Top-K=20~100做重排，K太大延迟爆炸，太小可能漏掉优质doc 延迟优化：可用轻量交叉编码器（如MiniLM）、蒸馏模型，或GPU batch推理级联策略：多轮重排（粗排→精排→LLM pointwise打分）平衡效果与成本一句话总结重排是用计算换精度的关键设计，让RAG从"找得到"进化到"找得准"。学习建议建议先掌握RAG基本流程，理解检索与排序的区别，…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：…好但慢 Late Interaction ColBERT、ColBERTv2 保留token级向量，延迟交互，效率与效果平衡轻量重排 MiniLM、蒸馏版边缘部署， latency敏感场景实际落地要点截断策略：重排输入不宜过长，通常对doc做滑动窗口或关键片段提取级联过滤：可先过轻量模型（如ColBERT）再过重模型，控制成本领域适配：通用重排模型在垂直领域往往需微调，可用点击/人工标注数据字节等厂的实际系统中，重排基本是标配，尤其在搜索问答、客服等对准确性要求…

#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

匹配正文：…正包含答案依据，降低幻觉风险信息密度优先排序信息完整、结构清晰的文档，提升上下文利用效率多跳推理对需要组合多个文档的场景，重排能更好识别互补性文档工程实践要点模型选择：轻量场景用Cross-Encoder（如bge-reranker），复杂场景用LLM-as-Reranker 截断策略：通常向量检索取Top-100~200，重排后取Top-5~10送入生成延迟控制：重排是同步阻塞环节，需控制候选数量或模型大小学习建议建议系统学习该知识点

#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

匹配正文：…）特征：向量分数、BM25、点击反馈、文档结构模型：GBDT（LightGBM）、DNN（DIN/DIEN） 4. 大模型作为重排器用LLM直接输出相关性判断或分数（成本高，离线或精排top-K用）工程实践要点级联策略：初检Top-100 → 重排Top-10 → LLM生成缓存优化：高频query的重排结果缓存动态截断：根据分数gap自适应选择K值，非固定Top-K 学习建议建议系统学习该知识点

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…ansformer，计算复杂度O(n)，无法承受直接扫描百万级文档的延迟和成本。架构优缺点优点效率可控：召回阶段毫秒级响应，重排阶段只处理小候选集精度可扩展：重排序能捕捉细粒度语义交互（如query词与doc的精确匹配）灵活解耦：可独立优化召回策略（换embedding模型）或重排策略（换reranker）缺点误差累积：召回漏掉的优质文档，重排阶段无法挽回（recall天花板）系统复杂：需维护两套索引和模型，增加运维成本延迟叠加：两阶段串行，总延迟 = 召回…

#字节#两阶段检索#RAG 重排序

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配口述回答：…]] 指标里的上下文精度，如果重复率太高就加大步长。另外，块大小不能超过 LLM 的上下文窗口，但也不能太小，否则信息密度低，[[Rerank]] 也救不回来。还有一个方向我最近在关注，就是智能分块，比如用 LLM 自己判断断点，或者对 Markdown、JSON 按语法树切分。这个在代码或表格场景里效果很好，但代价是延迟和成本。如果面试官感兴趣，我可以展开讲讲结构化分块怎么跟元数据标注结合，来提升检索精度。所以总结一下，我不会把 chunk 策略看成孤立的选择，我更倾向…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：…dding-ada-002虽然支持8191 token，但有效信息往往在前512，切太大反而浪费。实际工程里，我通常不会只用一种策略。比如处理企业SOP文档，我会先用结构化分块按章节切，再对每个章节用语义分块按段落切，这样既保留了文档结构，又保证了段落语义完整。检索时粗排用大块保召回，精排用小块保精准，配合[[Rerank]]效果更好。落地风险也很明显。前提是分块策略要和检索方式匹配。如果只做向量检索，语义分块比固定长度好；但如果混合了[[BM25]]关键词检索，固定长度…

#百度#文本分块#chunking 策略