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· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…技术文档处理分块策略（固定长度/语义切分/递归切分）、元数据保留 Embedding模型通用场景用BGE/M3E，垂直领域需微调；多向量表示（ColBERT）向量数据库 Milvus、Faiss、Pinecone；考虑HNSW索引、量化压缩检索策略稠密检索 + 稀疏检索（BM25）混合；多路召回融合重排序 Cross-Encoder精排（如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BM2…

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

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…Embedding选型基座模型：GTE-large、BGE-M3通用能力强；领域数据充足时微调（如PubMedBERT医疗版）微调方法：对比学习+难负例挖掘，batch内动态难负例提升显著多路召回架构用户Query → 查询改写（HyDE/扩展）→ 向量检索（Dense）+ 关键词检索（BM25）→ 融合排序 → 精排模型（Cross-Encoder）→ Top-K上下文金融领域加粗体匹配规则（如"第X条"精确命中）重排序用bge-reranker或轻量LLM打分…

#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·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…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：查询端与文档端使用不同prompt（如"为这个句子生成表示："）维度压缩：PCA或模型蒸馏降低存储成本三、向量存储与索引方案特点适用规模 FAISS 内存索引，HNSW/IVF算法，零成本百万级，单机 Pinecone 全托管，元数据过滤，自动扩缩容千万级+，生产环境 Milvus/Zilliz 开源/云原生，GPU…

#字节#文档处理#向量检索

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…回。只有正确文档已经进入候选集时，Cross-Encoder 等重排器才可能改善高位排序；否则应先修召回。 Embedding 微调、难负样本和索引参数必须分别做消融，避免同时改动后无法归因。生成层对候选证据做去重、冲突检测、上下文预算和位置安排。 Prompt 明确证据边界、引用格式和证据不足时的行为。分开测答案正确性、引用支持率、faithfulness、覆盖率与拒答，不能只看语言流畅度。高风险输出可增加规则、NLI/验证器或人工确认。系统层记录 query…

#AIlab#检索器优化#RAG 优化

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索结果中，模型注意力分散，关键细节丢失根源：固定Top-K截断，无关文档挤占有效token；长上下文模型对中间位置信息召回弱（Lost …

#淘天#知识图谱#RAG 痛点

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…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、nprobe权衡延迟与准确率过滤机制：前置元数据过滤（时间、权限…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：Cross-encoder（如bge-reranker）精排，领域数据微调；法律场景加入引用频率和时效性作为手工特征查询改写：用LLM做Query2Doc扩展，医疗场景做症状标准化对齐四、生成融合：上下文组装与约束上下文压缩：用LLM对检索片段做摘要，控制token数引用锚定：强制生成时标注来源片段ID，法律场景需输出"依据《XX法》第X条" 后处理校验：领域规则引擎过滤（如药…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…yDE（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-Reranker（小模型打分）上下文压缩：检索结果摘…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：…NN快速过滤第二阶段：追求准确率，用重排模型精细打分常用重排模型类型代表模型特点 Cross-Encoder BERT-reranker、monoT5 query和doc拼接输入，注意力层充分交互，效果最好但慢 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…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top-K重排，比向量相似度更准多路融合：不同召回源（KG、向量、倒排）按置信度加权动态截断：根据query难度自适应调整送入LLM的文档数三、生成层优化（最终输出）上下文压缩：检索结果去重、摘要提取，避免超长context稀释注意力引用生成：强制模型输出引用标记，便于溯源和事实校验领域微调：用高质量RAG数据对…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…边界）、滑动窗口重叠、递归分块、特定格式（Markdown/代码）保留结构避免语义截断，提升召回完整度 Embedding 领域微调Embedding模型（如BGE、GTE）、多向量表示（ColBERT）、HyDE（假设文档嵌入）提升语义匹配精度检索策略混合检索（向量+关键词BM25）、多路召回、查询扩展（同义词/LLM改写）、多轮对话历史压缩覆盖长尾查询，解决词汇不匹配重排序交叉编码器（Cross-Encoder，如bge-reranker）、LLM-base…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键：领域数据建议微调Embedding模型索引存储：写入Milvus/Faiss/Elasticsearch等向量数据库，可配合稀疏索引（BM25）做混合检索二、在线检索流程 Query理解：query改写、扩展（HyDE生成伪文档）、意图识别向量检索：ANN近似最近邻搜索，召回Top-K（通常20-100个）重排序（Rerank）：用Cross-Enco…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…策略混合检索：向量相似度 + BM25关键词，RRF融合排序重排序（Rerank）：Cross-encoder精排，如bge-reranker，Top-K从100→20 多路召回：向量库+图谱+传统数据库并行检索二、生成层优化上下文处理上下文压缩：LLM摘要过滤冗余，或训练专用压缩模型引用溯源：要求模型标注答案来源，便于事实核查动态截断：按相关性分数加权拼接，非简单Top-K截断提示工程角色设定：明确"基于提供的参考资料回答，不知道则说不知道" Few-sh…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：…如100→20）做重排，避免全库高成本计算用"便宜"的向量检索先剪枝，"昂贵"的精排做最终决策灵活性与可扩展性可针对业务场景微调（如法律/医疗领域的相关性定义）易于集成多特征（时效性、权威性、用户偏好）典型方案 Cross-Encoder：精度最高，计算开销大（BERT类模型） ColBERT：Late Interaction平衡效率与效果 LLM-as-Reranker：直接用大模型判断相关性（成本更高，用于关键场景）

#字节#Rerank模型#RAG Rerank

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…：检索失败时自动扩展Query重写关键工程细节环节典型选型注意点 Embedding BGE-large-zh 领域适配需微调向量DB Milvus 考虑增量更新与版本管理重排序 BGE-Reranker-v2 计算成本高，控制候选规模幻觉控制引用+置信度阈值不能100%消除，需人工兜底高德场景下，地图POI、实时路况等结构化数据需特殊处理：先SQL过滤再向量检索，混合查询提升精度。

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…数据标注：来源、时间、类别等标签，用于过滤和溯源二、向量索引构建 Embedding选型：业务域通用选BGE/M3E，垂直领域需微调索引结构：百万级用HNSW（内存索引），亿级考虑FAISS IVF或Milvus分布式方案多路召回：关键词（BM25）+ 向量双索引，解决语义漂移问题三、在线检索流程阶段技术要点查询改写 Query扩展、同义词补全、意图澄清（必要时主动反问）粗召回 Top-K向量检索（K=100~1000）精排序 Cross-encoder重排…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…512/1024三种chunk，适配不同查询深度二、检索优化层多路召回召回通道适用场景实现方式向量检索语义相关领域微调Embedding + HNSW索引关键词检索精确匹配 BM25 + 领域同义词扩展结构化检索条件过滤元数据标签（时间、版本、文档类型）重排序与精排交叉编码器做精排，领域数据微调（如bge-reranker）引入用户反馈信号（点击、停留时长）做在线学习三、生成改进层上下文工程动态窗口：根据问题复杂度选择top-k，复杂问题…

#字节#领域RAG架构#RAG 系统架构

面试题·多模态· 得物

多模态异构数据怎么统一存储?

匹配口述回答：…ctor或adapter。常见策略是冻结成熟的视觉、音频和文本基座，只更新连接层，先降低训练成本；如果数据量和任务支持，也可以联合微调部分基座。所谓“冻结投影层同时训练对齐”自相矛盾，必须明确究竟哪些参数在更新。索引有两条路线。对齐证据充分时，可以把不同模态映射到共同空间并使用统一ANN索引，支持文搜图、图搜文等跨模态查询。若还没有可靠共同空间，应按模态维护独立索引，各自取候选，再做late fusion。各索引的原始相似度没有天然共同标尺，需要在验证集上做温度或分位数校准…

#多模态融合#特征对齐#向量数据库

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…滤 2. 重排序层向量重排：用更强的embedding模型（如gte-large）二次精筛交叉编码器：ColBERT/BGE-reranker计算query-doc细粒度交互，捕捉字面匹配信号动态截断：根据分数分布自适应调整k值，避免硬截断引入噪声 3. 生成控制层置信度门控：检索文档与query的相似度低于阈值时，触发"知识不足"提示，抑制幻觉证据验证：要求模型在生成时显式引用文档片段，用NLI模型核查生成内容与证据的一致性多文档共识：当多文档结论冲突时，输出"…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：…可以用一个统一的模型给所有候选打分，把不同来源的结果融合起来。常见的实现方式，最主流的是Cross-Encoder，比如BGE-Reranker，精度高，但计算成本也高，所以一般只对召回Top-100做重排，再输出Top-10给LLM。另一个是[[ColBERT]]，用late interaction机制，在token级别做MaxSim，速度和精度比较平衡，适合对延迟要求更高的场景。我的选择倾向是：如果业务对精度要求极高，比如金融风控合同检索，必须用Cross-Encode…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…重点讲三个。Embedding 模型决定了语义理解的天花板，我一般选 BGE 或 GTE 这类开源模型，但要注意中文场景下需要领域微调，不然「退货」和「退款」的语义距离可能不对。向量数据库解决的是海量向量的快速检索，但建索引有代价，比如 HNSW 写起来慢，适合读多写少的场景，如果知识库频繁更新，得考虑增量索引或者双缓冲方案，不然索引重建太慢。Reranker 是精排，它能弥补 Embedding 召回的不准，但计算成本高，所以通常只对 Top-100 重排，不排全量。落地…

#百度#RAG技术架构#RAG 工作流程

Reranker 训练数据怎么构造?

向量检索怎么保准又保真?

RAG 工作原理与架构怎么搭?

领域RAG应用链路怎么搭?

大模型知识库怎么构建?

RAG 文本分块与向量索引流程

RAG 检索精度提升的三大陷阱

RAG 系统痛点怎么破?

RAG Retriever 工作流程详解

专业领域RAG链路优化陷阱

RAG 瓶颈在哪一步

RAG 中 Re-ranking 怎么用?

RAG 系统怎么持续迭代?

RAG 流程各环节优化陷阱

RAG 流程：检索、融合、生成

RAG流程优化：三大层面策略

RAG 为什么需要 Rerank?

RAG增强与生成如何衔接？

RAG 技术实现流程怎么走?

专业领域RAG数据与检索优化？

多模态异构数据怎么统一存储?

RAG 检索偏差怎么系统性解决?

RAG 重排作用与实现

RAG 工作流程与关键技术组件