匹配正文：核心差异定位下表只比较BGE-M3的dense模式与BM25。BGE-M3官方还支持sparse与multi-vector检索，不能把整个模型等同于单一稠密检索。维度 BGE-M3（稠密向量） BM25（稀疏词频）匹配方式语义相似度（cosine）精确词项匹配优势场景同义改写、跨语言、长语义理解专有名词、短查询、实时性要求高典型短板冷启动、罕见实体、计算开销语义鸿沟、词形变化敏感关键评估指标质量指标 Recall@k：前k个结果命中的相关文档数 / …

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…景说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval）传统BM25或TF-IDF，基于词项匹配…

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#评估与监控#RAG 检索方法

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配正文：为什么需要混合检索单一检索方式都有明显短板：稀疏检索：关键词必须精确匹配，无法理解同义词、语义变体稠密检索：对训练数据分布敏感，罕见词、专有名词召回差，且计算成本高混合检索的核心价值是互补召回：稀疏保证字面匹配精度，稠密覆盖语义泛化能力，最终提升整体召回率和排序质量。稀疏检索（Sparse Retrieval）原理：基于倒排索引的关键词匹配，计算query与doc的词项重叠程度。代表方法：BM25 score(D,Q) = Σ IDF(q_i) · [f(q_i…

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 美团

稀疏稠密与混合检索

匹配正文：稀疏检索（Sparse Retrieval）原理：基于词项空间的高维稀疏向量，经典代表是 BM25 和 TF-IDF。维度 = 词表大小（通常 10万+），向量极度稀疏（大部分为0）相似度度量：词袋匹配 + 词频加权，BM25 公式核心衡量词项与文档的相关性优势：精确匹配能力强、可解释性好、无需训练、对关键词敏感稠密检索（Dense Retrieval）原理：通过编码器（如BERT、双塔模型）将文本压缩为低维稠密向量。维度通常 256-1024，向量稠密相似度…

#美团#稀疏稠密检索#稀疏稠密与混合检索

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…义),这章讲"关键词检索"(精确命中),以及怎么把两者合起来 3 个核心概念(先白话,再术语) 概念 1:召回(recall)和"检索召回模块" 第 3 章我们用"召回率"衡量切分好坏;这里的召回是动词:指从知识库里把可能相关的 chunk 捞出来这个动作。负责这件事的就是"检索召回模块",它是 RAG 的"搜索引擎"。概念 2:稀疏检索 vs 稠密检索稠密检索(Dense) = 第 4 章的向量检索:把文字变成稠密向量,靠"意思相近"找。懂语义。稀疏检索(Sparse…

#RAG#检索#项目实战

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）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Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：一、检索器选择：多路召回稠密检索（Dense）基于Embedding：DPR、Contriever，适合语义匹配优势：跨表述理解；劣势：对罕见实体、精确匹配弱稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类…

#阿里云#查询重写#RAG 召回优化

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：…logN)，召回率>95% IVF-PQ：倒排+乘积量化，内存压缩10-20倍，适合海量数据动态更新：增量索引避免全量重建四、检索增强 # 混合检索示例：向量相似度 + BM25关键词 def hybrid_search(query, alpha=0.7): dense_score = vector_db.similarity_search(query) sparse_score = bm25_search(query) return weighted_fusion(de…

#字节#文档处理#向量检索

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…线检索机制】详细解释 RAG 中检索模块(Retriever)的工作机制。中等 → 【为什么混合检索】为什么要采用混合检索(Sparse + Dense)?分别阐述其作用。较难 → 【召回链路全局优化】优化 RAG 召回链路的方法:检索器选择、索引结构、查询重写等。较难 → 学完这一章你应该能干嘛跟着做(Part 1): 能跑通端到端的迷你 RAG,看懂"剪 → 存 → 捞 → 拼 → 答" 能改 top_k 并说出它对召回的影响能说出你写的每个函数对应真实系…

#RAG#检索#项目实战

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…平扩展预过滤（metadata filter）减少候选集，避免全量扫描二、相关性提升策略多路召回方式适用场景稠密向量（Dense）语义匹配、同义词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶段架构：向量召回Top-K → Cross…

#阿里云#召回链路优化#RAG 召回优化

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：…司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层上下文组装：按相关性+时效性排序，控制token预算引用生成：强制模型输出引用标记 …

#字节#高精度RAG#高精度 RAG