罗罗编程学习记录
本页内容 展开查看

10.3.2 检索与增强

所属:全栈开发面试题库 / 10 AI 应用开发:LLM 与 Agent / 10.3 RAG 检索增强

这个知识域解决什么问题

拿到切分好的块之后,核心问题是:用什么把文本变成向量、在什么存储里检索、如何让关键词与语义互补、粗召回之后怎么精排、复杂问题如何多跳求解,以及整套 RAG 怎么用指标验收。本知识域主线:Embedding 与向量库选型 → 混合检索与 rerank → Query 改写与上下文组装 → GraphRAG 与多跳检索 → RAG 评测与质量门禁。上游文档处理见 10.3.1 文档处理与切分。

知识地图

查询与块文本
  → Embedding 与向量库选型(1)
    → 混合检索与 rerank(2)
      → Query 改写与上下文组装(3)
        → GraphRAG 与多跳检索(4)
          → RAG 评测与质量门禁(5)

子主题

编号 子主题 核心内容 题数
10.3.2.1 Embedding 与向量库选型 向量表示、相似度度量、归一化、维度与最大长度、嵌入模型选型、ANN 索引、向量库对比 20
10.3.2.2 混合检索与 rerank 向量召回、BM25 关键词、RRF/加权融合、元数据过滤、cross-encoder 重排、召回与截断 20
10.3.2.3 Query 改写与上下文组装 指代消解、Multi-Query、HyDE、子问题拆分、上下文预算、片段排序与拼装、引用对齐 20
10.3.2.4 GraphRAG 与多跳检索 实体关系抽取、知识图谱、社区摘要、多跳迭代检索、图与向量混合、适用边界与成本 20
10.3.2.5 RAG 评测与质量门禁 检索指标 Recall@k/MRR、生成忠实度/相关性/引用准确率、标注集、LLM-as-judge 偏差、线上监控 20

合计 100 题。 每题按「一句话结论 → 概念解释 → 原理流程 → 代码/图示 → 常见误区 → 追问(带答案)」组织;索引参数、模型能力与价格以官方文档和当前版本为准。

学习路径

先 1 理解向量表示与存储选型,再 2 搭起混合召回与精排链路,然后 3 处理查询改写与上下文拼装,接着 4 了解图谱与多跳方案的适用边界,最后 5 用评测指标把检索与生成质量关进门禁。

自检

  • [ ] 能解释余弦/内积/欧氏距离的适用前提与归一化关系
  • [ ] 能说出 HNSW、IVF、PQ 的取舍,并按语料规模选索引类型
  • [ ] 能设计向量 + BM25 混合检索与 rerank 管线,说明各阶段 top-k 取值思路
  • [ ] 能区分 Query 改写各方法的收益与风险,并组织上下文预算
  • [ ] 能列举 RAG 检索与生成两层评测指标,并说明忠实度如何度量