20｜怎么系统性提高 Agent 检索召回的准确率？
邓明
你好，我是大明。
这一讲我们讨论一个在 Agent 面试中非常适合刷亮点的话题：怎么提高检索效果？
很多人介绍 RAG 项目时，只会说把文档切成 Chunk，生成向量存入向量数据库，用户提问时召回 Top-K，再交给大模型生成答案。这种回答不能说错，但是 demo 味道太足了。
即便你面试高级工程师、架构师甚至专家岗，这个话术依旧很好用。因为面试官真正关心的不是你用了 Milvus 还是 Elasticsearch，而是你能不能定位检索不准的原因，设计完整的优化链路，并用指标证明优化有效。
只要把这些问题讲清楚，就很容易和普通候选人拉开差距。
常见的检索方式
在 RAG 中，最常见的检索方式是向量检索和关键字检索。
向量检索会先通过 Embedding 模型将文档和用户输入转换成向量，而后根据向量之间的距离，找出语义最相近的内容。它最大的优点是能够处理同义词和不同表达。例如文档写的是“降低接口响应时间”，用户问的是“接口太慢怎么办”，即使两者用词不同，也有机会正确召回。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI Agent 系统设计面试现场》，新⼈⾸单¥59
《AI Agent 系统设计面试现场》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论