@king1818888：前两天去某 AI 独角兽公司的 Agent 实施团队面试，结果被一个 RAG 检索细节问题彻底问住了……

X AI KOLs Timeline 新闻
rag hybrid-search reranker bm25 embeddings vector-search

摘要

一个求职者分享了面试 AI Agent 实施团队时被 RAG 检索细节问题难住的经历，并总结出生产级 RAG 需结合向量检索与 BM25 关键词搜索的混合检索，再用 Cross-encoder Reranker 进行二次精排，以解决语义相近但实体错误的检索问题。

前两天去某 AI 独角兽公司的 Agent 实施团队面试，结果被一个 RAG 检索细节的问题彻底问住了。 面试官的拷问：面试官往椅背上一靠："用户问智能客服'最新款 Apple 手机多少钱？'，结果向量检索把知识库里'红富士苹果每斤批发价'排在了第一名。你怎么彻底解决这个问题？" 我当时内心OS：当时脑子里只有一个声音在默念："大哥，这能怪我吗？这明明是 OpenAI 或者开源 Embedding 模型的词向量聚类不够准确！找算法科学家吵架去啊——拿我一个应用层开发撒什么气？！" 我实际说出口的："呃……换一个参数量更大的 Embedding 模型？或者把文本切分粒度调小一点？" 面试官的反应：面试官笑了笑："就算你换了最大的模型，苹果还是苹果，语义照样会跑偏。去看看业内高手是怎么把关键词搜索和语义搜索拧到一起的吧。" 当天晚上我就在技术社区发帖请教了几位大佬，突然意识到自己对 RAG 的理解太简单了。纯稠密向量检索（Dense Retrieval）天生对专有名词和具体型号不敏感。生产级的方案必须用混合检索（Hybrid Search：向量余弦相似度 + BM25 关键词精确匹配），然后再接一个检索后重排器（Cross-encoder Reranker）做二次精排打分——这才是根治"红富士手机"问题的标准姿势。
查看原文
查看缓存全文

缓存时间: 2026/10/12 15:29

就在前天，我去面了某 AI 独角兽公司的 Agent 实现团队，结果被一个 RAG 检索细节的问题彻底问懵了。

面试官的拷问：面试官往椅背上一靠：“用户问智能客服，‘苹果最新款手机多少钱？’，结果向量检索把知识库里的’红富士苹果批发价多少钱一斤’排到了第一名，你如何彻底解决这个问题？”

我内心的OS：当时我内心疯狂默念：“大哥，这能怪我吗？这明明是 OpenAI 或者开源 Embedding 模型的词向量聚类不够准确啊！你去找算法科学家啊，干嘛拿我一个应用层开发撒气啊？！”

我嘴上说的：我嘴上说的是：“呃……要不换个参数量更大的 Embedding 模型？或者把文本分块的粒度调小一点？”

面试官的反应：面试官笑了：“你就是换成最大的模型，苹果它也还是苹果，语义照样偏。去看看人家业界大牛是怎么把关键词检索和语义检索捏到一起的。”

当天晚上我就在技术社区请教了几位大佬，突然意识到自己对 RAG 的理解实在太浅了。纯 Dense 向量检索对专有名词和具体型号天然不敏感，生产级方案必须做混合检索（Hybrid Search：向量余弦相似度 + BM25 关键词精确匹配），再配上一个检索后的 Reranker（cross-encoder 重排序模型）做第二轮精排打分——这才是彻底解决“红富士手机“问题的标准姿势。

相似文章

@knoYee_: https://x.com/knoYee_/status/2062780637677752366

X AI KOLs Timeline

作者复盘了使用多Agent协作三个月的经验，总结出五个主要痛点（如Agent间矛盾、忽略边界条件、自我审查失效、合并决策困难、压缩执行后暴露更难问题）和两个心得（只读审查Agent价值高、Agent矛盾暴露需求模糊），强调了人类在AI协作中的核心决策作用。