#od求助

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

三月底投到现在至今0约面，是哪里出了问题，是背景问题还是简历问题呢希望大佬指点一下已修改，希望大佬指点一下

📍面试公司：阿里国际🕐面试时间：26.4.9-45分钟💻面试岗位：AI应用开发❓面试问题：非简历上的补充介绍构建向量与关键词混合检索的背景、具体实现逻辑，以及为何选择ES作为统一存储引擎而非独立向量数据库，以及ES如何存储向量化文本和文本的？向量与关键词检索的结果怎么处理的？针对混合检索效果的评估，你采用了哪些指标？当前评测方法存在什么局限性？后续计划如何构建更贴合水利业务的评估体系？在多格式文档解析环节，为何选用Apache Tika而非直接调用大模型进行解析与分块？这种选型背后考虑了哪些工程约束？介绍Redis Bitmap管理文件分片状态的作用。了解过业界的上下文记忆和多轮对话吗？...