RAG 中 Elasticsearch 的检索原理:BM25 与 KNN
哪些公司问过
深势科技1北京爱学习1
答案要点
- 关键词检索基于倒排索引,文本经分析器分词后按 BM25 相关性打分
- BM25 综合词频(带饱和,k1 控制)、逆文档频率、文档长度归一化(b 控制)
- 向量检索把文本嵌入为向量存于 dense_vector 字段,用余弦、点积等度量相似度
- 近似 KNN 基于 Lucene 的 HNSW 图,num_candidates 调节精度与速度
- 混合检索融合关键词与向量结果,如 RRF,兼顾精确匹配与语义召回
易错点
- 以为 ES 只能做关键词检索
- 忽略分析器配置,中文未用合适分词器导致 BM25 效果差
- 把近似 KNN 当成精确结果,不了解召回率与参数的关系
面试官常见追问
- BM25 相比 TF-IDF 改进在哪?
- 为什么 RAG 里还要保留 BM25,不只用向量?
- HNSW 的大致原理?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。