🔎 RAG 深入与知识工程
ANN 与向量索引
RAG 深入与知识工程专题：用 2 个核心问题讲清原理、取舍与落地。
一句话定位
切分、索引、混合召回、重排、高级 RAG 与端到端评测。 按“数据 → 索引 → 查询 → 召回 → 重排 → 生成 → 评测”定位问题，不把 RAG 当成单一向量搜索。
核心原理与问题解析
ANN 索引为什么必要？
精确比较所有向量在大规模下成本高，ANN 用近似结构减少候选，交换少量召回损失来提高速度。HNSW、IVF 等有不同的内存、构建和查询取舍。
继续想： HNSW 的 efSearch 影响什么？；索引参数如何评测？
HNSW 的基本思路是什么？
构建分层近邻图，上层快速跳转、下层局部搜索。通常召回高且查询快，但内存占用和构建成本较高，删除更新策略依赖实现。
继续想： M 和 efConstruction 怎么影响？；为何过滤会影响 HNSW？
工程落地检查
- 文档保留来源、版本、时间和 ACL
- 检索层与生成层分开评测
- 从关键词+向量的简单基线开始
- 答案必须能定位到证据片段
- 索引迁移支持双写、双读和回滚
常见误区
- 盲目追求更大的 Chunk 或 Top-K
- 更换 Embedding 却不重建索引
- 只看回答流畅度，不测召回和忠实度
对应面试题
R06 ANN 索引为什么必要？ · R07 HNSW 的基本思路是什么？