一个中文企业知识库，内容以中文为主但夹杂大量型号、英文缩写等专有名词，现有 500 万条 chunk。你目前用 BGE-large-zh（768 维），单机需要扛 200 QPS 的在线检索。请说明你的 embedding 选型决策：继续用还是换？维度要不要压？要不要微调？query 和 doc 的编码方式需要区别对待吗？

面试官在考什么

判断候选人能否把 embedding 选型当作「效果×延迟×成本×领域适配」的联合优化问题，而不是只比榜单分数。

向量化

回答框架 · 前两步

1. 选型要看领域匹配：通用中文模型对型号/缩写这类低频专有名词往往表征差，需要看 badcase 分布再决定换模型还是微调，而不是直接换最大的
2. 对称检索（query-query）和非对称检索（query-doc）用的模型和指令前缀不同，很多模型要求 query 侧加 instruction、doc 侧不加，用错会明显掉点

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• RAG 的完整链路你会怎么搭？文档切分这一步，你会怎么定 chunk 大小和重叠？为什么？
• 大模型幻觉你会怎么治理？请区分"知识型幻觉"和"指令遵循型幻觉"分别怎么处理。
• 向量检索的召回效果不好，你会从哪些环节排查？说一个你实际调过的参数和它的影响。
• 你怎么评测一个 RAG 系统的好坏？请分别说检索侧和生成侧各看什么指标、怎么构造评测集。
• 一份 200 页的 PDF 技术手册要进 RAG 知识库，目录层级清晰，但有跨页表格和一段 3000 字的长章节。业务要求答案能定位到具体小节，同时回答里要保留足够上下文。你打算怎么设计切分策略？请给出 chunk 大小、overlap、切分依据，并说明长章节和表格分别怎么处理。
• 企业知识库要入库一批 200 页左右的产品技术手册（PDF，含大量跨页表格和 3 级标题），同时还有几万条几十字的客服工单。用户 query 大多是「XX 型号的额定功率是多少」这类精确查找，也有「怎么重置设备」这类流程性问题。请给出你的切分方案：chunk 大小和 overlap 怎么定？标题层级要不要拼进 chunk？跨页表格怎么办？工单和手册要不要用同一套策略？