Recall@k

Определение

Доля релевантных документов среди первых k результатов поиска; основная метрика качества retrieval в RAG-системах.

Где встречается

• 11. Что такое Hypothetical Document Embeddings (HyDE) и зачем
• 18. Что такое Multi-vector retrieval и зачем он нужен
• 69. Как вы организуете CICD для RAG-пайплайна
• 74. Как вы мониторите дрейф данных (data drift) для RAG
• 77. Как вы оптимизируете embedding генерацию для большого количества документов
• 79. Как вы обновляете embedding модель без полной переиндексации
• 86. Как вы решаете проблему “я знаю, что ответ есть в документах, но retrieval не находит”
• 114. Что такое Layout-Aware Chunking и как он связан с мультимодальностью
• 116. Как вы индексируете видео-контент в RAG-системе
• 123. Как вы защищаете RAG-систему от утечки данных между клиентами (multi-tenant isolation)
• 221. Как работает HNSW (Hierarchical Navigable Small World) алгоритм внутренне
• 229. Как вы измеряем recall@k для ANN индекса и какой порог acceptable
• 230. Что такое Hierarchical Navigable Small World + IVF (HNSW+IVF) гибрид
• 231. Как вы обновляете ANN индекс при добавлении новых векторов без перестроения
• 232. Что такое Memory-optimized ANN и какие алгоритмы лучшие для ограниченной RAM (16GB)
• 233. Как вы делаете hybrid search (vector + keyword) в production на 10M документов
• 234. Что такое Learned Index Structures for ANN Новые подходы 2025-2026.
• 235. Как вы выбираете ANN алгоритм под ваш use case (volume, dimensionality, budget)
• 372. Как вы строите двухступенчатый ретривал (fast ANN + slow cross-encoder) в RAG
• 373. Что такое learning-to-rank (LTR) и как он применяется к retrieval для LLM
• 376. Что такое hybrid search с весами (weighted hybrid) и как оптимизировать веса
• 379. Как вы оцениваете retrieval с учетом позиции (Position-aware metrics)
• 502. Как вы AB тестируете две версии промпта в production
• 503. Как вы измеряете drift retrieval-качества в RAG (когда документы меняются)
• 519. Как вы делаете backfill эмбеддингов при смене embedding модели
• 525. Как вы управляете cost хранения векторной БД при миллиарде векторов
• 531. Как вы делаете active learning loop для улучшения retrieval
• 684. Как вы генерируете hard negative примеры для retrieval обучения
• 879. Как делать evaluation для long-context RAG (100k токенов)
• 883. Как защитить RAG от poisoning (вредоносные документы в базе знаний)
• Практика
• 800+ вопросов
• 20. Настроить sharding для petabyte embeddings
• 42. Настроить hybrid search с весами
• 43. Реализовать RRF (Reciprocal Rank Fusion)
• 44. Настроить query expansion
• 50. Настроить contextual retrieval (Anthropic стиль)
• 91. Написать postmortem для retrieval degradation
• 227. RAG с гибридным поиском
• 229. Fine-tune embedding под домен

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление