完整题目
请详细说明您在大模型项目中应用RAG（检索增强生成）的技术细节，包括检索器设计、知识库构建以及与生成模型的集成方式。
本文目录
真实性边界
问题要求说明“在项目中应用 RAG”的技术细节。检索延迟、端到端延迟、准确率和幻觉率只能来自真实项目；通用架构示意不能包装成个人上线结果。
回答框架
- 知识库：数据来源、解析、分块、元数据、权限、版本与更新方式。
- 检索器：稀疏/稠密模型、索引、Top-K、过滤、融合和查询改写。
- 重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。
- 生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。
- 评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。
事实填空
项目【】，语料【】，我负责【】。基线检索和生成链路【】，主要错误【】。实际选用【检索/融合/重排方案】，参数由【真实实验】确定。真实 Recall@K/MRR/NDCG【】，答案支持率【】，P95/P99【】，样本与硬件【】，副作用【】。
证据自检
所有阈值和指标应说明数据集、标注、硬件、并发与统计窗口。必须分开测候选召回、排序质量、上下文利用和最终回答；不能用单一“准确率”概括整条 RAG。
追问入口
准备解释为什么选择当前融合、RRF 常数或权重怎样确定、Top-K 和延迟如何权衡、重排消融、文档冲突、权限过滤、引用校验和索引更新。
换一种问法，检查是否真正理解
场景切入
我看你之前做过电商客服的项目。假设用户问“我的订单怎么还没到”，系统需要从海量商品文档和物流规则里找到答案。你怎么设计RAG来保证又准又快？具体说说检索和知识库怎么搞。
层层追问
你在大模型项目里怎么解决知识更新的问题？……是每次重新训练吗？……如果只有几万条业务文档，又要实时检索，你会怎么搭这个系统？……那检索到的东西怎么喂给模型，才能让它准确引用？
直球架构
聊一下RAG的技术细节。你从检索器选型、知识库分层、到生成模型集成，整个链路怎么设计的？比如双路召回、混合排序、Prompt组装这些，具体怎么落地？
练习口述回答 · 约90秒
- RAG本质是给大模型配一个可检索的外部知识库
- 检索器设计：混合检索解决不同场景匹配问题
- 知识库构建：分层和清洗确保数据质量
- 生成集成：引用溯源和拒答机制控制幻觉
- 落地权衡：延迟、效果与常见失败场景
我会把通用架构和真实落地分开讲。项目是【真实项目】，知识库采用【知识库方案】，我负责【本人职责】。文档从解析、分块、元数据和权限进入版本化索引，删除、更新和租户隔离也要能追踪，不能只说“把文档向量化”。
查询侧使用【召回方案】，再通过【融合与重排】处理候选。我会说明为什么选这个组合，Top-K、RRF 常数或权重、重排候选数都来自固定评测集上的参数扫描。正确证据没进候选时先修召回；候选有答案但排名低才看重排。上下文去重、冲突和预算处理后，由【生成约束】控制引用、拒答与输出校验。
效果只报告【真实指标】，并带上数据集、硬件、并发和统计窗口。候选召回、排序质量、答案正确性和引用支持率分开测，同时观察 P95/P99 与成本。线上 trace 保存过滤条件、各路候选、融合名次、重排分数、最终上下文和引用，错误才能定位到知识、过滤、召回、排序或生成。索引和模型更新走灰度，异常时回退整套兼容版本，而不是只换回其中一个组件。