匹配口述回答：…义切分虽然准，但计算成本高。我一般先按段落切，对超长段落再用[[滑动窗口]]重叠处理，这样既能保留上下文，又控制单块长度。另外，纯向量检索对关键词不敏感，比如搜“退款政策”可能因为语义偏差召不回“退货流程”，所以生产上我倾向 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，再通过 [[Rerank]] 模型做最终排序。工作流程分两步走。离线准备阶段，文档切分、向量化、入库，这部分可以离线跑。在线查询时，用户问题先向量化，到向量库做[[…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：…成本低。[[Embedding]]模型的话，中文场景我倾向BGE或者M3E，英文用OpenAI那套。检索这块，我会走混合路线。纯向量检索在短文本匹配上不如关键词，纯关键词又抓不住语义，所以我会把[[稠密检索]]和[[稀疏检索]]结合起来，用RRF融合排序。举个例子，在客服退款场景里，用户说“订单异常”，向量检索能理解这是状态不对，但关键词检索能精确匹配订单号，两条路一起走，召回率能提升10到15个点。检索完还有一步[[重排序]]，很多人忽略。我会用[[Cross-Enco…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

…近但答案错误的段落，让模型学会区分“看着像但不对”的情况，这对提升判别能力非常关键。再说检索优化。这里有个常见的误区，就是只依赖向量检索。实际上，向量检索在语义匹配上强，但在精确关键词匹配上弱，比如订单号、政策条款编号。所以我会用[[混合检索]]，把[[BM25]]关键词和向量双路召回结合起来，再合并排序。查询改写也很实用，比如用大模型把用户的问题做同义词扩展或指代消解，把“它”换成具体的商品名。还有一个技巧是HyDE，就是先生成一个伪答案，再用这个伪答案去检索，能有效弥合…

← 上一页第 10 / 11 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

匹配口述回答：

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调

LLM 封闭标签如何强约束?

匹配口述回答：…大，比如上千个，约束解码的性能会下降，因为每一步要过滤的 token 太多。这时候我会考虑用分层标签，先输出大类再输出小类，或者用向量检索先缩小候选集，再让模型从候选中选。这其实变成了检索加精排的思路。所以总的来说，我的做法是多层防护：提示工程打底，约束解码做核心保障，微调提升能力，后处理兜底。具体用哪几层，取决于你对可靠性的要求、标签的规模和动态性。我更倾向于在解码层下功夫，因为它最可控，不依赖模型“自觉”。一句话定位：封闭标签输出本质是可控生成问题提示工程：基线手段…

#Agent#LLM 输出限定#封闭标签集

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…，比如用[[Cross-Encoder]]二次精排，把噪声压下去；另一条是[[Hybrid Search]]，把[[BM25]]和向量检索结合，关键词匹配和语义匹配互补。这里有个坑：重排模型不能太慢，否则延迟受不了，上线前一定要压测P99。还有，如果业务文档本身质量差，比如全是[[OCR]]错字，那重排也救不了，得先清洗数据。再一个，上下文稀释。模型上下文窗口再大，有效信息被一堆无关段落淹没，注意力就散了，典型的就是Lost in the Middle现象。我的做法是动态上…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配追问：…段零散文字，但GraphRAG据说能给出一个全局总结。你了解它是怎么做到的吗？层层追问传统RAG你肯定用过，就是把文档切块然后向量检索。……那如果问题需要跨多个文档推理呢？……比如“A公司收购了B公司后，对C市场有什么影响”？你觉得这种复杂查询，GraphRAG怎么改进的？直球架构直接说下GraphRAG的核心思想，以及相比传统RAG在知识组织方式和检索路径上有什么关键创新？比如它怎么建图、怎么检索，解决了传统方法的哪些痛点？

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配口述回答：…果知识库每天更新，LLM调用费会很高，所以它更适合静态知识库，比如企业的SOP文档或合规手册，改得不频繁。延迟也需要注意，图遍历比向量检索慢，特别是社区摘要树层次多的时候。我上线时一般会加缓存，把常用社区摘要预计算好，或者限制遍历深度。图谱质量更是敏感，实体抽取错了，比如把“张三”和“张四”合并了，那整个下游检索都会偏。所以我会设计校验机制，比如用[[NER]]做一遍预标注再让LLM修正，或者人工抽检关键实体。还有一个点值得注意：GraphRAG的社区摘要生成依赖LLM的总…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配口述回答：…合预加载热数据到内存，效果比较稳。所以我会把长期记忆看成缓存加持久化的混合体，核心是平衡成本、延迟和召回率。我更倾向用分层摘要加向量检索混合的方案，配合异步写入和冷热迁移，这样既保证响应速度，又控制成本。长期记忆的本质是缓存+持久化存储形式：向量库、图、对象存储混搭检索优化：分层、摘要、两阶段召回落地权衡：延迟 vs 召回，一致性取舍判断：我更倾向分层摘要+向量混合约4分钟大规模历史记录下冷热数据迁移策略的细节和动态调整方法面试官可能会追问冷热数据迁移的具体…

#字节#Agent 长期记忆#向量索引

面试题·知识图谱· 字节

向量库 vs 知识库 vs 符号记忆？

匹配口述回答：…强，适合开放域问答、相似案例召回这种场景。举个例子，客服Agent要查“之前有个客户对退款流程很不满”，直接搜关键词可能找不到，但向量检索能匹配到语义相似的对话。不过这里有个坑：它对精确数值和逻辑查询几乎无效。比如“订单金额大于500的退款单”，向量库就搞不定，而且存在 [[Hallucination]] 风险，召回的内容可能语义相关但事实错误。所以它适合做粗排，不适合做精确确认。再说结构化知识库，比如关系数据库、[[Knowledge Graph]]。它存的是精确事实，用…

#字节#Agent#Agent 长期记忆

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配口述回答：…噪声。上线前我会特别关注召回率，尤其是不同模态的权重怎么调，用 [[Hybrid Search]] 把向量和关键词结合起来，避免纯向量检索在冷门词上翻车。另外，有一个方向我最近在关注，就是多模态RAG里的重排序怎么做。现在大部分方案还是用简单的加权融合，但其实可以用一个小的跨模态 [[Cross-Encoder]] 做二次排序，效果提升明显，不过会增加延迟。这块我还没完全想好怎么平衡，面试官您怎么看？所以整体上，我更倾向于把多模态RAG看成一套组合拳，不是单一框架包打天下…

#淘天#多模态#多模态 RAG 架构设计

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配口述回答：…[向量库]]加结构化[[知识图谱]]双存储。向量库适合语义检索，知识图谱适合精确关系查询。比如用户问“上次那个退款订单怎么样了”，向量检索找到相关对话片段，知识图谱确认订单状态，两者互补。安全和可控性方面，输出审核层用敏感词加意图分类过滤，工具调用权限白名单。扩展性靠插件化架构，新工具自动注册不用改核心代码。这里有个延伸点：成本感知调度。我会根据任务复杂度动态选择模型，简单任务用小模型，复杂任务用大模型，甚至结合 [[MoE]] 路由。但前提是模型质量评估准确，否则小模型…

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配口述回答：…客服场景里，用户之前投诉过退款问题，下次来问其他订单时，Agent 能检索到那个历史记录，给出更个性化的回复。但长期记忆有个前提：向量检索的召回质量要够高，否则检索到不相关的内容反而会干扰模型。我见过一个失败案例，因为 [[Embedding]] 模型没做好领域适配，导致 Agent 总是引用错误的历史对话，越帮越忙。工具和行动模块是 Agent 的手脚。它通过 [[Function Calling]] 把用户的自然语言请求转化成 API 调用。这里的关键是工具注册和参数解…

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配口述回答：…策的跃迁任务规划：ReAct循环加结构化输出工具调用：Function Calling标准化协议记忆分层：短期滑动窗口，长期向量检索落地风险：死循环、工具不可靠、记忆一致性约4分钟多Agent协作处理并行子任务，比单Agent串行更高效，但通信和一致性是难点。面试官可能会追问多Agent的通信协议、任务分解策略、以及如何避免Agent间的冲突。

#百度#Agent#AI Agent 设计

面试题·RAG· 蚂蚁

增量式向量索引怎么更新?

匹配追问：场景切入假设你在做电商的实时向量检索，商品信息每天频繁更新，用户搜索刚才还搜不到新品，过一会儿就要能搜到。这个增量更新你怎么设计？层层追问向量索引更新一般怎么做？……如果知识库每秒都有新向量加进来，还有删除操作，你直接重建索引肯定不行……那怎么保证实时性又不牺牲召回率呢？直球架构设计一个支持高频更新的增量向量索引，要求准实时生效、检索质量不下降。你会怎么分层？用什么索引结构？删除和追加分别怎么处理？

#蚂蚁#增量式向量索引#向量索引更新

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…了生成的上限。如果检索回来的东西不相关，LLM再强也白搭。所以落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百条，再用 [[Cross-Encoder]] 精排一遍，把最相关的前几条送进生成，能显著减少噪声。说个真实业务场景吧，比如电商客服的退款政策问答。用户问“七天无理由退货的运费谁出”，如果只用LLM微调，模型可能…

#字节#外部知识检索#RAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…有去年的，如果不过滤时间，去年已经过期的政策也会被召回，造成混淆。所以我会提前把时间、类别这些标签作为过滤器，先筛掉无关数据，再走向量检索，这样准确率能提升不少。其实还有一个点我没展开，就是分块粒度怎么和检索策略联动。比如你切了句子级和段落级两层索引，什么时候用句子，什么时候用段落？我一般会先做粗召回，用段落级索引把相关的文档块找出来，然后再用句子级索引做精排，这样既快又准。但这也引出一个问题：两层索引的存储和延迟怎么平衡？所以整体上，我不会一开始就堆所有优化。我会先分析…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配追问：… 层层追问 RAG的数据处理流程你大概怎么设计？……那如果领域要求零容忍幻觉呢，比如法律条文引用必须精确到条款？……索引结构上除了向量检索，你还会加什么来保证精确匹配和溯源？直球架构设计一个专业领域RAG的数据处理和索引流程，重点保证知识准确性、合规性和检索效率。从数据采集到索引构建，你会分几个层？各层的关键技术和人工审核节点怎么安排？

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 小红书

新用户冷启动：生成式推荐与Embedding

匹配口述回答：…延迟会高。如果对实时性要求特别高，比如首页推荐必须在50毫秒内返回，那生成式召回可能撑不住，得换成更轻量的策略，比如直接基于画像的向量检索。我最近在思考一个问题：生成式推荐在冷启动阶段表现不错，但用户行为积累多了以后，怎么平滑过渡到传统协同过滤？直接切换会不会导致推荐结果断层？这个我还没完全想透，但感觉可以用模型[[蒸馏]]或者渐进式融合来解决。所以整体来看，我会把生成式推荐看作冷启动的加速器，而不是终局方案。它解决了“从0到1”的问题，但“从1到100”还得靠传统模型和…

#小红书#新用户冷启动#生成式推荐

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…排、上下文、生成、引用与监控。然后挑一个最有代表性的 bad case，说明【关键改动】为什么针对根因，而不是直接罗列 BM25、向量检索或 RRF。检索、排序和生成分层评测，每轮固定语料与测试集做消融。项目结果按【评测结果】填写，同时交代 Recall@K 或排序指标、答案支持率、P95/P99、成本和观察窗口，不能用一个“准确率”概括全链路。我还会准备【失败案例】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embedding、索引…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 字节

RAG检索质量提升5法

匹配追问：…果质量怎么保证？……光靠向量相似度够吗？……如果不够，你会在检索前、检索中还是检索后做文章？举个例子说说具体方法？直球架构除了向量检索，RAG还有哪些关键技术能提升检索质量？从查询扩展、混合检索、重排序、上下文压缩这些方法里挑几个，讲讲原理和适用场景，不考虑成本的话你优先用哪个？

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配追问：场景切入我看你做过电商客服的知识库，用户问“苹果12价格”，第一阶段向量检索召回一堆包含“苹果”的文档，有手机也有水果。你怎么让系统只挑出手机那篇？重排在这儿起了什么作用？层层追问 RAG里你一般怎么保证召回的文档和问题贴切？……如果双塔模型召回了50篇，但混进很多看似相关实际无关的，你怎么办？……具体说说重排模型怎么工作的，它跟第一阶段检索比，精度和延迟怎么权衡？直球架构 RAG系统为什么需要重排模型？请从双塔和交叉编码器的架构差异出发，讲清楚重排如何在召回阶段基础上…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 原理与核心架构

匹配口述回答：…分。再看检索器，从向量库里召回 top-k 候选。现在主流做法是 [[Hybrid Search]]，也就是 [[BM25]] 加向量检索，因为光靠向量对精确匹配不友好，比如订单号、错误码，关键词召回更准。还要看 [[Rerank]] 模块，用 [[Cross-Encoder]] 对召回结果精排，这一步对最终质量提升很明显，但计算开销大，所以一般只对 top-50 做重排。再说 [[RAG]] 的三大优势。事实准确性提升，本质是给生成加了事实锚点，答案可溯源。动态更新方面，…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…沿着检索、[[重排序]]、上下文融合、生成这条线走，但真正落地时很多决策是耦合的。先说检索。很多人一上来就堆向量，但实际业务里，向量检索对高频实体和精确匹配反而弱。比如客服场景里，用户问‘订单号12345退款失败’，关键词[[BM25]]直接命中订单号，向量可能因为语义偏移排到后面。所以我会优先做[[Hybrid Search]]，把向量和关键词结合。具体来说，索引侧我会做[[Embedding]]微调，用领域数据，比如退款、满减这类客服语料；查询侧做query改写，比如用…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：…来。这里有个关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比如订单号、错误码这种；向量检索适合语义匹配，比如用户说“退款没到账”这种口语化表达。真正落地时我会做 [[Hybrid Search]]，把关键词和向量结合起来，再配合查询改写，比如用户说“退货”，我能自动扩展成“退货退款”“退货流程”，或者用 LLM 把模糊 query 转成更明确的意图。举个例子，在客服场景里，用户问“满减怎么用”，直接向量检索可能匹配到一堆满减规则…

#字节#RAG评估闭环#RAG 系统优化