匹配正文：…）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收益文档解析布局识别（如PDF转Mar…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节分元数据标注：来源、时间、类别等标签，用于过滤和溯源二、向量索引构建 …

← 上一页第 10 / 12 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询向量化、相似度检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…eneration)：检索结果+原始Query拼接→LLM生成答案关键组件组件核心作用选型要点文档处理 PDF/Word解析、语义切片按语义边界切（如段落），非固定长度 Embedding模型文本→稠密向量领域适配（M3E/BGE/自研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：答案要点分模块阐述数据预处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：答案要点数据预处理：文档解析、结构化抽取、质量过滤、领域术语标准化检索优化：混合检索（向量+关键词）、重排序、查询改写、多粒度索引生成优化：领域Prompt工程、引用溯源、幻觉检测、人机协同审核系统层面：离线在线分离、缓存策略、反馈闭环整体架构用户Query → 查询理解 → 混合检索 → 重排序 → 上下文组装 → 领域生成 → 后处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：P…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…：Embedding调用费用 vs 精排模型部署成本效果边界：候选漏召回限制基于该证据集的作答，但高Recall不保证忠实生成；解析、权限、重排、上下文选择与生成均会影响端到端质量，不能把生成模型当质量下限保证。参考资料 Faiss官方索引、增量与存储 Milvus官方标准与迭代过滤 IRCoT原论文:多步推理与迭代检索

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：…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…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：答案要点清晰区分离线索引阶段和在线检索生成阶段准确描述文档解析、分块、Embedding、向量存储等离线模块准确描述Query理解、检索召回、重排序、上下文融合、LLM生成等在线模块能说明数据流转的完整链路 RAG两阶段架构核心模块与数据流转第一阶段：离线索引（Indexing）目标：将原始文档转化为可检索的向量知识库模块功能输出文档解析处理PDF/Word/网页等多格式，提取结构化文本原始文本文档分块（Chunking）按语义/固定长度/递归等方…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：一、文档处理解析 PDF、HTML、表格和图片时保留标题层级、来源、版本、权限和原文坐标。清洗页眉页脚与重复模板后，按结构、固定长度或递归策略产生候选块，并在目标查询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker …

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 小鹏

如何系统优化 RAG 检索？

匹配正文：先定位，不先堆组件检索优化先固定语料、权限、查询集、相关性标注、索引和配置版本，再沿链路查错误。若原文缺失、解析错乱、权限或时间过滤错误、索引未更新，换 ANN 算法或加入重排不会解决根因。 1. 语料、切分与候选资格检查文档版本、删除传播、OCR/表格/标题结构、切分边界和元数据。权限、租户、语言、时间与产品版本应参与服务端候选资格判断。预过滤、检索中过滤和检索后过滤对召回与延迟的影响取决于具体引擎；不能笼统说“加过滤就一定减少计算”。 2. 候选生成以精确搜索或当前…

#RAG#检索优化#混合检索

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…准备和在线问答两部分组成。检索能提供外部证据，但检索结果和生成都可能出错，因此整条链路要可评估、可追踪和可回滚。 1. 离线准备解析并清洗文档，保留来源、版本、权限和时间等元数据。按结构或候选分块策略生成 chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：…）输入LLM，抽取动态兴趣标签交叉特征生成：LLM理解item A和item B的语义关联，生成隐式交叉特征快手实践：用LLM解析短视频标题/ASR文本，生成结构化标签，喂给双塔模型 2. 召回层（探索中）方案原理挑战语义向量召回 Item→LLM Embedding→向量库推理成本高，需离线预计算生成式召回 LLM直接生成候选item ID或描述需微调适配ID空间，幻觉问题对话式交互用户query→LLM理解→扩展语义召回适合搜索推荐联动场景 3. …

#快手#LLM推荐系统#LLM 推荐系统

面经·项目面试

配置里有参数，不等于模型已经收到

匹配正文：…。参数传递关系尚未确认时，继续比较答案变化，可能是在比较两套自己没有完整记录的设置。若实际调用报错，也应保留报错所处的位置。配置解析、包装层转换与底层生成各自可能拒绝输入；收到一个错误，不能跳过调用链直接断言模型没有能力。本次没有运行这些真实错误路径，固定返回的替身也没有提供这样的判断依据。转动温度旋钮，没有自动改变另一只采样开关 API 请求构造完成，服务端这一关仍待验证切换到 API 路径，也不能直接沿用本地结论。当前 APIProvider 先建立模型名和消息，再…

#Agent#模型推理#参数适配

面经·项目面试

记忆文件与发现索引，少写一步会怎样？

匹配正文：…文件。这里还存在一个会影响调用方判断的细节：索引处的异常从这一层向外抛出了。提取函数没有正常返回新的名字列表。它处理 JSON 解析的那段捕获名单不包含这个 I/O 异常，不能因为前面另有错误处理，就断言所有保存问题都会被吞掉。返回名字的位置也有含义：它排在索引更新之后，代表这条记录走过了前面的保存与登记。发生异常时没有正常返回新名字，不能据此反推正文不存在。调用结果与磁盘状态需要相互核对，才能决定重试从哪里开始。因此，“函数报错”和“什么都没有写入”也不能画等号。调用…

#Agent#Memory#持久记忆

面经·项目面试

Python 沙箱的边界，不能只画在代码字符串里

匹配正文：…更准确地区分字符串内容与调用节点，也方便限制允许的语法。但它仍是一层代码分析。依赖对象具体做什么、操作系统允许进程做什么，不会因为解析方式更精细就自动变成已验证事项。教材还有另一层：给 exec 提供受限的 safe_globals，显式设置内置名字，只保留打印、求和等函数，并放入预加载的库对象。这里确实缩小了直接入口，并非完全没有约束。 Python 官方文档同时明确，改写内置名字不是安全机制。名字空间规定怎样找名字，并没有创建另一个操作系统身份、另一套文件权限或独立网络…

#Agent#CodeInterpreter#Python

面经·项目面试

评分端知道的答案，别顺手放进 Agent 的题面

匹配正文：…码实现中，任务对象同时服务运行端和评分端。评分辅助函数能按 entities 中的标识定位环境表，取得本题需要核对的记录；这条真值解析路径与模型题面生成分开。首轮题面使用 _case_context。它固定构造会话标识、客户标识、订单号、区域和客户消息五个字段。读取某个可见值时，先查 agent_facing，再查 visible_context，最后兼容任务顶层的同名字段。这里有个很关键的停止位置：没有从 entities 继续兜底。模型可见区域没有订单号，就不会因为评…

#Agent训练#输入边界#提示词

面经·项目面试

Worktree 建好之后，还要把工具接进去

匹配正文：…种直接方案，是创建新 Worktree 后，为子任务组装绑定新根的工具实例。Bash 使用新 cwd，其他文件工具也通过明确的路径解析入口定位副本中的文件。这里应避免直接改共享工具的字段。父子注册表引用同一对象时，修改它的目录也会改变父任务接下来拿到的那一实例。让子任务获得自己的绑定，更容易说清两边分别指向哪里。但仅仅重建对象还不够。工具对相对路径怎样解释、是否接受绝对路径、父目录引用如何处理，都应有一致约定。若文件工具仍然直接接受主目录的绝对路径，新的 Bash 起点无…

#Agent#Worktree#工具绑定

面经·项目面试

子 Agent 有独立上下文，为什么还要认真写交接？

匹配正文：…后再输出结论，前面的文字也可能留在最终拼接结果里。例如，返回内容先写“可能是旧版登录规则”，后面又根据新输入修正为“需要检查新版解析”。父任务如果只摘取最前面的一句，就可能把已被修正的猜测当成当前结论。问题并不在于子任务不能展示过程。过程对排查有用，最终决定也有用，但它们承担的作用不同。父任务需要知道哪些内容是已确认的观察，哪些只是候选解释，以及还缺少什么信息。对于登录排查，一个便于接续的返回可以说明：看过哪个范围，找到哪些具体报错位置，哪些判断有依据，哪些仍待确认。如…

#Agent#子Agent#上下文交接

面经·项目面试

流式工具调用，究竟等到哪一刻才能开始执行？

匹配正文：…区，暂时不执行工具，也不在每个片段到达时尝试把它当成最终参数。设备查询的第一段可以是 {"device_id":，单独拿出来无法解析。第二段接上 "DEV_A"}，两段拼起来才成为完整对象。如果首段解析失败就把调用判错，系统会把正常的增量传输误当成坏请求。反过来，某段文本碰巧已经能解析，也不说明上游已经结束这个块。应用需要遵守内容块的结束信号，不能靠“现在看起来像完整 JSON”猜测后面是否还有内容。适配器还用块的 index 区分缓冲区。文本、工具或其他内容分别保留自…

#Agent#流式工具调用#工具执行

面经·项目面试

工具返回要读，却不该替模型领训练信号：Agent 的 Mask 怎么接？

匹配正文：…了这一段，以及模板实际追加了哪些编号。根据内容里有没有某个关键词来补标记，会把文本特征误当成执行来源。如果应用额外给模型插入一段解析错误提示，这段提示同样来自运行器。当前代码把它作为非模型内容追加，并标零。是否参与这一轮策略更新，依据的是内容来源，不取决于文字看起来像回答、提示还是说明。连续交互保留完整，模型调用、工具返回和模型回答分别标记来源工具位置的零，控制的是哪件事这里的零用来控制训练参与位置。工具结果没有因此被删除：原代码仍把它的 token 加入完整输入，下…

#Agent#强化学习#工具调用