匹配口述回答：…忆的检索如果太慢，会拖死整个Agent。所以上线前我会特别关注检索延迟和召回率，通常用[[Hybrid Search]]把关键词和向量结合起来，不然纯向量检索在冷门实体上容易丢。工具调用和执行引擎我放一起说。工具这块，关键是统一接口，所有工具按OpenAPI规范描述，description要写精准，因为LLM靠它选工具，写模糊了就会乱调。执行引擎是个状态机，从待执行到工具调用到结果观察，再判断是否继续。举个例子，在电商客服场景里，用户问'我的退款怎么还没到'。Agent先规…

#字节#Agent#Agent 框架设计

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配口述回答：…对话记录，按时间序列存，方便回溯。第三层才是长期记忆，这里又可以细分成三类：用户画像，用结构化数据存，比如偏好、习惯；事件记忆，用向量存重要交互片段，比如用户投诉过某个功能；知识记忆，用户专属的知识，可以结合 [[RAG]] 来搞。具体存储上，用户画像我倾向用关系型或者文档数据库，支持原子更新。事件记忆必须用 [[Vector Database]]，同时带上元数据，比如时间戳、主题标签，不然纯向量检索容易跑偏。原始对话压缩归档，定期拿来生成摘要。检索这块，我不会只用向量相…

#字节#百度#Agent

面试题·文档处理· 百度

分块策略怎么影响检索?

…粗排用大块保召回，精排用小块保精准，配合[[Rerank]]效果更好。落地风险也很明显。前提是分块策略要和检索方式匹配。如果只做向量检索，语义分块比固定长度好；但如果混合了[[BM25]]关键词检索，固定长度分块反而可能因为词频统计更均匀而表现更好。常见失败场景是，分块切得太碎，导致检索时上下文丢失，生成结果出现[[Hallucination]]。上线我会特别关注分块数对[[向量库]]规模和推理延迟的影响，分块数太多，检索延迟会飙升。另外，我现在比较关注动态分块，就是根据…

← 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：

#百度#文本分块#chunking 策略

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：… [[Context Recall]]，确保模型没有忽略检索到的证据。说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模型多强，而是检索链路多稳。我更倾向先…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…；如果场景多变，或者刚起步没什么标注数据，先用Contriever快速验证，等数据积累够了再切到DPR。真正上线时，我几乎一定会把向量检索和关键词检索结合起来，也就是 [[Hybrid Search]]，因为向量擅长语义匹配，但精确匹配比如订单号、政策条款号，还是[[BM25]]更靠谱。怎么评估编码模型的检索能力？RAG场景下，我最看重的是 Recall@K，比如Recall@5。为什么？因为生成阶段能容忍一些噪声，你给大模型十段文档，哪怕其中两三段不相关，它也能挑出有用的…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配口述回答：…会从三个维度去拆解：检索精度、生成质量和系统效率，但真正落地时，这三者经常是互相牵制的，你得有取舍。先说检索精度。最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满200减50怎么用”，向量可能把“满减规则”和“优惠券叠加”混在一起，但BM25能精准匹配“满200减50”这个短语。不过这里有个前提，就是你得有好的…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…落地的时候，我倾向于把RAG当成基础设施，但不会只依赖它。比如检索环节，我会做**[[混合检索]]**，把[[BM25]]关键词和向量检索结合起来，避免因为语义偏差漏掉关键文档。生成环节，我会加[[Rerank]]和[[Self-Refine]]，先让模型基于检索内容生成，再自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种多实体、多关系的场景，检索质量比纯向量检索更…

#京东#知识型幻觉#RAG 幻觉

面试题·模型微调· 京东

300-500意图怎么召回?

匹配追问：…怎么处理这种长上下文和多意图的问题？层层追问意图识别要支持几百个类别，你是怎么设计的？……prompt太长怎么办？……如果我用向量检索先召回一部分候选，那召回和精排怎么配合？……那最终你怎么保证实时性？直球架构直接说方案：在大规模意图识别系统里，要处理300到500个意图，怎么克服上下文长度限制并做到有效召回？请讲清楚你的层次化设计、多路召回和压缩策略。

#京东#大规模意图识别#上下文长度限制

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配口述回答：…要有，但只能占一部分，因为它太容易了，模型很快就学会了。真正有价值的是 hard negative，也就是被 [[BM25]] 或向量检索排得很靠前，但人工判断不能回答问题的文档。比如用户问“退款到账时间”，召回到一篇“退款申请入口”的文档，它主题很近但不能回答到账时间，这种样本对 reranker 最有训练价值。数据来源可以分几类。冷启动时用人工标注，质量最高，可以做验证集和黄金集。上线后可以用点击、收藏、人工采纳、客服改写这些行为日志，但要处理位置偏置，因为排第一的文档…

#美团#重排与优化#Reranker 训练数据

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…理和表达，知识库负责提供事实。具体架构分三块：索引模块、检索模块、生成模块。先说索引，离线阶段要把原始文档切成小块，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里。这里有个关键取舍：切分策略直接影响召回质量。固定长度切分最简单，但容易把完整语义砍断；语义切分虽然准，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…

#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：…文档切分不是随便按字数切，我会按语义段落，块大小与重叠窗口都作为候选变量，再用同一评测集比较边界证据完整率、召回、延迟和索引成本。向量库选型上，如果数据量上亿，我会用Milvus，它分布式做得成熟；如果是几百万级别的轻量场景，Qdrant更轻便，部署成本低。[[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]]…

#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

匹配口述回答：…我会给每个块打上元数据标签，比如时间、来源、类别，这样检索时可以按这些字段做预过滤。还有一个很重要的点，就是构造难负样本。训练[[Embedding]]模型时，我会加入语义相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…

#字节#RAG 检索噪声#RAG 数据构建

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，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…

#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·多模态· 淘天

多模态 RAG 架构设计

匹配口述回答：…述，强行做多模态检索反而引入噪声。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…

#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：…单是安全底线，上线前必须审计。记忆系统我分成短期和长期。短期用 [[Sliding Window]] 保存对话上下文；长期用[[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…

#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· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…切分这里就有个坑：固定字数切容易把语义切散，我一般会按段落或小节切，结合[[滑动窗口]]保留上下文。第二步是检索，用户的问题也转成向量，去库里做相似度搜索，拿回Top-K个片段。第三步是生成，把检索到的片段和原始问题拼成prompt喂给LLM，让它基于这些证据回答。这里最关键的其实是检索质量，它决定了生成的上限。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…

#字节#外部知识检索#RAG 原理

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·检索· 字节

RAG检索质量提升5法

匹配追问：场景切入我注意到你项目里用了RAG。假设用户问了个模糊问题，比如‘这个怎么退’，直接去向量库搜可能不准，你会怎么优化检索？除了调embedding模型，还有别的招吗？层层追问 RAG系统里，检索结果质量怎么保证？……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…

#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：…从闭卷考试变成开卷考试，先检索后生成。具体来说，系统架构可以拆成三个关键模块。先说索引构建，就是把外部知识库切分成小块，用 [[Embedding]] 模型转成向量存进 [[Vector Database]]。这里有个常见坑：切分策略很讲究，固定窗口切分简单但容易把语义割裂，所以落地时我通常会结合段落边界做语义切分。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…

#字节#重排与优化#RAG 原理与核心架构