匹配正文：…对比维度 SFT RAG 知识更新灵活性差。需重新训练，成本高、周期长优。知识库热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间推理易断裂性能上限分析 SFT上限：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非事实记忆…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配正文：…的工具（计算器、搜索引擎、数据库）关键：训练模型识别"知识边界"，对不确定信息主动触发检索二、训练策略层面 SFT阶段构造高质量事实性数据集：引用来源明确、可验证的问答对引入"拒绝回答"样本，训练模型在不确定时表达不确定性 RLHF/DPO优化奖励模型需加入事实准确性维度，不仅看流畅度使用RAG增强的偏好数据：对比"有检索支持的回答"vs"纯参数记忆回答" 三、推理优化层面解码策略约束解码：用知识图谱或检索结果约束token生成空间 Self-Consiste…

#百度#模型微调#评估与监控

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：…纯对话任务可粗粒度三、上下文建模：状态追踪机制结构化状态表示：将历史工具返回、中间结论编码为模型易解析的格式（JSON/XML嵌入Prompt）位置敏感设计：关键信息（如最新Observation）放在Prompt尾部，利用位置偏置截断策略：超长上下文时，保留摘要而非简单截断——需同步训练摘要模块四、质量验证：动态执行闭环训练数据必须通过真实执行验证：工具调用是否可解析执行执行结果与标注Observation是否一致多轮后是否收敛到正确终态数据迭代：建立"…

← 上一页第 10 / 17 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

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：… 做不到。所以真正落地往往是 RAG 加微调配合，RAG 负责事实性，微调负责风格和指令遵循。另外，RAG 上线后要持续监控召回质量，比如用 [[RAGAS]] 框架评估 [[Faithfulness]] 和 [[Context Recall]]。如果发现召回不准，可能要调切块大小、换 Embedding 模型，或者加 [[Rerank]] 层。最后说我的判断：我会把 RAG 看成大模型落地的标配能力，而不是锦上添花。因为只要业务需要事实性，RAG 就是最稳的路径。但前提…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…发布，查询才能读到新版本。天气、订单和实时价格等数据更适合通过实时 API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无权访问的内容。 3. 幻觉与可追溯性检索证据、引用和“资料不足时拒答”可以降低部分无依据生成，但前提是证据正确、完整且生成器忠实使用。错误召回、冲突文档或过期索引也可…

#美团#知识增强#RAG 核心问题

面试题·RAG

RAG 完整流程分几步？

匹配口述回答：…的文本在向量空间里也挨得近，然后全存进 [[Vector Database]]。在线阶段就两步。用户提问时，先把问题也向量化，去向量数据库里找最相似的Top-K个块，这一步决定了模型翻到的是不是正确的那几页书。最后把问题和检索到的资料拼成提示词交给大模型，让它根据给定资料回答。这里有个关键点：分块策略不是一刀切的。固定长度切分简单，但容易切断语义；语义切分效果好但成本高。真正落地我倾向混合策略，比如先用段落标题做粗切，再对长段落做[[滑动窗口]]重叠。另外，如果检索质量上…

#入门#基础概念#RAG流程

面试题·模型架构

上下文窗口是什么?超了怎么办?

匹配正文：…,用户感觉「失忆」摘要压缩把久远内容总结成短摘要放回上下文保留主干;细节丢失,摘要本身也要耗一次调用 RAG 长资料切块存入向量库,提问时只检索最相关的几块塞进上下文资料可以无限大;但引入「检索质量」这个新变量实际工程的组合拳成熟的对话系统通常是:最近几轮对话保留原文 + 更早的对话滚动摘要 + 领域知识走 RAG,三者拼成最终的 prompt。入门后可以深入长上下文外推技术(RoPE 插值、YaRN),以及「窗口大了但中间内容记不住」的 Lost in the…

#入门#基础概念#上下文窗口

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：答案要点知识图谱构建的质量与成本权衡多跳推理的准确性与效率平衡图结构与向量检索的融合机制动态更新与版本管理评测体系的缺失核心挑战与解决思路 1. 知识图谱构建：质量与成本的死结难点：实体抽取、关系识别、消歧的准确率低，人工标注成本极高；电商领域商品属性繁杂，schema设计困难解法：采用弱监督+主动学习循环：先用LLM生成候选三元组，人工审核高置信度样本，再迭代优化；schema采用自底向上演化，而非一次性完美设计 2. 多跳推理：准确性与效率的权衡难点：2…

#淘天#知识图谱#评估与监控

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：核心优势对比维度传统RAG GraphRAG 知识表示文本块向量，隐式关系实体-关系图，显式结构化检索粒度局部相似度匹配子图/路径推理信息整合片段拼接，易割裂社区聚合，全局一致推理能力单跳，表面关联多跳，因果链条四大机制解析 1. 知识结构化建模将非结构化文本抽取为实体-关系-属性三元组同一实体跨文档归一化，消除指代歧义关系类型显式定义（如"因果关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配正文：…心区别：是否共享语义空间伪多模态RAG 实现方式：图像/视频经OCR、Caption或视觉编码器（如CLIP）转成文本描述，再入向量库典型链路：图像 → BLIP2生成caption → 文本embedding → 检索 → LLM生成本质：多模态→单模态的有损压缩，检索和生成阶段都是纯文本真多模态RAG 实现方式：图像和文本统一编码到共享语义空间，直接进行跨模态相似度计算典型链路：图像+文本 → 多模态encoder（如CLIP dual encoder/EVA-…

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 淘天

GraphRAG 增量更新策略与挑战？

匹配正文：…属性更新图数据库事务写入（Neo4j/Neptune）关系层边增删、权重调整增量图算法（如增量PageRank）索引层向量索引、社区摘要更新局部索引重建 + 全局摘要增量计算两种模式选择增量模式：新文档→提取子图→对齐已有图谱→局部索引更新（延迟分钟级，适合高频更新）全量重建：周期性（如每日）重新构建全局社区摘要，保证图结构质量关键工程技巧双缓冲机制：读写分离，更新时写入新副本，完成后原子切换分层索引：热点社区常驻内存，冷数据延迟加载核心挑战与应对…

#淘天#GraphRAG 增量更新#知识图谱动态维护

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配正文：…关性 3. 混合检索机制向量检索：基于embedding的语义相似度图结构检索：基于拓扑结构的关联性打分两者融合排序，避免纯向量检索的语义漂移 4. 全局-局部联合召回全局层：社区摘要回答宏观问题（"这家公司整体如何"）局部层：具体实体关系回答细节问题根据查询意图自动选择召回层级 5. 迭代式查询扩展首轮召回结果反馈，动态扩展查询子图处理复杂多条件查询时的组合推理关键瓶颈：实体链接准确性直接决定召回起点质量；社区划分粒度影响摘要的概括性与精确性平衡。学习建…

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：三大核心痛点 1. 检索噪声（Retrieval Noise）表现：召回的Top-K文档包含无关或低质量内容，干扰模型判断根源：向量相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配正文：…量更新主动学习：Agent识别知识盲区，主动请求补充 2. 更新流水线（ETL-KG）原始数据 → 信息抽取（实体/关系）→ 质量验证 → 冲突检测 → 图谱融合 → 索引更新 → 生效通知 3. 关键保障机制维度策略实时性近实时：Kafka+Flink流处理，秒级延迟；关键路径走内存缓存一致性版本快照+MVCC；写时复制保证查询不中断；分布式事务（2PC/Saga）准确性规则校验+模型打分+人工抽检三级；灰度发布，异常自动回滚 4. 与RAG的联动图谱…

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…关系推理" 能回答需要跨文档聚合的抽象问题（如"主题是什么"）适用场景：大规模文档集、需要全局理解的复杂查询实现难点：图谱构建质量、社区划分粒度、查询路由策略 GraphRAG 核心原理索引阶段（离线）实体关系抽取：用LLM从文档中提取实体、关系、属性，构建知识图谱社区发现：用图算法（如Leiden算法）将图谱划分为语义相关的社区生成社区摘要：对每个社区生成高层语义摘要，形成层次化索引查询阶段（在线）全局搜索：针对抽象问题（"主题是什么"），遍历社区摘要进行聚…

#字节#知识图谱#GraphRAG 原理

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：…图vs营销文案），简单拼接导致噪声上下文长度爆炸：多帧视频或高分辨率图像token数远超文本，触发长上下文瓶颈训练数据稀缺：高质量的<问题, 图像证据, 文本答案>三元组数据难以构建典型实现与应用实现方式： CLIP-based双塔：图像和文本共享嵌入空间，用FAISS/Pinecone构建多模态向量库多模态LLM + RAG：GPT-4V/InternVL等原生支持图像输入，检索阶段返回图像+文本混合上下文应用场景：电商客服：用户上传商品瑕疵图 → 检索相似案…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…息研报/财报分析：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain、LlamaIndex，理解其与视觉语言模型的集成方式。

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配正文：…个设计为什么好看" 强：支持视觉推理、空间关系、风格分析等深层理解系统复杂度低：链路简单，成熟工具多，调试成本低高：需多模态Embedding服务、大显存、跨模态对齐难题选型建议选伪多模态：文档问答（文字为主）、快速POC、成本敏感场景选真正多模态：电商商品图分析、医学影像、设计类问答、任何需要"看懂"而不仅是"读出"的场景实际落地中，常见折中方案：用轻量多模态模型打标构建文本索引，检索后召回原图送入强多模态LLM——兼顾检索效率与生成质量。学习建议建议掌握…

#淘天#多模态#伪多模态RAG

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配题目：…有效整合检索到的上下文信息来构建输入Prompt，并驱动大模型生成准确、连贯的答案？请详细说明Prompt构造的关键要素及其对生成质量的影响机制。

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：…：四层Prompt架构 1. 上下文预处理层筛选：按相关性分数阈值过滤，保留Top-K（通常3-5篇）排序：综合BM25分数、向量相似度、时效性加权排序去重：语义去重（embedding聚类）+ 精确去重（URL/ID去重）冲突标记：对矛盾信息打标签，提示模型"存在不同观点" 2. 上下文注入结构 [系统指令] 你是基于检索文档回答的助手，必须引用来源 [检索上下文] [文档1] 内容...【来源：URL1】 [文档2] 内容...【来源：URL2】 [用户查询] 原…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：答案要点 query改写的常见策略（扩展、分解、澄清、假设文档嵌入）提示词构建的核心要素（系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询…

#百度#小鹏#美团

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配正文：…环： 1. 感知（Perception）作用：接收多模态输入（文本、图像、API返回、环境状态），转化为结构化信息重要性：决策质量的"天花板"，感知偏差会导致后续全链错误。复杂任务中需支持多轮信息补全（如主动追问澄清） 2. 规划（Planning）作用：将目标拆解为可执行的子任务序列，选择策略（CoT、ToT、ReAct）重要性：复杂任务的"导航仪"。关键设计：动态重规划：环境变化时回溯调整分层规划：高层抽象策略 + 低层具体动作 3. 记忆（Memory）作…

#美团#评估与监控#Agent

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…n（Retrieve/IsRel/IsSup/IsUse），让模型自主决定何时检索、如何使用 Toolformer范式：预训练阶段嵌入API调用能力，将外部工具调用内化为模型原生能力长上下文优化 NTK-aware RoPE、YaRN 等方法用于扩展可处理的上下文；具体长度和质量取决于模型及训练配置。更长窗口能减少截断，但不能代替检索质量与事实核验。二、训练策略层面数据质量提升指令微调数据：过滤低质量指令，引入思维链（CoT）数据增强推理能力知识边界标注：明确标注"…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配口述回答：…接 Flink 做特征工程，直接写进 Redis 或 HBase，分钟级生效。批量流比如商品描述更新，先用 Spark 生成 [[Embedding]]，再增量更新到 [[Vector Database]] 比如 Milvus，小时级重建。一个容易踩的坑是，向量库频繁更新时，索引质量会下降，比如 [[HNSW]] 图结构会碎掉。我的做法是用蓝绿部署，双版本向量库，更新时切流量，失败秒级回滚，保证召回质量不崩。第三层是检索决策层，也就是[[混合检索]]加动态权重。检索时既做向…

#美团#分布漂移#外接数据库增强