匹配口述回答：这道题问的是专业领域[[RAG]]智能助手的设计，我觉得它本质上是在问一件事：怎么让大模型在知识密度高、容错率极低的场景下，既能用上最新最准的知识，又能给出可信、可解释的回答。说白了，就是解决专业领域的可信生成问题。我会从数据处理、检索、生成和评估四条线来讲，不过先划个边界：很多人纠结RAG和微调选哪个，我的看法是，高频更新的知识、需要引用溯源的场景，RAG是必选项；但像处理病历或合同这种格式稳定的文档，微调反而能提升格式规范性。真正落地往往是 RAG加微调混合，RAG…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

场景切入假设你做一个企业知识库问答的RAG系统，用户问“报销流程”，系统先召回一堆文档，然后只取第一个送给大模型。这时候第一个结果准不准很关键吧？那你怎么评价这个“准不准”呢？层层追问检索出来的文档你一般怎么评估排序质量？……那只看第一个位置够不够？……如果我想知道第一个文档是否相关，但又不关心后面，有什么指标专门衡量这个？直球架构说说MRR在RAG里的定义和意义。就是那个平均倒数排名，怎么算的？为什么它对RAG特别重要？还有它有什么局限？

← 上一页第 10 / 18 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

匹配追问：

#百度#评估与监控#MRR 定义

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配口述回答：…。所以上线前我会特别关注实体消歧和关系置信度，宁可少抽一些，也别抽错。落地的时候，我一般不会二选一，而是把GraphRAG和传统RAG混合。简单查询走向量检索，复杂多跳走图查询，然后合并结果。成本上，图谱构建是一次性投入，换来查询时的精准度和可解释性，但如果数据变化快，维护图结构的成本会很高。说到混合，其实还有一个有意思的点：GraphRAG的社区摘要生成本身依赖LLM，这又引入了[[Hallucination]]风险。如果摘要总结不准确，全局查询就会出错。所以我在设计时…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·Prompt· 字节

RAG 生成阶段 Prompt 怎么构建?

匹配口述回答：这道题其实本质在问一件事：你怎么让大模型在生成时，既充分利用检索到的上下文，又不被它带偏，还能产出可信的回答。核心就两个点，让模型明确知道‘要回答什么’和‘能参考什么’，同时把信息密度做到最大，别让指令淹没在资料里。先说说最常见的模板结构。最通用的就是经典QA式，系统指令先定好角色，说‘你是基于文档回答的助手，严格根据参考资料回答，资料不足就说明’，然后把检索结果拼进去，最后放用户问题。这个模板好处是简单直接，但有个坑，如果检索结果太长或太杂，模型容易忽略指令。所以我会在模…

#字节#Prompt工程#RAG Prompt 构建

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…有些问题模型本身就知道，不需要检索，能省不少延迟。但它的可靠性还需要验证，比如模型误判了该检索却没检怎么办。所以整体上，我会把 RAG 看成一种「知识库在前、模型在后」的协作模式，核心是让模型做它擅长的事，理解和生成，而把事实性交给检索。前提是检索质量要足够高，否则模型再强也是白搭。我更倾向在检索层多下功夫，而不是在生成层硬约束。一句话定位：本质是知识库与LLM的边界划分检索模块：多路召回+重排，边界与前提生成模块：Prompt约束与引用溯源知识更新：增量与软删除…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…nker、Prompt 和模型都版本化，多租户权限和缓存隔离单独验证。这样面试官追问任何一层，都能回到真实 trace 和实验。 RAG本质是让大模型先查后答，不是硬记数据层：多源解析和表格保留检索层：混合召回加重排，型号编码单独倒排生成层：置信度阈值防幻觉，版本冲突处理落地前提和风险约90秒即使检索准，模型仍可能忽略部分上下文，需要更精细的段落关联策略，但会引入延迟追问：具体怎么用Parent Document策略？或者怎么在延迟和上下文完整性之间平衡？

#百度#RAG项目复盘#RAG 项目指标化复盘

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：…ding]]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，比如用户说‘钱没退回来’，我会通过[[Self-RAG]]生成一个假设文档再检索。这里有个前提：你得有足够的高质量领域数据做微调，否则Embedding可能还不如通用模型。风险是混合检索的权重调参很敏感，上线后我会监控召回率，如果某个召回源一直空结果，要降权甚至关掉。检索出来Top100，不能直接塞给大模型。重排序的核心是做漏斗。第一步用BM25或[[Bi-Encoder]]粗排，快速过滤到T…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：这道题问的是[[RAG]]的完整工作流，其实本质是在问：怎么把大模型的知识边界和实时性不足这个短板，用外部知识库补上，同时还要控制[[幻觉]]。不是简单拼凑，而是每个环节都要做取舍。先说检索之前，有个预处理。用户的问题往往不规整，比如“上次那个退款怎么还没到”，这里“上次”指代什么？得先做查询改写，把指代消解掉，拆成“订单号xxx的退款进度”。这一步不做，后面检索全是错的。然后进入检索，这是最核心的部分。很多人以为向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号…

#美团#评估与监控#RAG 工作流程

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配追问：…用户问“报销流程怎么走”，向量召回了一堆相关文档。但结果里既有正式流程，也有员工吐槽，你怎么把最准确的那个排到最前面？层层追问 RAG系统里向量召回完就直接丢给大模型了？……如果召回的top-10里混进几个不相关的怎么办……那有没有办法在中间加一道精排，用更精细的模型把相关文档挑出来？直球架构 RAG系统里引入重排模型是标配吗？它在两阶段检索中的具体作用是什么？你了解哪些常用的重排模型，比如Cross-Encoder或者ColBERT？各自优缺点是什么？

#字节#重排与优化#RAG Re-ranking

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：这道题问[[RAG]]的工作流程，其实本质是在问怎么把大模型的知识边界扩展出去，让它能回答训练数据里没有的东西。我理解RAG不是单一技术，而是一套工程组合拳，核心就三件事：先把外部知识存成索引，再根据问题准确定位到相关片段，最后让模型基于这些片段生成答案，同时还要避免它胡编。先说离线建库。这一步很多人只关注选哪个[[向量数据库]]，但我认为真正的难点在[[分块]]和[[向量化]]。分块不是简单按512 token切，要结合业务场景。比如客服退款场景，一个订单的完整上下文往往…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配追问：场景切入假设你在做客服知识库的QA系统，用户问一个产品问题，你希望先检索相关文档再交给大模型回答。你觉得从原始文档到最终回答，整个流程应该怎么搭？层层追问你们现在做文档问答一般怎么处理？……检索部分用了什么策略？……那检索到的片段怎么拼给大模型，才能保证它不乱编、还能引用来源？直球架构给我讲一下RAG系统的完整架构，从离线的文档处理到在线的检索和生成，每个环节的核心设计要点是什么？包括分块策略、混合检索、上下文组装这些。关键是考虑哪些优化点？

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG检索方法选型原因？

匹配题目：在RAG系统中，您采用了哪些检索方法（如密集检索、稀疏检索等）？请说明选择这些方法的原因，并讨论可能的优化策略。

#字节#评估与监控#RAG 检索方法

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：这道题我觉得它问的不是[[RAG]]的原理，它本质是在问：怎么让大模型在不知道的情况下不要瞎编，同时还要高效、可信。RAG是个好办法，但落地时有很多坑，我主要从检索、生成和边界这三个角度来讲。先说检索。最理想的情况是用户问什么，数据库里就有最匹配的文档。但实际往往有语义鸿沟，比如用户说“退款流程”，库里存的可能是“售后政策”，[[Embedding]] 没对齐就匹配不上。更糟的是检索噪声，Top-K里混进一堆无关文档，把关键信息稀释了。举个例子，电商客服场景，用户问“满减优…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 美团

RAG 架构怎么搭?

匹配口述回答：我觉得这道题其实就是在问一个核心问题：当大模型知识跟不上业务变化时，怎么低成本给它配个外脑。[[RAG]]就是这套方案，它不像微调那样要动模型参数，而是把外部知识塞进上下文里，让模型基于检索结果回答。所以它的架构可以拆成三个环节：先把知识存好，再从里面捞相关片段，最后让模型读着这些片段生成答案。我先说索引。离线阶段最容易被忽视的一个细节是[[切块]]。很多人上来就用固定长度切，比如256个token一刀切，但业务文档往往有自然段落，比如客服退款政策里，「退货条件」和「退款时长…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配追问：……拆完之后怎么让计算机理解这些片段的内容？……那用户问问题时，你怎么从成千上万的片段里快速找到最相关的几个？……找到之后怎么组装给大模型让它生成答案？直球架构请从零设计一个RAG系统，详细说明文档预处理、向量化、检索、生成集成和结果融合这几个核心模块的具体实现方案，包括你用什么模型、什么索引、怎么处理长上下文。

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：这道题其实是在问，当大模型的知识储备不够用或者太旧的时候，我们怎么给它外挂一个知识库。说白了，[[RAG]] 的检索模块就是那个从外部知识库里捞相关信息的管道。先看输入输出。输入是用户的 query，但注意，这个 query 可能会被改写或扩展，比如拆成子问题、加上历史上下文。输出呢，是 top-K 个文档片段，每个片段带着 doc_id、文本和相似度分数。这个分数很关键，后面生成模块会用。检索本身分两大流派。先说[[稀疏检索]]，典型的就是 [[BM25]] 或者 [[…

#字节#Retriever#RAG Retriever

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配题目：在RAG系统的文档处理阶段，如何进行有效的文本分段优化？请讨论不同的分段策略、重叠处理技术以及如何平衡分段粒度与检索效果。

#小鹏#文本分块优化#RAG 文本分段

面试题·评估· 京东

NDCG 怎么计算?

匹配标题与标签：NDCG 怎么计算? DCG 与 IDCG 含义详解,推荐系统排序评估应用评估排序评估指标信息检索推荐系统 RAG评估相关性度量 2026真题 NDCG 计算公式 DCG 含义 IDCG 含义推荐系统评估排序指标大模型评测京东

#排序评估指标#信息检索#推荐系统

面试题·评估· 京东

知识型与行为型错误诊断

匹配题目：在减少大模型生成幻觉的问题上，RAG和强化学习（RL）分别适用于哪些场景？请从机制角度解释RAG主要缓解知识缺失导致的幻觉，而RL更擅长纠正行为或推理模式层面的幻觉。

#京东#RAG 与强化学习#知识型与行为型错误诊断

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配题目：大语言模型在生成过程中容易产生事实性错误或虚构内容（即‘幻觉’）。请从模型训练、推理控制、知识增强（如RAG）和后处理等多个层面分析缓解幻觉问题的有效方法及其局限性。

#阿里#幻觉治理#大模型幻觉缓解

面试题·模型架构

上下文窗口是什么?超了怎么办?

匹配正文：… 超窗后模型不会报错,而是最早的内容被截断,表现为「忘了前面说过的话」三种经典应对:截断(简单粗暴)、摘要压缩(有损保留主干)、RAG(外挂检索,按需取用) 实际系统常三者组合:近期对话留原文、久远对话滚动摘要、知识库走 RAG 核心概念上下文窗口(Context Window)是大模型在一次推理中能够处理的最大 token 数量,包括输入的全部内容(系统提示、历史对话、文档)和模型将要输出的内容,两者共享同一个额度。比如窗口 8K 的模型,输入占了 7K,输出最多只能再…

#入门#基础概念#上下文窗口

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配标题与标签：豆包等产品多轮一致性挑战与方案? 大模型产品(如豆包)的典型挑战与RAG/记忆机制方案 RAG 字节多轮对话一致性大模型多轮对话 RAG多轮对话对话连贯性豆包对话挑战字节

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· 华为

逻辑引导怎么用？

匹配标题与标签：逻辑引导怎么用？大模型推理中逻辑引导的适用场景、实现方式与优势 RAG 华为逻辑推理引导逻辑引导大模型推理 logical reasoning guidance 华为

#华为#逻辑推理引导#逻辑引导