匹配正文：…. 检索增强生成多路召回：视觉相似检索（找同类UI）+ 文本语义检索（找功能描述）+ 规则匹配（精确组件ID）融合排序：用轻量模型（如ColBERT）对多模态候选重排生成：输入结构化的UI上下文 + 检索到的知识，用VLM或纯文本LLM生成回答实际优化考虑问题方案延迟高预计算热门界面的解析结果；检索用HNSW近似；生成用蒸馏小模型 UI频繁变更建立组件指纹（布局哈希），变更时增量更新索引冷启动先用通用UI知识库（Android/iOS设计规范），再逐步积…

#字节#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…IP（图文）、ImageBind（图文音）、Q-Former（细粒度）检索层：向量库支持多模态索引（如Milvus多向量集合）、重排序模型生成层：LLaVA、Qwen-VL、GPT-4V等多模态大模型，支持图文交错输入典型应用场景电商智能导购：用户上传穿搭图，检索相似商品图+详情文本，生成搭配建议医疗辅助诊断：CT影像检索相似病例图像+诊断报告，生成综合分析工业设备运维：故障现场照片+设备日志，跨模态检索维修手册和案例视频教育多模态答疑：学生圈出题目图片区域，检…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配正文：…样本学习 3-5个输入-输出对，覆盖边界case 多轮交互动态上下文压缩保留摘要+关键实体，丢弃过时细节 RAG场景检索结果重排序按相关性打分注入，标注来源可信度三、评估与迭代体系三层验证：规则层：正则/JSON Schema校验格式合规性模型层：用更强模型（如GPT-4）作为裁判，设计评分rubric 业务层：埋点采集用户满意度、任务完成率、人工复核准确率迭代机制：建立Prompt版本库，小流量A/B测试，关键变更需回归测试集（含对抗样本）。四、RAG/…

← 上一页第 10 / 14 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

#脉脉#评估与监控#Agent

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配正文：一、上下文整合策略检索结果预处理按相关性得分重排序，优先放置高置信度文档动态截断：根据模型上下文窗口预留20%给系统提示和用户查询，剩余分配给检索文档去重与冲突检测：相似度过高的文档合并，矛盾内容标记供模型判断上下文格式化 [Document 1] 来源: {source_id} {content} [Document 2] ... 二、Prompt模板设计三层结构系统指令：定义角色（"你是专业助手"）、任务目标、约束条件（"仅基于提供文档回答，不确定时说明"）…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配正文：Prompt 构造目标 Generator 的输入需要同时表达规则、证据、用户问题和输出契约。Prompt 只能帮助模型使用证据，不能弥补错误召回，也不能保证固定幅度的准确率提升。构造步骤筛选与去重：按检索和重排结果筛选候选，保留来源、版本、权限和时间；不要用未经校准的统一阈值。信任边界：将检索文本视为不可信数据，用清晰分隔符包裹，禁止其中内容覆盖系统指令。排序与预算：根据任务、证据依赖和“lost in the middle”风险安排顺序，预留生成与工具调用空间。 …

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 字节

RAG 生成阶段 Prompt 怎么构建?

匹配正文：…前问题：{current_q} 进阶策略策略作用动态Few-shot 从检索结果中挑1-2个高质量问答对作为示例注入上下文重排序把最相关的文档放Prompt末尾（近因效应）置信度提示要求模型输出"确定性分数"或"需澄清"标记角色隔离用XML标签<context> <question>严格分隔字节场景的特殊考量短内容平台：检索结果可能是碎片化评论，Prompt需强调"综合多方观点" 时效性内容：加入时间戳提示，让模型优先参考最新资料安全过滤：系统指令层前…

#字节#Prompt工程#RAG Prompt 构建

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…riginal_query} 【要求】 - 直接回答，不要复述问题 - 不确定时明确说明 - 引用格式：[编号] 4. 进阶技巧重排序提示：把检索分数作为文本提示注入，帮助模型判断可信度动态上下文：根据query类型选择不同提示模板（事实型/观点型/计算型）负样本提示：主动告知"以下文档与问题无关，请忽略"，过滤噪声三、工程权衡策略收益成本 HyDE 召回+15-20% 多一次LLM调用查询分解多跳问题准确率提升延迟×N，需并行化长上下文重排序答案相关…

#百度#小鹏#美团

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配正文：…片段排序与相关性加权提示输出格式约束（如带引用标记的结构化输出）核心设计原则 RAG的prompt设计关键是清晰隔离信息源，让模型明确区分"已知事实"和"需要回答的问题"。推荐模板结构【系统指令】你是一个基于检索文档回答问题的助手。严格遵循： 1. 仅使用提供的参考文档作答，禁止依赖预训练知识 2. 若文档信息不足，明确说明"根据现有资料无法确定" 3. 每个关键事实后标注引用编号[1][2] 【参考文档】 {循环插入top-k片段，带编号和来源} [1] 来源: …

#商汤科技#Prompt工程#Prompt 模板设计

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…M RAG方案知识幻觉参数化记忆，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：Embedding模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模型严格基于检索内容回答，拒绝无关Query 与微调对比 RAG优势在于知识可解释、更新即时、成本可控；适合知识频繁变更、需溯源…

#字节#外部知识检索#RAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…点数据缓存，冷数据归档实际落地建议：先通过Bad Case分析定位是"召不回"还是"召不准"，再针对性优化——召回不足扩分块、调模型；准确率低加重排序、加过滤。学习建议建议系统学习该知识点

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…据层：领域知识库（法规/指南/病例）、外部数据源、用户交互日志检索层：多路召回 + 精排，输出Top-K相关片段生成模块：基座模型 + 领域Prompt + 引用约束应用层：对话管理、权限控制、审核反馈检索模块设计多路召回向量检索：Dense Embedding（领域微调，如E5-Mistral-medical）关键词检索：BM25 + 领域同义词词典（如ICD-10编码映射）结构化检索：SQL/图查询针对法条层级、药品属性精排与过滤 Cross-Encod…

#字节#专业领域RAG#RAG 系统设计

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：…容，然后生成相似笔记推荐。这比让用户选兴趣标签更自然，因为图片本身包含了大量语义信息。但这里有个风险，如果用户上传的是随手拍的花，模型可能推一堆花，用户其实想看的不是这个。所以我会在生成时混合一些全局热门内容，比如当前平台最火的10%笔记，保证用户至少能看到一些有爆款潜力的东西。落地时，我更倾向用生成式召回加传统模型精排的混合架构。生成式负责快速拉出候选集，但它的排序不够精准，所以后面接一个[[Bi-Encoder]]或者轻量的排序模型，把候选[[重排]]一下。这个架构的优…

#小红书#新用户冷启动#生成式推荐

面试题·RAG· 小红书

生成式与判别式推荐选型

匹配正文：…织用户-物品对，依赖负采样纯序列，无需显式负样本扩展性新物品需重新计算特征零样本/少样本生成新ID 统一性召回、排序、重排分离单一模型覆盖全链路优势与挑战优势统一框架：召回+排序一体化，简化系统复杂度冷启动友好：利用生成能力推断未交互item 跨域迁移：序列生成能力可跨场景复用天然可解释：生成过程可追溯挑战 ID空间爆炸：商品库百万级，vocab过大训练效率：自回归生成训练慢于对比学习生成质量：可能出现幻觉ID或重复推荐学习建议建议系统学习该…

#小红书#生成式与判别式推荐#生成式与判别式推荐选型

面试题·RAG· 小红书

ROI 问题怎么影响推荐效果?

匹配正文：…索+多样性惩罚 Top-p/Nucleus采样：引入随机性，避免贪婪解码 MMR（最大边际相关）：相关性-多样性联合排序后处理/重排行列式点过程（DPP）：建模物品间相似度矩阵，优化子集多样性滑动窗口去重：过滤近期已曝光内容模型结构解耦表示学习：将兴趣表示分解为多个因子，独立控制各维度多样性小红书场景特点内容平台更关注Repetition（同一博主刷屏）和多样性（跨类目发现），通常采用"DPP重排 + 曝光过滤 + 探索流量扶持"的组合策略。学习建议建议系统…

#小红书#推荐多样性#ROI 问题

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配正文：…核心矛盾：增量更新破坏了知识库的"语义一致性假设"——即检索时query与doc的embedding应来自同一分布。具体成因：模型版本漂移：新旧文档使用不同版本的embedding模型，向量空间不对齐时间衰减效应：领域知识演化导致相同词汇语义变化（如"新冠"在2019 vs 2023的含义）索引碎片化：局部更新导致向量空间密度不均，近邻搜索出现"断层" 缓解策略策略核心思路适用场景版本隔离新旧文档分索引存储，检索时多路召回+重排序融合模型升级、大规模更新 …

#美团#增量更新检索偏差#RAG 知识库更新

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…档切分：按语义/固定长度分块，控制chunk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠密向量存储：FAISS、Milvus等向量数据库 + 可选的倒排索引混合 2. 检索（Retrieval）稠密检索：向量相似度（余弦/IP）稀疏检索：BM25关键词匹配重排序：Cross-Encoder精排，过滤低质结果查询改写：HyDE、Query Expansion提升召回 3. 生成（Generation）上下文拼接：…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配正文：答案要点识别上下文错误的检测机制多源交叉验证策略模型置信度校准方法显式不确定性表达人机协同兜底机制核心策略：分层防御体系 1. 输入层：上下文质量过滤相关性重排序：用Cross-Encoder对检索结果二次打分，过滤低相关片段时效性校验：标记知识库文档的更新时间，优先使用最新版本来源可信度加权：给权威来源（官方文档、论文）更高权重，用户UGC内容降权 2. 推理层：模型行为约束引用锚定：强制模型在生成时标注信息来源，如"根据[文档A]..."，便于追溯矛…

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG

RAG 检索准但回答差怎么调?

匹配正文：…成优质，瓶颈常在中间处理环节和生成阶段。主要原因分析 1. 上下文组织问题文档拼接顺序混乱，关键信息被淹没冗余内容过多，超出模型有效上下文窗口多文档间信息冲突未消解 2. 提示工程缺陷缺乏明确的指令引导模型如何利用检索内容未约束模型"优先基于文档回答，不确定则拒绝" 3. 生成阶段问题模型本身指令遵循能力不足温度参数过高导致幻觉未针对RAG场景做SFT对齐系统性调优策略层级具体措施检索后处理重排序（Rerank）优化文档顺序；冲突检测与摘要融合；上…

#上下文组织#生成质量调优#RAG 生成质量差

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：答案要点领域知识结构化与分层存储设计多路召回与重排序策略生成器领域适配与约束机制幻觉控制与可解释性保障系统全链路的评测与迭代闭环整体架构用户Query → 意图识别 → 多路检索 → 重排序 → 上下文组装 → 领域生成 → 后校验 → 输出一、数据预处理（领域知识工程）核心挑战：专业文档结构复杂、术语密集、时效性强层级处理策略文档解析医疗：DICOM/HL7标准解析、病历结构化；法律：合同条款拆分、法条引用识别 Chunk策略语义切分（基于BER…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 哔哩哔哩

精排精度高，为何不跳过召回粗排？

匹配正文：…高召回候选粗排（可选）双塔分数、轻量模型、业务特征在较低成本下进一步压缩候选精排 Cross-Encoder 或其他重交互模型对小候选集做精细相关性排序候选数没有通用的“千、百、十”标准，应根据语料规模、召回曲线、模型吞吐、并发和延迟预算选择。ANN、倒排索引和其他召回结构的复杂度也依具体实现与数据分布而定，不能统一写成 O(1) 或 O(logN)。系统边界与验证召回负责控制计算量并保证相关文档进入候选集；精排只能重排已召回内容，无法补回漏掉的证据。工程上应…

#哔哩哔哩#两阶段排序#召回粗排精排

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…HNSW索引快速召回Top-K（K=50~100）距离度量：余弦相似度（归一化后）或点积阈值过滤：低于0.7的直接丢弃精排（重排序）：交叉编码器（Cross-encoder）：精度高但慢，用于Top-20重排轻量方案：ColBERT late interaction 或学习排序模型关键优化时间衰减：相似度分数 × exp(-λ×时间差)，优先近期记忆实体预过滤：先用关键词/NER匹配缩小候选集，再向量检索查询扩展：用LLM改写用户问题，生成多个检索quer…

#高德#Agent#向量数据库 Agent

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· 快手

RAG 延迟与准确率优化

匹配正文：答案要点延迟挑战：检索耗时、多轮调用、大模型生成慢正确率挑战：检索不准、上下文噪声、多跳推理失败根因分析：向量检索局限、长上下文稀释、工具链复杂优化思路：预检索策略、重排序、缓存机制、混合检索延迟挑战与根因瓶颈环节具体表现根因检索阶段向量库查询+重排序耗时高大规模向量ANN搜索精度-速度trade-off，跨模态检索更慢工具调用 Agent多轮Planning-Action循环每次LLM调用串行，工具响应不可控生成阶段长上下文导致首token延迟…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…回意图识别：区分事实查询/摘要/对比类问题，路由到不同索引检索策略混合检索：向量相似度 + BM25关键词，RRF融合排序重排序（Rerank）：Cross-encoder精排，如bge-reranker，Top-K从100→20 多路召回：向量库+图谱+传统数据库并行检索二、生成层优化上下文处理上下文压缩：LLM摘要过滤冗余，或训练专用压缩模型引用溯源：要求模型标注答案来源，便于事实核查动态截断：按相关性分数加权拼接，非简单Top-K截断提示工程角色设…

#AIlab#RAG流程优化#RAG 优化