匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 美团

推荐结果多样性怎么控制?

匹配正文：答案要点温度采样与Top-p/Top-k采样的参数调优重复惩罚机制（Repetition Penalty）的实现多样性重排序（MMR、DPP等）的应用多目标优化在训练阶段的引入后处理过滤与去重策略生成式推荐控制多样性的核心思路是**"解码干预 + 后处理重排 + 训练优化"三层架构**：一、解码阶段：采样策略调参温度采样（Temperature）：T>1增加随机性，T<1更确定；推荐场景通常T=0.7~1.2试探 Top-p（Nucleus）+ Top-k：限…

#美团#多样性控制#推荐多样性

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

← 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：…型依据（领域适配、多语言、维度权衡）向量索引算法选择（HNSW、IVF、PQ的适用场景）存储方案设计（向量+标量混合存储、分片策略）查询优化手段（查询重写、重排序、缓存策略） 1. 文本预处理清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理元数据关联：保留原始ID、时间戳、地理位置等过滤字段，用于后续混合查询 2. 嵌入模型选择考量维度选…

#高德#评估与监控#向量数据库构建

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（ANN）精确…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…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。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…弱稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配优势：零样本、可解释；劣势：语义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类分桶，减少搜索空间亿级，内存受限 PQ/OPQ 向量量化压缩极致内存优化 DiskANN 内存+磁盘混合十亿级大规模关键调参：efConstruction…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 小红书

多路召回 vs 排序模型怎么分工?

匹配正文：…数据和服务预算。排序质量不仅由模型结构决定，还受曝光选择、位置偏差、延迟特征和标签定义影响。常见流程是召回→可选粗排→精排→约束重排。重排可处理去重、多样性、频控、公平或业务约束；这些目标也可以进入学习目标，不能笼统认定只能靠规则。召回看 Recall@K、覆盖、重复率、新颖性和延迟；排序看 NDCG/AUC、校准、分桶质量及线上指标。离线日志来自旧策略，需关注反事实偏差，并用随机流量、倾向校正或受控实验验证。图解多路召回 vs 排序模型怎么分工?图解

#小红书#多路召回与排序#多路召回

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量内积vs余弦vs欧氏距离的选择，未归一化导致偏差系统层数据分布索引更新延迟、冷热数据分层、租户隔离实践调优要点动态检索：小模型预判所需token数，自适应调整top-k 结果重排：Cross-Encoder精排，或ColBERT轻量级交互反馈闭环：用户点击数…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…排序。二、向量化流程原始文本 → 文本分块（Chunking） → 嵌入编码 → L2归一化 → 写入向量库关键细节：分块策略：按语义段落切分（200-500 tokens），重叠窗口保证上下文连贯编码方式：使用同一兼容模型的正确query/document模式，或经成对训练/蒸馏对齐的双编码器；不能任意用轻量query模型替换重型文档模型，即使维度相同也未必处于同一向量空间。归一化：若用内积索引模拟余弦，需要query和document两端L2归一化并处理零向量…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…大规模系统实现数据分片：按doc ID或向量聚类分片，分布式检索后归并量化压缩：PQ将向量压缩4-32倍，降低内存和IO 缓存策略：热点查询结果缓存，高频向量常驻内存混合检索：向量召回 + BM25关键词召回，RRF融合排序 RAG场景关键点召回率优先：宁可多召不能漏召，靠后续重排序精排延迟敏感：通常P99控制在100-200ms内动态更新：增量索引更新避免全量重建

#百度#向量召回#向量召回原理

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…不支持直接删除，软删除与重建是一种方案；其它向量库是否支持修复图结构后的删除，要看具体实现，不能一概断言直接删除必崩。再来看召回策略。单靠向量检索有时候不够稳，比如用户搜一个很冷门的实体词，向量可能找不到，但关键词能命中。所以我会做多路召回，把向量检索和[[BM25]]或者[[稀疏检索]]结合起来，比如用 [[Hybrid Search]]。召回之后还要粗排加精排，先用 [[IVF]] 快速筛出一个候选集，比如 Top-200，然后用精确距离计算或者 [[Cross-Enc…

#字节#检索性能优化#向量检索性能优化

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：…能仅凭换了一种归一化，就说异常值问题已经解决。若准备长期使用加权方案，需要在真实查询上检查分数与相关性的关系，并在索引、模型或候选策略变化后重新验证。这也是把“归一化”与“相关性校准”分开讲的原因。前者可以只凭当前四个数完成，后者需要知道这些分数对应的候选到底好不好。一道题的最高分和另一道题的最高分都映射为1，不代表两道题都找到了同样可靠的内容。数轴对齐以后，解释分数的工作仍然存在。开发者缩放向量分数，单路名次卡不动，直接相加的第一名由A翻为B 只交名次卡，RRF舍弃了什…

#RAG#混合检索#RRF

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配口述回答：…业SOP里的合规条款，模型会先触发预检索，把相关文档拉进工作记忆，再开始推理。反过来，Agent的执行日志也会回流优化RAG的索引策略，比如哪个文档被频繁引用但总是答不对，说明索引质量有问题，我会调整 [[Chunk]] 策略或者加 [[重排]]。这里我其实有个困惑还没完全想透，就是当工具调用链特别长的时候，中间任意一步失败，重规划的成本很高。我目前的做法是给每个子任务设一个最大重试次数，超了就整条链路回滚，但感觉有点粗暴。有没有更好的做法，比如只回滚到失败的前一个依赖节点…

#百度#Agent#Agent 系统设计

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配口述回答：…那些知识相对静态、查询模式比较固定的场景，比如企业内部的知识库问答。一旦涉及实时数据、长尾查询或者高度依赖上下文的任务，就得在检索策略和生成逻辑上都做改造，不能指望一个固定流程解决所有问题。传统RAG本质是检索+生成的线性拼接，问题出在检索端检索噪声：语义相关但实际无关，电商充电器案例上下文冗余：重复信息淹没关键信号，商品参数案例知识更新延迟：实时场景下缓存数据失效，大促价格案例优化方向：重排、压缩、实时管道，但核心是打破线性范式约4分钟传统RAG的优化是打补丁…

#淘天#Agent#RAG 痛点

面试题·Agent· 百度

多智能体 Memory 机制怎么用?

匹配口述回答：…，比如把生鲜退款的案例推给数码产品退款，反而会误导决策。常见失败场景是，记忆库越来越大，检索噪声也越来越高。所以上线我会特别关注 ReRank 和过滤策略，保证召回的都是高相关的经验。多智能体场景下，Memory 还有个特殊作用：协作共享。不同智能体可以同步关键信息，避免重复探索。但这里有一个棘手的问题，冲突消解。比如两个智能体对同一类订单的退款策略记录不一致，怎么办？我倾向用版本控制加共识机制，比如按时间戳或投票决定采纳哪个。说到共享，其实有个更深的点：智能体之间的记忆…

#百度#Agent#多智能体 Memory

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…确搜索基线，再在真实向量分布、过滤条件和并发下测 Recall@K、P50/P95 延迟、QPS、内存、构建时间与更新成本。常见策略索引选择：HNSW 通常以较高内存换取低延迟和较高召回；IVF 通过聚类缩小扫描范围；PQ/OPQ 压缩向量以节省存储和带宽。选择取决于数据规模、更新模式、内存和目标硬件。参数调优：HNSW 的 M、efConstruction、efSearch，IVF 的 nlist、nprobe，以及 PQ 码长共同决定构建成本、延迟与召回。应扫参绘制…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…，还有一个容易被忽略的点：多向量表示。比如一个文档既存摘要向量又存详细内容向量，检索时先粗筛再细筛，效果会好很多。这其实涉及到检索策略的层次设计，有兴趣我们可以深入聊。所以整体上，我更倾向把RAG知识库构建看成一套系统工程，每个环节都有明确的边界和取舍。预处理决定下限，分块和Embedding决定上限，向量数据库和索引决定性能。没有银弹，只有针对场景做对权衡。定位RAG本质：检索增强不是万能药，重点在知识库质量和检索精度文档预处理：格式解析和清洗的坑，尤其OCR和表格 …

#美团#RAG 知识库构建#文档预处理

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…，比如用通用Embedding去处理法律合同，效果就很差。我会先用一批典型query做离线评估，看Recall@K，不达标就调分块策略或换Embedding模型。幻觉多半是检索到的材料不相关或冲突，模型强行编答案。我的做法是加一个置信度阈值，如果Rerank后最高分都低于阈值，就返回“我无法回答”，而不是硬答。还有一个方向是[[Agentic RAG]]，就是让模型不只是查一次，而是根据问题自主决定查哪个库、要不要多步推理，比如用户问“为什么我用了满减券但价格还是不对”，…

#美团#评估与监控#RAG 工作原理

面试题·评估· 字节

RAG 召回评估指标对比

匹配口述回答：这道题问的是[[RAG]]里怎么评估召回方法，本质上是在问：你选的检索策略到底能不能把正确答案送到生成器面前，并且以多高的效率送过去。对，不是单纯比谁分数高，而是要跟后面的生成环节联动着看。核心指标我主要看三个。先看 Recall@k，这是底线指标，比如Recall@5或者Recall@10，它决定你漏没漏掉关键信息。如果Recall不够，生成器拿到的上下文里压根没有正确答案，那后面[[Rerank]]也好、LLM推理也好，全是白费。所以任何RAG系统上线，我最先盯的就是R…

#抖音#Recall@k#RAG 召回评估

面试题·评估· 快手

LangChain 关键组件与流程?

匹配口述回答：…I，再查退款规则，然后决定是回复“还在处理中”还是触发人工介入。这里有个坑，就是Memory的管理。如果对话轮数多，Buffer策略会爆token，Summary策略又可能丢失细节。我一般用混合策略：短期用Buffer，长期用Summary，并且定期清理。上线前我会特别关注召回质量，用一组测试query跑一遍，看Recall@K和延迟，不达标就调[[Chunk]]大小或[[重排序]]策略。另外，Agent的决策稳定性是个大问题。有时候同一个问题，Agent两次走的路径不一…

#快手#评估与监控#Agent

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…策查询，而微调适合模型需要内化某种能力的场景，比如翻译。真正落地的时候，往往是 RAG 和微调配合着来，或者 RAG 内部几种检索策略混着用。先说检索阶段最大的问题，召回质量不稳定。向量检索有个所谓的语义鸿沟，query 和文档的 [[Embedding]] 空间可能没对齐，比如用户搜“退款流程”，向量可能把“退货政策”排前面，但字面相关的“退款”反而排后面。特别是专业术语、订单号、错误码这种稀疏场景，[[Dense Retrieval]] 效果很差。我的改进思路是上 [[…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…足合规要求成本可控相比全量微调，实施成本低主要局限检索质量瓶颈：Embedding不准、Query-doc语义Gap、切分策略不当导致信息丢失上下文限制：K值过大超出LLM窗口，K值过小覆盖不全噪声敏感：检索到无关内容会干扰生成（"Lost in the Middle"问题）复杂推理弱：需要多跳推理的问题，单轮检索难以解决一句话总结 RAG的本质是用检索的"确定性"弥补LLM参数的"不确定性"，是当前落地大模型最务实的路径之一。

#百度#评估与监控#RAG 架构

面试题·评估· 安克科技

RAG 问答金标构建

匹配口述回答：…我一般会从三个层面来构建评估集：开发集、测试集和对抗集。开发集大概500到1000条，用来迭代调优，比如调 chunk 大小或者 rerank 阈值；测试集1000到3000条，做最终对比评测；对抗集200到500条，专门挑高难度、容易翻车的场景，比如需要多跳推理或者要回答“不存在”。三层分开，避免调参时过拟合到测试数据上。先说问题怎么来。我倾向于混合策略，大概70%用 LLM 生成，20%从真实用户日志里挖，10%人工设计对抗样本。LLM生成效率高，但容易有[[幻觉]]，…

#安克科技#评估与监控#RAG 问答金标构建