匹配口述回答：…之间找平衡。我一般会沿着检索、[[重排序]]、上下文融合、生成这条线走，但真正落地时很多决策是耦合的。先说检索。很多人一上来就堆向量，但实际业务里，向量检索对高频实体和精确匹配反而弱。比如客服场景里，用户问‘订单号12345退款失败’，关键词[[BM25]]直接命中订单号，向量可能因为语义偏移排到后面。所以我会优先做[[Hybrid Search]]，把向量和关键词结合。具体来说，索引侧我会做[[Embedding]]微调，用领域数据，比如退款、满减这类客服语料；查询侧做q…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：…来。这里有个关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比如订单号、错误码这种；向量检索适合语义匹配，比如用户说“退款没到账”这种口语化表达。真正落地时我会做 [[Hybrid Search]]，把关键词和向量结合起来，再配合查询改写，比如用户说“退货”，我能自动扩展成“退货退款”“退货流程”，或者用 LLM 把模糊 query 转成更明确的意图。举个例子，在客服场景里，用户问“满减怎么用”，直接向量检索可能匹配到一堆满减规则…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 百度

RAG 工作原理与核心组件

…ze 在 256 到 512 token，但真正落地时我会根据文档结构调整，比如技术手册按章节切，客服对话按轮次切。然后调个 [[Embedding]] 模型把文本转成向量，存到 [[Vector Database]] 里，像 Milvus 或者 [[Faiss]]，用 [[HNSW]] 索引加速检索。第二步是在线检索。用户提问后，同样用那个 Embedding 模型把问题转成向量，去库里做相似度搜索，召回 Top-K 个相关片段。这里有个常见的失败场景：纯用向量检索，碰上…

← 上一页第 11 / 11 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#RAG核心组件#RAG 工作原理

面试题·检索· 字节

RAG检索方法选型原因？

匹配追问：…理解“订单延迟”这个语义，又要精确匹配订单号。你实际会怎么设计检索策略？层层追问 RAG里你一般怎么从文档里找答案？……如果只用向量检索，碰到“iPhone15”这种精确型号会不会漏？那你怎么把精确匹配加进来？……两个结果怎么融合？直球架构在RAG系统中，你采用了哪些检索方法？请说明选型原因，并讨论至少两种优化策略，包括索引、查询或重排序方面的具体手段。

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配追问：…相关的？……如果用户问‘工伤认定’，数据库里既有‘工伤保险条例’又有‘职业病防治法’，你怎么让最准的那个排前面？……再具体点，光靠向量检索不够吧？结合关键词或者知识图谱怎么做？直球架构设计一个医疗领域的RAG系统，数据预处理、检索优化、生成优化三个环节你分别怎么实现？重点说检索优化里的混合检索和重排序方案，还有生成优化里怎么避免幻觉。

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：…AGAS]]那种，是测最终答案好不好，这跟检索评估是两码事，我一般分开看。然后说检索模型优化。这里有个很实际的选择：用关键词还是向量。关键词检索像 [[BM25]]，对专有名词、订单号这类精确匹配特别稳，可解释性强，但语义理解弱。向量检索 [[Embedding]] 语义能力强，但领域不匹配时效果会崩。真正落地我倾向 [[混合检索]]，把 BM25 和向量分数加权融合，或者用 RRF 合并排名。举个例子，在企业SOP合规文档场景，员工问“报销流程”，关键词可能漏掉“费用申请…

#360#召回质量评估#RAG 召回优化

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配口述回答：…公平。所以在搜索、知识库、[[RAG]] 的稀疏召回里，BM25 到现在仍然非常常用。在 RAG 里，BM25 的价值尤其明显。向量检索擅长语义相似，但遇到专有名词、型号、错误码、订单号这类精确匹配时，不一定稳定；BM25 对这类词非常敏感，而且不需要训练。所以我一般会把 BM25 和向量召回做 hybrid search，再用 reranker 统一排序。参数上，k1 常见范围大概在 1.2 到 2.0，b 常用 0.75，但我不会迷信默认值。标题、短 query、短文…

#美团#BM25#BM25 算法原理

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…如果是企业内部的SOP文档库，上亿条，HNSW可能把128G内存吃满，这时候IVF-PQ加量化压缩就香多了，FP32到INT8的裸向量每维从4到1字节，但总索引含ID/图/码本；质量变化和能否接受要按目标题集验证，不能承诺2%以内。这里有个前提：如果你的业务场景对精度极其敏感，比如医疗诊断，那量化压缩就要慎用，得先做A/B测试。再一个，相关性提升。我见过很多团队只靠向量检索，结果关键词匹配一塌糊涂。实际上，真正落地的方案往往是[[混合检索]]，[[Dense Retriev…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配追问：…你平时做检索一般用什么方式……如果只用BM25，遇到“苹果”和“水果”这种同义替换是不是就丢了？那你怎么补上语义理解……那如果只用向量检索，遇到罕见词比如“三羧酸循环”会不会搜不到？直球架构混合检索在RAG里几乎成标配了，你给我讲讲为什么需要混合？分别说一下Sparse检索和Dense检索的原理，还有各自用的相似度度量是什么？

#美团#Hybrid Retrieval#混合检索

面试题·Agent· 美团

Agent工具接口与错误处理

匹配口述回答：…由降低错误率，但会增加延迟和决策跳数。面试官可能会追问分层路由的具体实现，以及如何权衡延迟和准确率，或者问有没有其他方案（比如用向量检索匹配工具描述）。

#美团#Agent#Agent 工具设计

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…型自己又没能力做逻辑仲裁。那落地的时候，RAG 最大的风险其实不在生成，而在检索。检索质量决定了 RAG 的上限。如果你用简单的向量检索，召回率可能很高但精度差，混进一堆噪声，模型反而更容易被带偏。所以我会在检索阶段做 [[Hybrid Search]]，把关键词和向量结合起来，再加上 [[Rerank]] 把最相关的文档排到前面。而且上线后我会特别关注一个失败场景：当检索结果为空时，模型会退化成纯生成，那幻觉率会飙升。我的做法是加一个拒答逻辑，如果最高分文档的相关度低于某…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：… RAG，它的核心思路是开卷考试。模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否受证据支持。但 RAG 有个前提：检索质量必须高。如果检索出来的文档跟问题不相…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配口述回答：…缺一不可。我更倾向于在工程实现上，先用轻量级的反思机制，比如简单的自我对话，配上结构化的记忆存储，快速验证效果，再逐步引入更复杂的向量检索和知识图谱。本质是让智能体学会自我修正和知识沉淀反思机制：自我评估与迭代优化记忆机制：分层存储与检索两者协同：反思驱动记忆更新，记忆支撑反思质量落地风险与工程取舍约4分钟反思和记忆的协同本质是在探索和利用之间做平衡，记忆里只有失败案例会导致Agent过于保守。面试官可能会追问如何平衡探索与利用，或者如何设计记忆的写入策略来避…

#百度#Agent#Multi-Agent System

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…位到最新版SOP，并且告诉你是第几章第几条。但这里有个坑，RAG的效果上限取决于检索质量。如果知识库里的文档切分太粗糙，或者[[Embedding]]模型选得不好，检索出来的内容驴唇不对马嘴，那模型再强也白搭。常见失败场景是：用户问的问题很口语化，比如“我上次买的那个耳机坏了咋办”，但知识库里全是“售后政策2024版”这种正式标题，检索召回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rera…

#美团#模型微调#RAG vs SFT

面试题·模型微调

LLM 封闭标签如何强约束?

匹配口述回答：…大，比如上千个，约束解码的性能会下降，因为每一步要过滤的 token 太多。这时候我会考虑用分层标签，先输出大类再输出小类，或者用向量检索先缩小候选集，再让模型从候选中选。这其实变成了检索加精排的思路。所以总的来说，我的做法是多层防护：提示工程打底，约束解码做核心保障，微调提升能力，后处理兜底。具体用哪几层，取决于你对可靠性的要求、标签的规模和动态性。我更倾向于在解码层下功夫，因为它最可控，不依赖模型“自觉”。一句话定位：封闭标签输出本质是可控生成问题提示工程：基线手段…

#Agent#LLM 输出限定#封闭标签集

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…排、上下文、生成、引用与监控。然后挑一个最有代表性的 bad case，说明【关键改动】为什么针对根因，而不是直接罗列 BM25、向量检索或 RRF。检索、排序和生成分层评测，每轮固定语料与测试集做消融。项目结果按【评测结果】填写，同时交代 Recall@K 或排序指标、答案支持率、P95/P99、成本和观察窗口，不能用一个“准确率”概括全链路。我还会准备【失败案例】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embedding、索引…

#百度#RAG项目复盘#RAG 项目指标化复盘