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· 字节

RAG检索质量提升5法

匹配正文：RAG 检索优化应按检索前、检索中和检索后三个阶段设计，并用独立评测判断每一步是否真的带来增益。 1. 检索前：查询理解与扩展查询改写：消除指代、纠错或补全约束，使 query 自包含。多查询/子问题分解：从不同表述或子任务召回候选，再去重融合。 HyDE：先生成假设文档表示再检索，适合原查询与目标文档表述差异较大的场景，但假设内容偏差也可能带来噪声。伪相关反馈：利用首轮结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 …

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…索内存占用、建索引时间分层量化、增量索引 Rerank 二次编码开销轻量模型、截断候选集关键权衡：召回率vs延迟，通常离线评测Recall@K，线上关注P99延迟。实际系统中常做"快路径"（纯向量）+ "慢路径"（+重排）分级处理。学习建议建议先掌握向量检索基础，理解嵌入模型和相似度计算原理，再结合RAG架构学习Retriever的工作流程，通过动手实践加深理解。

← 上一页第 11 / 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

RAG 什么时候需要重排？

匹配正文：…，但顺序不理想”的问题；它不能找回第一阶段完全漏掉的文档，也不能修复权限过滤、解析、切分、索引更新或错误标注。是否需要重排应由冻结评测集上的增益、延迟和成本决定，不是 RAG 的必选配置。召回与重排的分工第一阶段的目标是在预算内生成覆盖率足够的候选。它可以是关键词、稠密向量、稀疏向量、结构化查询或多路组合，不一定是双塔模型。第二阶段读取查询与候选的更多信息重新排序，例如 Cross-Encoder 对每个 query-document 对联合编码，因此通常比预计算文档向量…

#RAG#重排#Cross-Encoder

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…G-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：…开始，再分别加入实体抽取、BM25、向量召回、RRF、重排和权限过滤。每次只增加一个主要模块，不能直接宣称准确率会达到某个数字。评测与选型分别测知识覆盖、Recall@K、MRR/NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。简单文档问答若基线已满足要求，不必升级；只有明确 bad case 和消融证据支持时才增加 Advanced 或 Agentic 组件。

#淘天#重排与优化#Naive RAG

面试题·检索· 高德

RAG 的检索、增强与生成如何可靠衔接？

匹配正文：…2–1024 token。应根据内容结构、模型 tokenizer、可独立回答的语义单元、引用粒度和上下文预算设计，再用检索与答案评测选择。每个块保留原文定位、父文档、版本和权限元数据。索引构建应可重复并支持原子切换或明确的双读期。新增、更新、删除、权限变更怎样传播到原文库、关键词索引、向量索引与缓存，需要有一致性状态和失败重试。 2. 查询与候选检索在线请求携带用户、租户、会话和时间语义。先判断查询是否需要知识库、结构化系统或实时 API，再生成候选。关键词、向量、结构…

#RAG#知识库#检索

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节分元数据标注：来源、时间、类别等标签，用于过滤和溯源二、向量索引构建 Embedding选型：业务域通用选BGE/M3E，垂直领域需微调索引结构：百万级用HNSW（内存索引），亿级考虑FAISS IVF或Milvus分布式方案多路召回：关键词（BM25）+ 向量双索引，解决语义漂移…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：… 引用溯源：要求模型标注答案来源，便于事实核查拒绝回答：当检索置信度低时，触发"信息不足"回复系统级优化评估闭环：建立端到端评测（答案相关性、忠实度、上下文召回率）缓存策略：热门查询结果缓存，Embedding结果预计算

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：…重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。事实填空项目【】，语料【】，我负责【】。基线检索和生成链路【】，主要错误【】。实际选用【检索/融合/重排方案】，参数由【真实实验】确定。真实 Recall@K/MRR/NDCG【】，答案支持率【】，P95/P99【】，样本与硬件【】，副作用【】。证据自检所有阈值和指标应说明数据集、标…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…复模板后，按结构、固定长度或递归策略产生候选块，并在目标查询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 小米

Embedding 向量维度选型

匹配正文：…68→384存储减半，但质量变化没有通用<2%保证；普通截断、PCA/学习投影、蒸馏与经过训练的Matryoshka前缀截断应分开评测。PQ压缩编码存储，不等于降维。实际选型建议看榜单：MTEB Leaderboard选Top3开源模型（如BGE、E5、GTE系列）看领域：通用场景用E5，中文用BGE，代码用CodeBERT 看规模：亿级文档优先考虑384维+量化（FP16/INT8）参考资料 Sentence-BERT原论文 Matryoshka Represent…

#小米#向量检索#Embedding 向量维度选型

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配正文：…构化文档（Markdown/HTML）利用标题/段落边界，效果稳定重叠处理技术滑动窗口：比较零重叠、短窗口与较长窗口，用同一评测集权衡上下文连续性与冗余边界保护：优先在标点、换行处切割，避免截断句子语义去重：对重叠区域做embedding去重，减少存储粒度权衡原则细粒度（小chunk）优势：检索精确度高、噪音少风险：丢失上下文、需要多路召回拼接粗粒度（大chunk）优势：信息完整、减少拼接风险：引入无关信息、压缩有效信号工程实践建议分层索引：短ch…

#小鹏#文本分块优化#RAG 文本分段

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：…P32→FP16/INT8每维为4→2/1字节；PQ码长由子向量数与每码位宽决定，总内存另计ID、码本和图。质量变化与实际节省均须评测。动态阈值：根据查询复杂度自适应调整搜索深度结果缓存：高频query直接走缓存，冷门query走ANN 参考资料 Faiss官方索引结构与存储口径 Faiss官方index_factory与粗量化器 Faiss官方内积、余弦与L2关系 Sentence Transformers官方Embedding量化与校准 Faiss官方向量codec对…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 百度

向量检索基本原理是什么?

匹配正文：…时要记录向量版本；不同模型产生的向量通常不能直接放在同一索引中比较。 2. 索引构建 Flat 做精确搜索，可作为小规模服务方案或评测近似索引召回的基线；是否可用取决于数据量、维度、硬件、过滤和延迟目标，不存在统一的“百万以内”界线。 HNSW 通过多层近邻图加速搜索，常见特点是较高召回和较大内存开销。 IVF、PQ 及其组合先缩小候选范围并可压缩向量，适合在容量、速度和召回之间取舍，但具体存储形态由引擎决定。 3. 相似度计算余弦相似度比较方向；向量归一化后，余弦排序与点…

#百度#向量索引#向量检索原理

面经·项目面试

Agent 说“文档建好了”，你怎么验收？

匹配正文：…ent 项目时，我会先把“完成”拆开。模型结束回复、工具执行结束、用户目标满足，分别需要证据。把这三件事讲清，工具调用、异常恢复和评测才有共同的落点。一个文档链接，背后有几次独立操作先顺着这个研究助手走一遍。模型决定查什么，搜索工具返回候选，网页工具取回正文。模型整理材料，然后请求文档工具，把标题和内容交过去。文档工具通常还要继续做几件事：创建文档对象，把内容转换成平台接受的块，分批追加正文，再给指定接收者配置访问权限。最后，它才能拼出一个链接，交回 Agent。这条…

#Agent#工具调用#工程实践

面试题·RLHF与对齐· 京东

PPO vs DPO vs GRPO 怎么选?

匹配口述回答：…还会检查奖励是否能被格式投机，例如只匹配最终字符串却忽略过程；若来自奖励模型，则检查分布外样本和过优化。三种算法共同的底线是用独立评测与人工审查验证真实质量，而不能把训练 reward 当最终答案。先纠正 GRPO 全称与 reward-free 误解按数据、奖励和组件比较三种算法解释 GRPO 的组内相对优势按反馈来源给选型条件说明稳定性与风险监控边界约4分钟 GRPO 不是无奖励算法；它用组内相对奖励替代 learned critic 的价值估计。可继续追问…

#RLHF#PPO#DPO

面试题·RLHF与对齐· 阿里

DPO vs PPO 怎么选?

匹配口述回答：…计不准等问题；DPO 也不是没有坑，它会受 beta、偏好噪声、回答长度、参考模型选择和过拟合影响。两者谁效果更好，没有脱离数据和评测集的固定答案。举个客服场景。如果已经积累了大量“同一用户问题下，A 回复优于 B 回复”的人工偏好对，而且线上分布比较稳定，我会先用 DPO，成本低、迭代快。但如果系统会真实调用退款、风控等工具，结果可以形成可靠的成功率、合规分或用户后续行为奖励，并且希望模型根据新策略产生的轨迹继续学习，PPO 或其他在线 RL 方法才更有价值。数学、代码和…

#DPO#PPO#RLHF

面试题·模型训练· 网易

SFT 置信度下降影响

匹配口述回答：…断结果选择校准或重训 30秒速答 + 90秒主答 + 完整展开概率变平可能是校准改善，也可能是能力退化，只有准确率与概率指标联合评测才能区分。可继续追问硬标签噪声与 label smoothing 的梯度差异，或 temperature scaling 为什么不改变 argmax。

#模型校准#标签平滑#温度缩放

面试题·RLHF与对齐· 美团

奖励函数设计与投机陷阱

匹配口述回答：…30秒：目标、信号与硬约束分层 90秒：稀疏奖励、shaping和尺度边界：GAE不等于信用分配解法验证：分项监控、反例与独立评测约4分钟（先30秒，再90秒，可继续展开）为什么把非法动作奖励设成极小值仍不等于硬约束？可继续讨论动作掩码、约束MDP、安全屏障和reward hacking。

#奖励塑形#稀疏奖励#奖励黑客

面试题·模型架构· 小红书

主流图像生成模型有哪些?

匹配口述回答：…音频和三维内容还会引入时序一致性、长序列和物理约束，不能把图像模型名称直接迁移成这些模态的能力证明。应查看对应论文的训练对象和公开评测。先按生成机制分类比较GAN和VAE 区分Parti自回归与Muse掩码生成说明diffusion和flow 限定闭源产品证据边界约4分钟同样生成离散图像token，Parti与Muse的解码依赖为何不同。可继续讨论自回归串行解码、masked并行迭代和质量延迟取舍。

#扩散模型#自回归模型#图像生成

面试题·模型训练· 商汤科技

Focal Loss 公式与作用机制

匹配口述回答：…gamma 的易样本降权机制说明 alpha 的类别方向与调参用 RetinaNet 解释原始应用补充错标样本相对贡献上升和评测边界约4分钟 Focal Loss 的易难划分来自当前 p_t，不等同于背景与前景类别。可继续追问 alpha 与 gamma 如何联合调参，以及标签噪声为何可能取得更高相对贡献。

#Focal Loss#类别不平衡#损失函数设计

面试题·模型训练· 美团

训练数据清洗：规则 vs LLM

匹配追问：…转人工？直球技术请比较规则与 LLM 在数据预处理/信息提取中的适用场景、维护成本、可审计性、概率错误和混合架构，并给出同口径评测方案。

#数据清洗#数据工程#训练数据构建