匹配正文：…建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法律：法条层级关系（上位法/下位法）、时效性标记三、检索系统：多路召回+领域精排召回阶段稠密向量（领域Embedding微调，如MedEmbed/LawEmbed）稀疏向量（BM25 + 领域同义词扩展） …

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…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、需溯源的场景。微调更适合改变模型行为风格或需要内化复杂推理模式的任务。…

#字节#外部知识检索#RAG 原理

面试题·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配正文：一、特征表示层面：LLM作为增强编码器核心思路：利用LLM的语义理解能力，将非结构化内容（商品标题、视频描述、用户评论）转化为高质量稠密向量。物品侧：用LLM编码item文本，替代或补充传统ID embedding，缓解冷启动用户侧：聚合用户历史行为的文本描述，生成动态用户画像向量融合方式：LLM特征与ID特征双塔并行，后期拼接或门控融合关键挑战：LLM特征维度高、推理慢，需蒸馏到轻量模型或离线预计算。二、用户意图理解：从匹配到推理传统推荐是"相关度匹配"，LL…

← 上一页第 11 / 17 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

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· OPPO

多信号评分函数原理与陷阱

匹配正文：设计步骤定义目标与约束：明确相关性、点击、转化、停留、多样性或时效性，并区分预测目标与展示约束。构造信号：文本或向量相关度、质量、流行度、新鲜度、用户偏好和上下文等；检查缺失值、时间穿越和在线可用性。统一尺度：BM25、余弦、概率和计数不能直接相加。可使用分位数、z-score、Platt 或 isotonic 校准，也可在学习排序模型中共同学习。学习组合：数据少且需要解释时可用带约束线性或逻辑模型；有排序标签时可用 RankNet 或 LambdaMART；深度模型…

#OPPO#多信号排序#评分函数设计

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…dular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思token）、FLARE（动态检索）代表：Self-RAG、ReAct、RAG-Fusion 适用：科研分析、多跳推理、开放域复杂任务架构差异对比维度 Naive Advanced Modular 延迟低中高准确性依赖索引质量显著提升最…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

偏好数据如何收集与建模?

匹配正文：…ntion-based） ↓ 生成回复 / 商品推荐（多任务输出）静态偏好：用户长期画像（价格敏感度、品牌偏好、风格标签）→ 存向量库动态偏好：当前会话意图漂移检测（用KL散度监控话题转移）群体先验：相似用户簇的偏好作为冷启动回退三、训练优化流程阶段目标方法 SFT 基础对话能力高质量客服对话数据，加入<用户画像>特殊token 偏好数据对齐用户目标同一用户画像/对话上下文下比较回复A/B，治理曝光偏差与反馈噪声优化选型比较质量与成本 DPO直接用偏好…

#淘天#用户偏好建模#偏好感知对话系统

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…体文档成本比全量SFT低几个数量级领域适配快速接入私有/专业文档关键挑战检索精度：语义Gap导致"找不准"，需迭代优化Embedding和切分策略上下文窗口：多文档拼接易超长度，需压缩或筛选关键片段多跳推理：复杂问题需跨文档关联，简单RAG难以处理（需GraphRAG）噪声干扰：检索到相关但误导性的内容，导致生成错误实际落地中，RAG的瓶颈往往在检索质量而非生成，需持续建设评测体系和Badcase分析。

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：…过滤很重要，比如按时间范围或权限标签先筛一遍，能大幅缩小搜索空间，而不是把几亿条向量全扫一遍。第四步是候选排序。我一般不会只依赖向量检索，因为稀疏特征比如关键词匹配也很重要。所以会做 [[混合检索]]，把向量 + [[BM25]] 的结果线性加权融合，或者用学习模型动态调权。然后[[重排序]]，用 [[Cross-Encoder]] 比如 bge-reranker 对 Top-100 精排到 Top-20，这一步很关键，能显著提升最终回答的质量。最后是去噪，设定置信度阈值，…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…义鸿沟、Embedding训练域不匹配优化方案：查询改写： HyDE（用LLM生成伪文档再检索）、Query扩展混合检索：向量+BM25融合（RRF排序），关键词兜底领域适配：领域数据微调Embedding模型（如BGE-M3继续训练）影响：命中率提升20%+，但改写增加1次LLM调用成本瓶颈3：上下文噪声干扰生成质量根因： Chunk切分破坏语义、无关文档混入、长上下文稀释注意力优化方案：精排策略：交叉编码器（Cross-Encoder）重排；LL…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：一、检索偏差的成因分析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…，解决大模型无领域知识问题智能客服：实时检索最新产品信息，避免过时回答专业问答：法律/医疗领域，要求答案可溯源关键权衡：检索质量决定上限，需持续优化切分策略、Embedding质量和召回精度。学习建议建议先掌握大模型基础原理，再学习信息检索与向量数据库技术，结合开源项目如LangChain动手实践RAG流程，加深理解。

#字节#重排与优化#RAG 原理与核心架构

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：核心原因：候选规模与交互计算不匹配 Cross-Encoder 会把 query 和每个候选文档联合编码，文档侧表示通常不能像双塔向量那样预计算并复用。若对全库 N 个候选逐一精排，就需要 O(N) 次 query-document 前向计算和对应的数据读取；在大规模语料上，延迟、吞吐和成本都不适合在线服务。分层漏斗阶段典型方法主要目标召回 BM25、稠密向量 ANN、规则召回用索引快速取得高召回候选粗排（可选）双塔分数、轻量模型、业务特征在较低成本下进一步…

#哔哩哔哩#两阶段排序#召回粗排精排

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如SPLADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-Encoder（如bge-reranker）对Top-K精排，捕捉细粒度交互去噪过滤：基于置信度阈值、来源可信度过滤低质量片段上下文压缩：用LLM提取关键句，解决上下文窗口冗余四、工程权衡线上部署…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：核心思路 RAG优化是个系统工程，需分模块迭代+数据驱动，避免单点优化陷入局部最优。一、检索层优化（源头质量）手段具体做法索引策略按语义/结构切分（如标题+正文），关键信息冗余存储；多粒度索引（段落+句子）查询改写 Query扩展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…格）迭代检索：生成中发现信息不足，主动发起二次检索多跳推理：复杂问题拆解子查询，链式检索系统级缓存机制：高频查询结果缓存，embedding结果缓存反馈闭环：用户点赞/点踩数据回流，微调embedding或重排序模型离线评估：定期用标准问答集测试召回率、答案相关性关键取舍手段成本收益场景重排序 +10-100ms延迟召回质量差、噪声大 HyDE +1次LLM调用用户query短、表述差多轮检索延迟×2-3 复杂推理、多跳问题微调embeddin…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：答案要点离线索引流程（文档解析、分块、向量化、存储）在线检索流程（查询改写、向量检索、重排序、上下文组装）关键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用B…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…p-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Query → 路由判断 → 多路检索(向量+关键词+图谱) → Rerank精排 → 上下文压缩/摘要 → LLM生成增强点：查询改写、混合检索、检索结果过滤、引用溯源落地关键挑战检索精度：Embedding语…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：答案要点分模块阐述数据预处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过滤 2. Embedding与向量化核心问题：领域适配和表征质量优化策略：领域微调：用对比学习在业务数据上微调Embedding模型多向量表征：一个文档生成多个向量（摘要、关键词、详细内容）稀疏-稠密混合：结合BM25和向量检索的优势 3. 向量检索核心问题：召回率和延迟的权衡优化策略：索引优化：HNSW参数调优（ef_constructio…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"三段式架构说明向量数据库和Embedding的核心作用解释检索策略（相似度搜索、重排序）的关键设计分析RAG缓解幻觉的机理（事实锚定+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token E…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…nt关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难以捕获生成整合上下文爆炸检索文档过长，淹没关键信息忠实性缺陷模型"幻觉"编造或过度综合检索内容引用困难难以精准溯源，答案可信度存疑知识边界实时性瓶颈索引更新滞后，新知识无法即时…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…s、Elasticsearch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型精排优化 Cross-Encode…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：答案要点数据预处理：文档解析、结构化抽取、质量过滤、领域术语标准化检索优化：混合检索（向量+关键词）、重排序、查询改写、多粒度索引生成优化：领域Prompt工程、引用溯源、幻觉检测、人机协同审核系统层面：离线在线分离、缓存策略、反馈闭环整体架构用户Query → 查询理解 → 混合检索 → 重排序 → 上下文组装 → 领域生成 → 后处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：P…

#字节#专业领域RAG#领域 RAG 架构