匹配口述回答：…想，就是负样本的难度怎么控制。如果负样本太难，模型全错，区分度也差；太简单，模型全对，也没意义。所以这里有个平衡点，可能需要用[[Rerank]]模型的打分做阈值，或者用[[Self-RAG]]让模型自己反思，但具体怎么调还没完全想透。所以我整体会把评估数据集看成一套持续演化的测试工程，而不是一次性造完就完事。我更倾向用少量高质量样本加上动态补充策略，而不是堆大量低质量数据。一句话定位：评估数据集本质是设计一场对系统的压力测试区分RAG和Agent评估目标，数据采集要多…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…Search 模块 —— 信息检索与知识补充功能定位：弥补模型知识截止和幻觉问题，获取实时/外部信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供事实依据，支撑决策的准确性 3. GUI 模块 —— 图形界面交互功能定位：实现与操作系统、网页、APP的视觉化交互输入：屏幕截图/界面元素描述、操作指令（点击/输入/滑动）输出：预测的操作序列（坐标或元素ID）、执行后…

#美团#评估与监控#Agent

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…入，但实现复杂度也更高。所以整体上，我把 RAG 看作一个工程系统，核心是在检索质量和生成质量之间做取舍。我更倾向先用混合检索加重排保证召回精度，再通过置信度过滤和降级策略兜底，而不是一味堆高检索召回率。一句话定位：RAG本质是给大模型配外挂知识库核心模块：索引、检索、生成，重点讲检索的工程取舍工作流程：离线建库、在线召回、拼接生成，注意切分和排序的坑优势对比：和微调划清边界，RAG负责实时和可溯源风险与收尾：知识质量决定上限，我更倾向混合检索加重排约4分钟 S…

← 上一页第 11 / 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

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配口述回答：…字面匹配、专有名词比如订单号、错误码这些，效果很差，但BM25很擅长。所以我会同时建向量索引和倒排索引，检索时把两路结果融合，再用Rerank模型排序。这个方案能覆盖更多case，但代价是多维护一套索引和增加延迟。还有一个点值得注意：模型微调。很多开源模型比如BGE、E5都支持微调，但微调需要高质量的query-doc对，而且容易过拟合。我一般只在领域差距特别大，比如医疗、法律，才考虑微调，否则用通用模型加好的检索策略就够了。所以总结一下，我的选型思路是：先拿MTEB初筛…

#百度#评估与监控#向量检索

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…流程”。然后做[[ANN]]检索，从库里召回Top-K个相关块。但光靠向量检索不够，因为语义相似不等于内容相关，所以我会加一道[[重排]]，用[[Cross-Encoder]]模型精排，把低质量的过滤掉。最后把排好的块拼成Prompt，喂给大模型生成答案。这里有个坑：很多人以为只靠向量检索就行，但实际场景里，关键词匹配往往能补足向量检索的盲区。比如搜一个产品型号“A100-Plus”，向量可能把它跟“A100”混淆，但[[BM25]]能精确命中。所以落地时，我倾向于用[[H…

#字节#检索生成流程#RAG 实现

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：…料回答”，答案自然更准、更新、更可信。入门之后，建议往两个方向继续深入：一是 RAG 的完整链路（文档解析、分块、向量化、检索、重排），二是 RAG 与微调这两条技术路线该怎么选。

#入门#基础概念#什么是RAG

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配口述回答：…理的场景，比如电商的商品推荐或者企业合规文档的条款关联。但如果场景只是简单的事实问答，比如查一个订单号的状态，那纯向量检索加个[[Rerank]]就够，没必要上图谱。真正落地往往是两者结合，各有各的适用范围。先看[[知识图谱]]的构建。很多人一上来就想把schema设计完美，把所有实体关系抽干净。但实际业务里，比如电商的商品属性，几百个字段，关系还嵌套，根本抽不完。我的做法是走弱监督加主动学习循环：先用LLM批量抽三元组，送人工审核一批高置信度的样本，然后用这些样本迭代优化…

#淘天#知识图谱#评估与监控

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…]] 模型转成向量，存到 [[Vector Database]] 里，像 Milvus 或者 [[Faiss]]。这里有个坑：切分策略很关键，固定按字数切可能把语义连贯的段落拆散，我倾向于用语义切分，比如按段落或者用 [[Chunk]] 重叠来保证上下文不丢。在线检索时，用户问题同样转成向量，用 [[ANN]] 算法比如 [[HNSW]] 召回 Top-K 相关文档。但光靠向量检索不一定准，尤其是用户问法跟文档表述差异大的时候。所以我会加一层查询改写，比如把“怎么退运费”扩…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：…高风险场景（用药建议、法律意见）强制人工确认反馈闭环：用户标记错误→自动归因到具体文档片段→触发知识库更新关键设计取舍场景策略知识冲突以最新/效力最高为准，并列呈现差异模糊查询先澄清用户意图（症状→疑似疾病→建议检查）时效敏感显式标注知识截止日期，区分"现行有效"与"历史参考" 学习建议建议系统学习该知识点

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：…。第三级是[[知识图谱]]，用来做关联推理，比如查某个药的禁忌症，或者某个判例的引用链。三级索引一起上，检索时先并行召回，再用[[Rerank]]做融合排序。合规性保障是另一个大头。每个回答都必须强制溯源，附带原文片段、文档版本和页码，让用户能点回去核实。权限控制也要做，不同角色看到的内容可以不同，比如医生能看到完整临床指南，患者只能看到摘要。审计闭环必须完整，用户查询、检索片段、生成结果全链路日志留存，方便事后追溯。最后加个边界提示，明确说这是辅助参考，不构成专业建议。 …

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配口述回答：…哪了”，系统如果只靠窗口内上下文，肯定找不到，因为上周的对话早被截断了。这时候就需要 [[RAG]] 增强，向量检索加时间衰减[[重排]]。具体做法是：先用语义检索找到相关片段，然后按照时间衰减因子重排，比如 score = 语义分 × exp(-λ·时间差)。同时还要注意合规留痕，金融场景要求全量存储不能丢，但推理时又必须限制窗口，所以我会用“全量日志加窗口上下文加按需RAG召回”的三层架构。日志存全量用于审计，窗口上下文用于实时对话，RAG用于回溯历史。上线前我会特别关…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配口述回答：…为主、端到端为辅，混着上。先说说两阶段。先做检索，比如用 [[Hybrid Search]] 把关键词和向量混着召回，再做 [[Rerank]] 精排，最后喂给大模型生成。这么做最大的好处是可控。比如在客服场景里，用户问“我的退款怎么还没到”，我可以先召回退款规则和订单记录，再让模型基于这些材料生成，这样答案有据可查。而且我可以随时调优中间环节，召回不够好就换检索策略，排序不准就调排序模型，不用动生成那一步。但代价也很直接：延迟高，因为多跑了一步检索加排序；还有信息损失，召…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配口述回答：…向量后两者的排序才等价。工程上可以取候选并集后用 RRF 按名次融合，也可以校准分数再加权，或者交给 cross-encoder 重排。工程风险是某一路超时、索引延迟或分数漂移后，融合结果反而劣于单路。我会注入单路失败并验证降级策略，持续监控各路候选贡献、重复率和分桶召回。是否采用混合方案要靠查询集验证。我会分别测三套方案的 Recall@K、MRR 或 NDCG、P95 延迟和成本，再按编号、专业术语、口语改写等查询类型分桶。混合检索常有帮助，但并不保证每个场景都有净收…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…得按相关性排序，截到窗口能装下为止。然后看置信度过滤，相似度低于某个阈值的文档直接扔掉，不然噪声会让模型胡说八道。另外还要看 [[Rerank]]，就是加一个 [[Cross-Encoder]] 对检索结果重新排序，因为双塔的分数不一定准，重排能显著提升 top 文档的质量。本质上看，RAG 让模型从纯参数记忆变成了参数加非参数记忆，也就是把知识外挂到数据库里。这样回答就能溯源，[[幻觉]]也少很多。不过这里有个有意思的点，就是检索结果的质量并不完全由召回率决定。如果检…

#字节#Retriever#RAG Retriever

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…词或者甚至用微调模型。上线前我会特别关注召回率指标，比如Recall@K，还有延迟，确保在用户容忍范围内。如果效果不行，优先查分块策略和Embedding模型是否匹配领域，而不是盲目调参数。本质定位：端到端语义匹配流程拆解：离线分块+向量化，在线检索+重排落地优化：混合检索、领域微调、效率取舍风险与边界：分块策略、模型失配、上线校验约4分钟分块策略（滑动窗口+重叠）对召回质量的影响，以及存储和计算的权衡面试官可能会追问：具体怎么确定窗口大小和重叠比例？有没有自动…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 小红书

中文知识库检索选型

匹配口述回答：…调过的。但大部分通用场景，我倾向走 [[Hybrid Search]]，就是两路召回：BM25出一批，稠密向量出一批，然后用 [[Rerank]] 模型或者规则融合。这里有个坑：稠密向量的质量很大程度上取决于[[Embedding]]模型是不是在目标数据上调过。如果直接拿通用模型，比如BERT，去搜小红书那种口语化、带表情、图文混排的内容，召回率会很难看。所以我上线前一定会做对比实验，拿一批真实query，人工标注相关文档，算 Recall@K。如果召回率不达标，我会考虑用对…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配口述回答：…有参数可调，落地时能根据场景适配。应用场景上，我主要说[[RAG]]里的[[混合检索]]。BM25做粗排召回，向量模型做精排[[重排]]，这是现在比较成熟的做法。为什么需要两条腿走路？因为BM25擅长精确匹配，比如法律条文、医学术语、订单号、错误码这些场景，语义模型反而容易跑偏。而向量模型擅长语义理解，比如同义词、近义表达。所以真正落地时，我会把BM25和向量检索一起上，用Hybrid Search做融合。这里有个风险点：BM25依赖词频统计，如果文档集合很小或者分布不均…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

向量召回实现方式有哪些?

匹配口述回答：…商客服场景下，HNSW+IVF混合方案平衡实时性和召回落地风险与前提：索引参数调优、数据分布影响、删除操作要谨慎收尾：倾向混合策略，给出工程师取舍约4分钟在向量召回后加Cross-Encoder重排可以提升精度，但会增加延迟，需要根据业务容忍度做取舍。面试官可能会追问重排的具体实现、延迟控制策略，或者对比Bi-Encoder和Cross-Encoder的差异。

#百度#向量检索#向量召回方法

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配口述回答：…很少用。真正落地时，很少只用一种算法，例如Faiss的IVF-HNSW组合可用HNSW搜索粗聚类中心，再扫描选中的倒排桶；若对候选重排，应明确使用精确距离或Cross-Encoder，不能把HNSW粗量化器说成候选精排。参数调优是另一个容易踩坑的地方。以HNSW为例，M参数控制邻居数，一般设16到64，M越大召回越高，但内存和构建时间也涨；efConstruction设100到500，影响建图质量。IVF的nlist与nprobe联合扫描，4倍根号N只能作某些配置的起点，不…

#拼多多#ANN索引构建#ANN 索引构建

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…6, # 版本控制 "access_level": "internal", # 权限标记 "title": "退款流程" # 用于重排序 } 设计要点：支持预过滤（如where category='payment'），减少向量搜索空间保留原文存储位置，避免向量库膨胀索引结构设计向量索引：HNSW（平衡速度与召回）或 IVF（内存受限时）倒排索引：BM25/关键词索引，用于混合检索分层索引：热点数据内存HNSW + 冷数据磁盘索引生产实践：90%场景用向量+关键词…

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配口述回答：…6、nprobe=20只是一组待测试配置，延迟还依维度、硬件、过滤和负载，不能承诺10或100毫秒。平衡精度与效率，我主要看三个策略。先说分层检索：先用IVF快速召回Top-100，再用精确计算[[重排]]Top-5，这样既保证效率又保证精度。再看量化压缩，比如把向量从FP32降到INT8，裸向量每维存储可从4字节减到1字节，总索引另计结构开销；掉点多少以及能否接受，要按固定评估集与长尾切片验证。还要看动态阈值：根据query的复杂度动态调整搜索深度，简单的query少搜…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…一致的补写或告警。检索流程上，我一般走多路召回：向量检索Top-K，同时用[[BM25]]做关键词召回，结果合并后去重，再做[[Rerank]]，最后用结构化条件过滤。比如用户搜“满200减50”，向量可能把“满300减80”也召回来，但BM25能精准命中“满减”关键词，合并后rerank把最相关的排前面，再过滤掉已过期的活动。这里有个常见失败场景：如果只依赖向量，当用户输入的是精确术语比如订单号“ORD123456”，向量检索基本废掉，因为embedding对精确匹配不敏…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配口述回答：…两个互补，缺一个体验都会崩。再说RAG里的召回环节。检索质量直接决定了生成的天花板。我上线前会特别关注几个点：一是chunk切分策略，切太碎丢失上下文，切太长噪声多，得根据文档类型调；二是query改写，用户问题可能很口语化，我会先改写一下再去做检索；三是[[Rerank]]，初召回Top100，再用[[Cross-Encoder]]重排一次，把最相关的Top5送进生成。还有一个点值得聊，就是检索的置信度问题。有时候召回来的文档跟问题根本不相关，但模型还是硬用，就会产生[…

#美团#Embedding检索#Embedding 相似性检索

面试题·模型架构· 商汤科技

幻觉一致性延迟诊断

匹配追问：如果幻觉问题在RAG场景下依然严重，你会如何优化检索和生成的协同机制输出不一致在API高并发场景下如何设计缓存策略推理延迟优化中，Prefill和Decode阶段的瓶颈分别是什么场景切入假设你在做一个电商客服助手，用户问‘昨天下单的什么时候发货’，模型答了‘已发货’，但实际上订单还在备货中。这种不一致怎么修？你从采样策略到模型训练层面会怎么处理？层层追问大模型上线后你一般怎么排查问题？……如果发现回答经常前后矛盾或者胡编乱造，你会从哪些方向去找原因？……那具体到训…

#幻觉问题#输出一致性#推理延迟