匹配正文：…行拆分为原子组件，通过标准化接口自由组合。五大核心组件组件职责典型场景 Model I/O 统一封装各厂商LLM接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory …

#快手#评估与监控#Agent

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…流式生成、模型蒸馏、检索结果预加载成本敏感大小模型级联（小模型过滤→大模型精修）数据实时性增量索引更新 + 时效性信号注入prompt 虾皮场景特点电商搜索需重点解决：商品属性理解（规格、口碑）、多语言混合（东南亚市场）、促销信息实时性，通常会在RAG基础上叠加商品知识图谱和实时价格库存接口。

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 蚂蚁

大模型客服评估：伪代码与指标

匹配正文：…sults.violations ) class EvaluationAgent: """大模型评估Agent，带自检机制""" PROMPT_TEMPLATE = """ 你是客服质检专家。请对以下对话进行{dimension}维度评估。对话摘要：{summary} 关键片段：{evidence_quotes} 要求： 1. 给出1-5分评分，并说明3条具体依据（引用原文） 2. 检查是否有幻觉：判断依据是否真实存在于对话中 3. 若置信度<0.7，标记为"需人工复核" …

← 上一页第 12 / 13 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

#蚂蚁#客服质量评估#大模型评估系统

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…Faiss]]或Milvus。第二段是在线流程，用户提问来了，同样向量化，到库里搜最相似的Top-K片段，然后把这些片段和问题拼成Prompt，喂给LLM生成答案。核心优势其实很实在。先说缓解幻觉，因为生成的内容有出处，可以溯源验证，这在金融、医疗这些合规要求高的场景特别重要。再一个是知识时效性，知识库一更新，答案就跟着变，不用重新训练模型，成本低得多。还有就是成本可控，比起全量微调，RAG几乎没什么训练开销，换知识库就行。但落地的时候坑也不少。最关键的瓶颈是检索质量。如…

#百度#评估与监控#RAG 架构

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配口述回答：…其实问的是，在LLM作为推理引擎的大前提下，[[Agent]]的认知架构到底能推到什么程度，哪些能力是模型自己能搞定的，哪些必须靠工程手段补。我倾向于从两个维度来拆：一个是理想Agent该有的能力谱系，另一个是现有技术到底卡在哪。先说理想状态。我自己梳理了六项核心能力，规划、工具调用、记忆、反思、多轮交互、安全边界。但真正落地时，我不会一把抓，而是看场景挑重点。比如做一个客服退款Agent，工具调用和短期记忆是刚需，规划反倒没那么复杂，因为流程相对固定；但如果做一个企业级数…

#得物#Agent#AI Agent 核心能力

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：…索、生成。索引就是把文档切碎，转成向量存进[[向量库]]；检索是把用户的问题也转成向量，去库里找最像的那几段；生成是把这些段落塞进提示词，让模型基于它们回答。这里有个关键认知，检索质量决定了RAG的上限，生成质量决定了下限，所以我会把大部分精力放在检索上。具体说下索引。文档切分不是随便按字数切，我会按语义段落，块大小与重叠窗口都作为候选变量，再用同一评测集比较边界证据完整率、召回、延迟和索引成本。向量库选型上，如果数据量上亿，我会用Milvus，它分布式做得成熟；如果是几百…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…听的，是你知不知道一个知识库从数据到检索的完整链路里，哪些环节会出问题、怎么取舍。说白了，这不是一个搭积木的流程，而是一套检索质量工程。先说数据收集。很多人一上来就想着把PDF、数据库、网页全塞进去，但真正落地的关键是优先收集高频查询场景的数据。比如做客服退款知识库，你先把退款流程、常见纠纷、政策规则吃透，而不是把整个公司ERP文档都丢进去。而且一定要做版本管理和溯源，不然改了一个政策，旧版本还在库里，检索出来就出事了。接下来是清洗和切分。这一步的坑比想象中大。格式统一是…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…：我会把 RAG 看成大模型落地的标配能力，而不是锦上添花。因为只要业务需要事实性，RAG 就是最稳的路径。但前提是你得把知识库当工程做，分块策略、检索策略、过滤策略，每一环都可能翻车。本质是开卷考试，解决知识截止和幻觉离线建库：分块、向量化、存库在线检索：混合检索策略生成：Prompt拼接与置信度过滤落地风险与取舍约4分钟 RAG上线后需要持续监控召回质量，比如用RAGAS评估Faithfulness和Context Recall。面试官可能会追问具体怎么评估…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：…有资料放进知识库即可注入不知道时爱编造（幻觉）答案有检索到的原文支撑，可标注来源供核对重新训练一次成本极高只需维护知识库，工程成本低得多一句话总结：RAG 不是让模型变得更聪明，而是让它“答题前能查资料”。用户提问时，系统先检索出最相关的几段内容，连同问题一起交给模型，模型“看着资料回答”，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·RAG

RAG 完整流程分几步？

匹配口述回答：…先把问题也向量化，去向量数据库里找最相似的Top-K个块，这一步决定了模型翻到的是不是正确的那几页书。最后把问题和检索到的资料拼成提示词交给大模型，让它根据给定资料回答。这里有个关键点：分块策略不是一刀切的。固定长度切分简单，但容易切断语义；语义切分效果好但成本高。真正落地我倾向混合策略，比如先用段落标题做粗切，再对长段落做[[滑动窗口]]重叠。另外，如果检索质量上不去，别急着调模型，先检查分块和向量化。常见失败场景是，一个复杂问题只检索到部分相关块，答案自然偏。这时候可以…

#入门#基础概念#RAG流程

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：…做 [[Rerank]]，用 [[Cross-Encoder]] 精排一下，把最相关的顶上去。增强生成阶段，就是把检索结果拼到 prompt 里，让 LLM 基于证据回答。这里有个常见失败场景：如果检索到的文档太长或者不相关，模型可能忽略正确信息，反而产生 [[Hallucination]]。所以上线前我会特别关注检索的召回率，先拿一批测试 query 跑 Recall@K，确保 Top-5 能覆盖 90% 以上正确答案，再优化生成。另外，上下文长度有限，我会对长文档做摘要…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配口述回答：…数增长，商业化场景下很难承受。还有一个安全边界的问题：Agent 自主调用工具，万一它自己去执行了删除订单的接口怎么办？你很难在 prompt 里把所有边界都定义清楚，常见失败场景就是 Agent 越权操作。所以落地时我特别关注前提条件：工具接口必须是幂等的，而且要有审核层。比如写操作先走审批，读操作才放行。不满足这些，Agent 上线就是定时炸弹。再说说技术趋势。现在比较热的是 [[Multi-Agent]]，比如 MetaGPT 那种，让一个 Agent 当产品经理，…

#字节#Agent#Agent 优势与局限

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…这时需要做摘要压缩或分层检索。还有一个坑是模型过度依赖检索内容，或者干脆忽略它，我一般会在训练时加入'无相关信息'的样本，或者调整prompt里检索文档的权重。说到多跳推理，比如需要跨文档关联信息的问题，RAG很容易断链。我最近在看[[Self-RAG]]，让模型自己判断是否需要检索、检索什么，然后反思生成结果，这样能缓解这个问题，但还远没完美。所以整体上，我会把RAG看作一个基础能力，不是银弹。它解决的是知识来源问题，但推理能力、上下文管理这些仍然需要模型本身的改进和工…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…留上下文。第二步是检索，用户的问题也转成向量，去库里做相似度搜索，拿回Top-K个片段。第三步是生成，把检索到的片段和原始问题拼成prompt喂给LLM，让它基于这些证据回答。这里最关键的其实是检索质量，它决定了生成的上限。如果检索回来的东西不相关，LLM再强也白搭。所以落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配口述回答：…好。所以总结一下，我会把多轮对话的优化看成一套组合拳：上下文管理保证记忆不丢，状态表保证结构化跟踪，RAG解决非线性依赖，训练和prompt工程做一致性兜底。没有银弹，关键是看场景选方案。一句话定位：多轮对话的核心矛盾是记忆与一致性挑战：指代消解、话题漂移、长程遗忘、冲突技术手段：上下文管理、记忆机制、状态跟踪、RAG、训练优化落地取舍：摘要+状态表是标配，RAG解决非线性依赖风险与可延伸点：状态表维护成本高，追问一致性校验约4分钟状态表维护成本高，尝试用 S…

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配口述回答：…就能被检索到。检索层多路召回，关键词匹配商户ID，向量匹配相似场景的历史数据，再根据时间戳加权，新数据排前面。融合层把检索结果注入Prompt，标注数据来源时间，让模型感知时效性。这样模型就能回答出“当前该商户运力不足，建议暂停接单”。但这里有个坑。高并发写入时，向量索引的图结构更新很麻烦。你不能每来一条新数据就重建整个[[HNSW]]图，那延迟扛不住。我会把追加和删除分开处理：追加直接插入，删除用软删除加后台异步重建，用双缓冲影子索引保障实时性。另外，外卖场景里地理位置是…

#美团#外挂数据库增强#外挂数据库

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…文档切成块、做 [[Embedding]] 存进 [[Vector Database]]，用户提问时检索出最相关的几个块，直接拼到Prompt里交给LLM生成。这个架构最大的问题是检索和生成是硬耦合的，一次检索结果就决定了输出质量，如果检索错了，模型只能硬着头皮基于错误信息来回答，就会出现 [[Hallucination]]。所以它只适合单跳、确定性强的场景，比如内部文档里的简单事实问答，像查员工手册里年假天数这种。换个场景，比如客服问退款政策，用户可能说'我买的东西降价了'…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 华为

逻辑引导怎么用？

匹配口述回答：…？我常用的有三种方式，但真正落地的时候往往是组合着来。第一种是结构化的 [[Chain-of-Thought]] 提示，就是你在 Prompt 里把推理步骤拆成固定的几个阶段，比如先分析条件、再建模、计算、验证、最后给结论。这样模型每一步做什么是明确的。第二种是 ReAct 框架，在 Agent 场景里，你强行规定它的输出必须包含 Thought、Action、Observation 这几个字段，循环执行直到任务完成。第三种是输出格式的硬约束，比如用 JSON Schema …

#华为#逻辑推理引导#逻辑引导

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…iss]]或者Milvus。检索就是拿到用户问题后，也转成向量，去库里找最相似的Top-K个块。生成就是把找回来的上下文和问题拼成提示词，交给大模型生成答案。但这里有个边界问题。RAG最适合的是事实密集型场景，比如企业内部的SOP、合规文档、或者客服政策。反过来，如果你想让模型改变说话风格，比如变得更幽默，或者学会一个特定任务的行为模式，那微调更合适。真正落地的时候，其实很少只用一种。举个例子，客服场景里，用户问退款政策，你不能让模型瞎编，得从最新的政策文档里检索出准确条款…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配口述回答：…个很实用的做法是引用锚定，强制模型在生成时标注信息来源，比如“根据[文档A]……”，这样方便追溯。另外我还会在 [[System Prompt]] 里显式要求模型识别上下文中的冲突信息并报告，这叫矛盾检测提示。再配合置信度阈值，如果模型对输出不确定，就让它说“我不知道”或者请求人工确认。这里有个坑：如果阈值设得太高，很多正确回答也被过滤了，所以得根据业务容忍度调。输出层做后验校验也很关键。比如对生成内容里的数字、日期、人名，用独立模型或规则库做事实性验证。还有一个技巧是一致…

#字节#错误上下文处理#RAG 上下文错误

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…ng或隔离索引架构示意：用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索结果为生成提供"事实锚点"，LLM从参数记忆转向上下文引用效果：可追溯来源，降低事实性错误 2. 动态知识更新机制：知识库与模型解耦，新文档入库即可生效，无需重新训练场景：金融政策、产品手册等高频更新场景 3. 幻觉缓解机制…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：…。这块我觉得是RAG往更鲁棒方向演进的思路。所以我会把RAG看成检索和生成的分治协作：检索阶段容忍噪声保召回，生成阶段靠重排和Prompt约束保精度。如果让我选一个最值得投入的方向，我会优先优化检索质量，因为检索是RAG的天花板，生成只是把天花板之内的东西用好。 RAG本质是检索+生成的分治检索阶段重召回，多路并行与边界重排桥接检索与生成上下文构造与生成中的风险落地权衡与工程师判断约4分钟归因校验的演进方向，从外部规则到模型自判断（Self-RAG）面试官…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…一致性。检索、排序、生成、拒答，任何一个环节出问题，答案质量都会崩。我更倾向在离线阶段多花功夫做文档清洗和质量校验，而不是上线后靠prompt来救。一句话定位：RAG本质是解决知识时效性与幻觉的平衡文档处理与分块：固定切分vs语义切分，业务场景选型检索与排序：混合检索+重排，召回率与精确率取舍上下文构建与生成：窗口压缩、引用溯源、拒答机制工程落地风险：检索失败场景、一致性校验、延迟优化约4分钟检索失败时的自检与回退策略，模型主动决策而非被动拼接面试官可能会追问…

#百度#文档切分与检索#RAG 实现流程