匹配正文：…der模型精排Top-K，过滤低相关文档 3. 生成模块（Generation）上下文组装：按相关性排序文档，截断至上下文窗口 Prompt工程：明确指令+检索上下文+用户问题，要求"仅基于上下文回答，不确定则拒绝" 后处理：答案溯源（标注引用来源）、幻觉检测、流式输出完整数据流用户Query → 查询理解/重写 → 向量检索(Top-K) → Rerank精排 → 上下文拼接 → LLM生成 → 带引用的答案关键优化点环节典型问题解决方案分块语义割裂递归…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…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 Embeddi…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…：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：PDF/OCR识别表格…

← 上一页第 12 / 15 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

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配追问：…的东西怎么喂给模型，才能让它准确引用？直球架构聊一下RAG的技术细节。你从检索器选型、知识库分层、到生成模型集成，整个链路怎么设计的？比如双路召回、混合排序、Prompt组装这些，具体怎么落地？

#美团#知识库构建#RAG 检索器设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…型将文本转为稠密向量向量表示向量存储写入Milvus/Faiss/Elasticsearch等，构建索引可检索向量库关键设计：分块策略直接影响检索质量——太粗易噪声，太细丢上下文。第二阶段：在线检索生成（Retrieval & Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → LLM生成 → 返回结果核心模块：检索召回…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，必要时加引用标注检索器与生成器的协同机制协同点具体做法信息注入检索结果直接拼入Prompt的system/user消息中动态截断按token预算动态选择能容纳的最相关文档数置信度过滤 Rer…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配追问：…怎么办？直球架构请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…来源1】xxx.txt 内容：... 【来源2】yyy.pdf 内容：... 显式标注来源，方便生成阶段引用和溯源三、生成效果 Prompt设计明确指令："仅基于以下材料回答，不知道就说不知道" 加入CoT引导："先分析材料，再给出结论" 幻觉抑制要求模型生成引用标记，事后校验答案与原文一致性置信度打分：让模型自评答案可靠性，低置信度转人工常见陷阱检索内容多但生成忽略，需监控context utilization 多文档冲突时无仲裁策略，应提示模型说明分歧四、系…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发"未知"回答迭代检索：多轮检索-生成，逐步细化答案（…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：低频全量重建，天级或周级索引层：多路召回融合时间戳过滤：检索时优先召回近期文档，或按时间加权打分多版本共存：同一实体保留历史快照，检索时返回最…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：…切入）重排序阶段：用LLM做精排后的多样性重排（MMR+语义去重）推荐理由生成：非排序本身，但提升CTR和用户体验直接打分：Prompt预测点击概率——仅适合冷启动或长尾，全量不经济关键挑战计算成本 vs 实时性解法：LLM特征离线预计算 + 在线轻量模型；蒸馏小模型替代在线LLM ID空间与语义空间错位传统推荐强依赖ID共现，LLM擅长语义；需设计ID-语义对齐的联合训练评估困境 LLM引入后，离线AUC可能涨但线上GMV跌（语义相关≠转化相关），需强化因果…

#快手#LLM推荐系统#LLM 推荐系统

面试题·检索· 快手

LLM怎么融入推荐系统？序列建模与排序

匹配正文：…丢失、文本描述质量依赖、embedding空间对齐 2. 序列建模：长行为序列处理方案做法问题直接输入将N条行为拼成超长prompt 上下文窗口限制、推理成本爆炸摘要压缩 LLM先压缩历史为兴趣标签信息损失、压缩策略设计分层架构传统模型做短期，LLM做长期兴趣多源信息融合复杂快手场景：视频消费序列极长（数百上千），需结合SIM-style采样 + LLM语义理解 3. 召回/排序：生成式 vs 判别式生成式召回（如TIGER、P5）： LLM直接生成候…

#快手#LLM推荐架构#LLM 推荐系统

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：答案要点区分检索失败类型（无结果/低质量结果）并设计不同策略查询改写与扩展的具体方法多路召回与混合检索的架构设计大模型自身知识的安全调用机制用户感知的透明反馈设计核心策略：分层兜底架构 1. 失败类型识别零结果：向量库返回空，检查embedding/索引问题低质量结果：有结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再…

#百度#小鹏#美团

面经·项目面试

Lint 红灯之后，谁来停住下一步？

匹配正文：…度端；需要模型参与修复时，把必要诊断作为明确观察提供。让模型看到错误有助于制定修复，但不应把“是否暂停依赖步骤”的责任全部交给一句提示词。检查记录还应能回答：哪项检查、哪个版本、看了哪些输入。多个检查器面对同一产物时，需要按约定汇总必需检查，不能让后来的一次通过覆盖另一项失败；缺少结果应保留待定状态，不能被当作已经合格。放行规则应在启动下一项之前执行。依赖同一产物的工具，按当前检查状态决定继续或暂停；不依赖它的工作可以另行处理。对于已经启动的任务，还需要单独约定取消或隔离…

#Agent#Hook#Lint

面经·项目面试

记忆文件与发现索引，少写一步会怎样？

匹配正文：…层分开，也能解释为什么补一条链接还没有完成全部工作。文件已落盘，默认入口为什么还是空的？先看新会话实际拿到什么。主程序构建系统提示词时，会取得记忆目录的位置，再调用 load_memory_index 读取索引内容，交给提示词构建器。构建器加入记忆的使用说明和当前索引；它没有顺着所有链接，把每份正文自动展开进去。这条入口使索引承担了很具体的职责：告诉模型有哪些可用材料，大致记录什么，应该去哪里读。目录位置和使用规则提供背景，索引里的书名与链接才指向某一份具体记忆。即使目…

#Agent#Memory#持久记忆

面经·项目面试

Worktree 建好之后，还要把工具接进去

匹配正文：…主目录。另一个函数刚刚创建新副本，不会自动修改这个已经保存的字段。继续看子循环的输入，新路径也没有被作为工作目录传入。子任务系统提示词取预设内容，初始任务来自委派的文本。这条装配链没有把刚创建的路径附到执行工具或任务入口上。这让“创建成功”与“在新副本执行”之间出现了断点。前者可以从 Git 返回值与目录内容确认，后者要看工具保存了哪个根、传给子进程什么路径，以及实际访问了哪个文件。排查这类问题时，值得沿同一个路径变量追到底。谁生产它，谁接收它，哪一个操作真正消费它？如…

#Agent#Worktree#工具绑定

面经·项目面试

子 Agent 有独立上下文，为什么还要认真写交接？

匹配正文：…除旧版故障这两个条件就没有通过这条消息传入。父任务在此前确认过它们，不能替代一次明确的信息交接。源码中的后台路径同样从一个包含 prompt 的用户消息开始。前后台会改变等待和返回的方式，但不会因为切成后台，就自动拥有父任务的全部历史。当然，子任务后续可以通过工具读取文件，取得更多信息。那是它接手之后的显式获取路径。交接至少应提供正确的入口和当前范围，避免让它从整个项目里重新猜测本次要查什么。这种设计给了子任务一个明确起点。它不会被父会话里所有支线同时淹没；相应地，父任…

#Agent#子Agent#上下文交接

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：…会明确停止这条简单路线。真实解析链路需要继续划分水平区域、识别标题层级和连接关系，不能靠悄悄挪动那条说明来凑出一段通顺文本。这样设计，复杂度确实比全页排序高一些。但多出的工作有明确用途：保住内容之间原本的组织关系。只有关系确定后，“从上到下”才知道是在一栏、一段，还是整页范围内执行。跨栏总标题归整页，独立栏目各自在内部保持顺序串栏第一次出现在哪里，就先修哪里回到真实项目，最终回答乱了，不能只拿回答去猜。需要把同一页经过的中间形态摆在一起。第一份是原始页面。它让你确认…

#RAG#PDF解析#阅读顺序

面经·项目面试

装了很多 Skill，要把每份说明都塞进上下文吗？

匹配正文：….md，解析开头的元数据，再保存名称、描述、路径和完整内容。到这一步，进程确实已经拿到了两个 Skill 的全文。接下来构建系统提示词时，代码没有把保存的 content 直接拼进去。它只逐个加入技能名称、描述和说明文件路径，并告诉模型：当任务匹配某个 Skill 的描述时，先通过读取工具查看对应文件。所以，进程里可以同时存着汇总报告和活动海报两份长说明，第一次模型请求里却只有它们的短入口。管理器持有什么，与这次请求发送什么，是两个独立的实现选择。这样做的直接作用，是让…

#Agent#Skills#渐进披露

面经·项目面试

Agent 的工具 Schema，究竟能拦住什么？

匹配正文：…版本变化。新增一个必填字段时，下发给模型的声明和服务端校验应使用兼容的版本；否则模型按照旧声明提交，执行器按照新规则拒绝，连续改写提示词也解决不了契约冲突。排查记录里保留当次工具定义，才能分清模型填错和两端规则不同。例如附件编号要求非空字符串，执行入口就应在查询之前拒绝空值、数字和数组。如果业务规定编号有固定格式，可以继续校验格式；存在性和所属订单的检查，再由业务查询完成。每一层都说明自己检查的条件，后面的错误才容易解释。也不要为了让流程跑通，把所有输入都强行转成字符串。…

#Agent#工具调用#Schema

面经·项目面试

Agent 说“文档建好了”，你怎么验收？

匹配正文：…项、验收证据，以及本次结束原因。这份记录对排查很有用。用户说少了一节时，可以直接确认远端版本、写入批次和读回内容，无须先猜是哪句提示词写得不好。后续评测也能区分内容质量问题与交付问题。用故障样本证明你真的管住了交付如果要把这套设计讲成项目经验，我更想看异常输入下的结果，而不只是一次顺利演示。可以先做一个小型故障注入：把文档客户端替换成可控的假服务，让创建成功、正文追加超时。观察下一次恢复是否复用原文档、是否先核对远端内容，再模拟“正文已经写入，但回执丢失”，检查会不会…

#Agent#工具调用#工程实践

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·推理优化· 京东

vLLM vs TensorRT-LLM 怎么选?

匹配正文：…PU 混合支持远不止 Llama，但具体算子、模态与量化需查模型列表框架不能脱离模型和硬件排名。应固定 checkpoint、prompt/output 长度、dtype/量化、并发和质量门槛，分别测冷启动、TTFT、TPOT、吞吐、P95/P99、峰值内存与能耗。任何“固定 50ms”都缺少模型、batch、上下文与硬件前提。

#vLLM#TensorRT-LLM#推理引擎

面试题·项目与经历· 字节

大模型任务表现差怎么排查？

匹配正文：…置信与真实错误率联合观察。t-SNE适合探索局部可视化，但会扭曲全局距离，不能单独作为样本属于分布外的证据。系统侧要把基础模型、prompt、检索、工具、后处理和模型本体分开。检索没召回、上下文被截断、格式校验错误，都可能表现为模型能力不足。训练侧检查loss mask、tokenizer、学习率、梯度、checkpoint加载和数据配比，并用少量样本过拟合测试确认实现能学习。若确定需要微调，就建立可比较基线。LoRA的target modules、rank、alpha、…

#模型调试#bad case分析#数据质量