匹配正文：…维相似度计算，而非单一字符串匹配。三、推理路径搜索：相关性与多样性的平衡挑战具体表现搜索深度爆炸多跳推理路径指数级增长，延迟不可控相关性漂移图拓扑邻近 ≠ 语义相关，容易引入主题漂移路径可解释性黑盒排序 vs 白盒推理路径的权衡工程解法：采用"检索-剪枝-重排"三级流水线，先用向量相似度做候选子图召回，再用GNN或LLM做路径重排序。四、可扩展性：存储与计算的瓶颈存储层：属性图 vs RDF三元组的选择，十亿级边图的分布式存储（如NebulaGraph…

#淘天#多模态#GraphRAG 难点

面试题·知识图谱· 淘天

GraphRAG 增量更新策略与挑战？

匹配正文：…向量索引、社区摘要更新局部索引重建 + 全局摘要增量计算两种模式选择增量模式：新文档→提取子图→对齐已有图谱→局部索引更新（延迟分钟级，适合高频更新）全量重建：周期性（如每日）重新构建全局社区摘要，保证图结构质量关键工程技巧双缓冲机制：读写分离，更新时写入新副本，完成后原子切换分层索引：热点社区常驻内存，冷数据延迟加载核心挑战与应对一致性维护图结构更新与向量索引不同步 → 引入事务ID版本控制，查询时指定版本快照计算-延迟权衡社区检测（Leiden算法…

#淘天#GraphRAG 增量更新#知识图谱动态维护

面试题·知识图谱· 淘天

GraphRAG 知识图谱构建有哪些挑战?

匹配正文：…污染，授权必须在检索与证据读取层执行。评估要分层覆盖实体链接准确率、关系精确率与召回率、路径及证据命中、答案忠实度、更新新鲜度、延迟和成本，并与向量 RAG、关键词检索及无图基线在同一查询集比较。GraphRAG 能提供全局主题和关系视角，但不能保证自动获得正确知识图谱或可靠推理。图解 GraphRAG 知识图谱构建有哪些挑战?图解

← 上一页第 12 / 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配口述回答：…。落地有个重要前提：你的文档必须实体密集、关系丰富。如果文档是松散的闲聊记录，或者实体很少，图构建的成本就白花了，效果甚至不如传统RAG。而且图构建依赖LLM做实体抽取和[[关系抽取]]，这一步有精度问题，抽错了会带偏下游。上线我会特别关注两点：一是实体抽取的准确率和召回率，二是社区划分的粒度，太粗会丢失细节，太细又增加检索延迟。所以我的判断是：GraphRAG和传统RAG不是替代关系，而是互补。日常简单查询走向量检索，又快又准；遇到复杂推理、跨文档聚合的场景，才启用图检索。…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配口述回答：…好，太粗了摘要笼统，太细了又退化回局部检索。上线前我会特别关注两点：一是用一批标注 query 评估社区划分的合理性，二是监控查询延迟，全局搜索如果遍历太多社区，速度可能扛不住。所以我的判断是：GraphRAG 不是替代传统 RAG 的，而是补充。我更倾向于把它看作一个"全局分析工具"，用在需要高层洞察的场景，比如竞品分析、技术趋势研判。而传统 RAG 是"精确问答工具"，两者配合才能覆盖更多查询。不过这里有个值得深挖的点：查询路由怎么设计。到底哪些 query 该走图、…

#字节#知识图谱#GraphRAG 原理

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配正文：答案要点 Agent与RAG的本质区别（主动规划vs被动检索）核心优势：任务分解、工具调用、多轮交互、自主决策主要局限：可靠性不稳定、延迟高、成本不可控、安全边界难定义技术趋势：Multi-Agent协作、Agent即服务(AaaS)、与具身智能结合潜在挑战：评估体系缺失、长期记忆机制、多模态工具生态核心优势 1. 从"问答"到"执行"的跃迁 RAG是"知识检索+生成"，Agent是"理解→规划→执行→反思"的闭环能调用外部工具（API、代码执行、数据库），完成复…

#字节#Agent#Agent 优势与局限

面试题·Prompt· 百度

Prompt 优化策略有哪些?

匹配正文：… 推理组织：复杂问题可要求可检查的中间产物、计划或工具结果；不要把不可核验的自由思维链当作正确性证明。检索与工具：外部事实通过 RAG 或工具获得，Prompt 负责规定证据使用和权限。安全：分隔不可信内容，防提示注入，敏感动作必须校验和确认。假设实验：客服质检使用明确标注的合成任务，固定模型、解码参数和数据切分，比较基础指令、加入边界 Few-shot、加入结构化输出和加入验证器。指标包括分类质量、格式成功率、校准、对抗样本、安全错误、token 和延迟。结果必须填…

#百度#Prompt工程#Prompt 优化

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…分层机制推理层面：CoT/ReAct优化、推理预算分配、自适应深度工具层面：工具选择策略、并行调用、结果缓存与容错系统层面：延迟优化、成本控制和可观测性架构设计优化模块化与分层架构将Agent拆分为规划层、执行层、记忆层、工具层，降低耦合采用多Agent协作：主Agent负责任务分解，子Agent并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的…

#百度#Agent#Agent 性能优化

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…召回的是真正相关的内容；二是Agent的指令约束，要明确告诉Agent“只基于检索结果回答，不要自己发挥”，必要时用[[Self-RAG]]让模型自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的判断是，我更倾向数据驱动的思路。因为LLM应用的核心瓶颈往往不是流程复杂，而是数据质量和检索精度。我会把LlamaIndex作为数据底座，LangChain作为上层…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 哔哩哔哩

CTR/CVR/ROI 冲突怎么协调?

匹配标题与标签：CTR/CVR/ROI 冲突怎么协调? 广告投放系统中多目标优化策略,模型与手段详解 RAG 哔哩哔哩 CTR/CVR/ROI多目标 CTR CVR ROI 冲突多目标优化广告广告投放系统指标协调哔哩哔哩

#哔哩哔哩#CTR/CVR/ROI多目标#CTR CVR ROI 冲突

面试题·RAG· 小红书

新用户冷启动：生成式推荐与Embedding

匹配标题与标签：新用户冷启动：生成式推荐与Embedding 生成式推荐模型结合 Embedding 的冷启动策略 RAG 小红书新用户冷启动生成式推荐冷启动策略 Embedding 小红书

#小红书#新用户冷启动#生成式推荐

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：这道题问的是线上数据变化快怎么让大模型跟上，其实本质就是问动态[[RAG]]的落地。你不能指望模型自己学，因为[[SFT]]跟不上分钟级的变化，真正能打的方案是外挂一个实时更新的知识库，让模型每次回答都去查最新的数据。先说边界。很多人一上来就想着微调，但微调适合的是知识体系稳定的场景，比如内部合规文档三个月不变一次。而像外卖配送这种业务，商户状态、运力、价格分分钟在变，用微调等于刻舟求剑。这时候RAG才是正解。但是静态RAG也不行，固定切分、全量重建索引跟不上节奏。所以真正…

#美团#外挂数据库增强#外挂数据库

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：…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。上线前我会特别关注几个风险。一是时间衰减的 λ 参数怎么调，调太大会过滤掉有用的历史信息，调太小又会让窗口失去意义。二是渐进式遗忘的实现，如果用户主动说“记住这个”，系统得有能力突破时间窗口，把那个点标记为持久记忆。三是性能，RAG 检索如果每次都要扫全量日志，延迟会很高，所以得做冷热分离，热数据在内存，冷数据在磁盘。所以我…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 蚂蚁

时间窗口对话管理机制

匹配标题与标签：时间窗口对话管理机制 RAG 系统中基于时间戳的上下文截断与会话起止判断 RAG 蚂蚁会话时间窗口时间窗口对话管理 RAG 上下文截断时间偏移会话蚂蚁

#蚂蚁#会话时间窗口#时间窗口对话管理

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配口述回答：…某个场景错误率突然飙升，我会立刻排查是模型版本变更还是业务规则调整。这里我想提一个延伸点：输出质量校验和模型本身的[[Self-RAG]]或[[Self-Refine]]能力怎么结合？比如让模型自己先检查一遍输出再返回，这能减少很多后处理负担，但代价是延迟和成本。怎么权衡，我觉得值得深入探讨。所以整体上，我更倾向于把输出质量控制看作一个系统工程，不是单靠某一个环节。源头约束要强，校验要分层，异常要有预案，最后用数据反哺。这样上线我才放心。本质定位：输出质量是系统最后一…

#字节#大模型输出过滤#大模型输出检测

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…时效性编码对时间敏感记忆，将时间戳、相对时间（"3天前"）显式注入文本或作为附加特征三、检索策略优化索引结构选择 HNSW：延迟敏感场景，图索引保证低延迟 IVF-PQ：内存受限场景，量化压缩降本 DiskANN：超大规模，内存-磁盘混合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键优化分块策略：256-…

#高德#重排与优化#文档处理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：…考量：零成本、可解释性强，但语义理解弱 3. 混合检索（Hybrid）做法：向量+稀疏双路召回，RRF或线性加权融合场景：通用RAG系统标配，兼顾语义与精确匹配关键：融合权重需根据业务调优，通常α=0.5-0.7偏向向量 4. 重排序（Re-rank）技术：Cross-encoder（BGE-reranker、Cohere-rerank）场景：召回Top-K后精排，计算成本高但精度提升明显取舍：在线延迟敏感时，可离线预计算或裁剪候选集 5. 查询改写（Query …

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…留来源、权限、时间和业务过滤条件。候选规模、RRF 参数和最终 Top-K 都应通过离线 Recall/nDCG、端到端问答质量、延迟和成本共同选择。数据变化时持续监控两路召回贡献、重排增益和失败查询，不能把任一固定组合称为所有 RAG 系统的“黄金标准”。图解 BM25+向量+Cross-Encoder 怎么组合?图解

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…本，具体增幅取决于窗口和步长，不一律翻倍。这个其实牵涉到文档结构和模型上下文长度，挺有意思的，可以展开聊聊。最后说我的判断：[[RAG]]不是银弹，它可为知识密集任务提供外部证据，也能结合IRCoT等迭代检索服务多步推理；是否有效需分解检索与推理失败。如果知识库频繁更新，或者查询高度依赖精确匹配，我会搭配关键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…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配口述回答：这道题其实是在问[[RAG]]系统里召回与精度的取舍。说白了，没有一种检索方法能通吃所有场景，真正落地的做法往往是混合的。我先说[[BM25]]，它本质是精确关键词匹配，靠词频和逆文档频率打分。它的好处是零数据依赖，即插即用，计算开销极低，倒排索引毫秒级响应。但缺点也很明显，同义词、上下位词它完全抓不到。比如用户搜‘苹果手机’，BM25只能匹配到字面‘苹果’和‘手机’，如果文档里写的是‘iPhone’，它就漏了。所以BM25适合品牌名、型号、订单号这种精确检索场景。再说向量…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似度计算余弦相似度：衡量向量夹角，归一化后等价…

#百度#向量召回#向量召回原理

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：…W：图索引，查询快、精度高，内存占用大，适合百万级 IVF-PQ：倒排+乘积量化，内存省、亿级规模，精度略降实际选型看数据规模和延迟要求 RAG中的关键作用作为召回环节，解决"找什么"的问题。检索质量直接决定生成上限，常见优化：query改写、混合检索（向量+关键词）、重排序（Rerank）。

#美团#Embedding检索#Embedding 相似性检索

面试题·项目与经历· OPPO

深度学习项目怎么介绍?

匹配口述回答：…熟、证据最完整的一个项目来讲。开头先用两句话交代背景：在【项目或业务】里，我们遇到【具体问题】，目标是改善【指标及口径】，同时受【延迟、显存、隐私或端侧平台】约束。接着马上说清我的职责是【本人实际负责模块】，哪些数据、后端或产品工作由同事承担，避免把团队成果都算在自己身上。模型部分我不会只报名字。我会先给基线【基线模型与结果】，再说为什么选择【最终架构】：是因为数据量、标签成本、算力、可解释性，还是设备限制。至少讲一个被否掉的方案和证据，例如它在某个长尾切片上不如基线，或者…

#项目经验#深度学习#模型架构

面试题·推理优化· 得物

超长上下文怎么处理?

匹配正文：…开头、中间、结尾证据、跨段组合和干扰文档。再对原生窗口、位置扩展、检索分块、滑窗与序列并行方案，统一测准确率、召回率、首token延迟、prefill吞吐、峰值显存、KV占用和跨卡通信。位置扩展要比较窗口内能力是否回退，并检查训练长度外外推；检索要单独报告召回和生成；KV量化要测长文本质量。方案选择应由信息需求和端到端预算决定，不能只追求标称窗口。长上下文也会放大数据和安全问题。文档越多，冲突证据、提示注入和无关噪声越多；检索或分块方案必须保留来源与权限，生成端要能拒绝越权…

#长上下文#位置编码#稀疏注意力