匹配口述回答：…，显式更新这些槽位。长期记忆我用 [[Vector Database]] 存历史对话和知识，但有个前提：检索回来的信息必须做 [[重排]]，不然混进噪声反而干扰决策。工具调用这块，说白了就是给LLM装插件。关键机制是 [[Function Calling]]，模型输出结构化JSON，我这边解析执行，再把结果塞回上下文。但有个容易忽略的点：工具描述要写得像给新同事看的操作手册，参数名、返回值格式、什么情况会报错，都得写清楚。比如对接搜索API，我会在描述里加一句“如果搜索结果…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…。大模型的作用就是把分散的chunk重新拼起来，做跨片段的逻辑补全。这里有个坑：如果chunk切得太碎，大模型也补不回来，所以切分策略很关键，我通常会根据文档结构做语义切分，而不是固定字数切。第三点是[[幻觉]]控制。纯靠大模型生成，容易编造，这就是Hallucination。但如果直接把检索文本当答案输出，又可能答非所问，或者信息过时、片面。RAG的做法是让大模型在检索内容的约束下生成，也就是把检索结果当事实锚点，然后用自己的语言组织能力去回答。这样既降低了虚构概率，又能…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 淘天

RAG 怎么减少幻觉?

…态，而且每个回答都有出处，客服复核也方便。不过落地RAG不是简单的'配个[[向量库]]就行'。有几个风险我特别关注。一是文档切分策略，[[Chunk]]太大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延迟，大规模知识库下，[[ANN]]检索可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'202…

← 上一页第 12 / 12 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

匹配口述回答：

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…“订单号12345的状态”，但你分块时把整个订单详情页当成一个大块，检索出来一堆无关信息，模型就糊涂了。所以我会特别关注Chunk策略，比如用语义切分而不是固定字数，或者用[[Parent Document]]保留上下文层级。另外，检索本身也不能只靠向量相似度，我通常会把[[Hybrid Search]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺…

#科大讯飞#阿里#RAG 架构

面试题·评估· 快手

LangChain 链式调用原理

匹配口述回答：…atabase]]，然后用一个RetrievalQA链，用户问退款流程时先查相关片段，再让模型结合上下文回答。这里我会特别关注切分策略，如果按固定字数切，可能把一个完整条款切成两半，导致召回不完整。前提是文档质量要够好，如果文档本身逻辑混乱，再好的检索也救不了。上线后我会监控用户反馈，如果发现回答不准确，可能得加[[Hybrid Search]]或者做[[Rerank]]。一句话定位：面向LLM的编程框架核心抽象：模型接口、检索、链、Agent、内存、回调链式调用：Ru…

#快手#评估与监控#Agent

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…比Recall和Faithfulness的分数，同时监控延迟的P99。如果召回率低于百分之九十，我宁可牺牲一点延迟，也要加一轮[[重排]]来提高精度。说到评估，其实有个延伸点：你评估体系搭好了，数据怎么反哺到系统里形成闭环？比如你发现Faithfulness分数低的case，能不能自动标记出来，用来做后续的模型微调或者检索策略优化？这个数据飞轮转不转得起来，往往决定了系统能不能持续变好。所以整体上，我更愿意把评估看成一套组合拳：检索端抓Recall，生成端抓Faithfu…

#淘天#评估与监控#RAG 核心指标优先级

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rerank]]，把最相关的片段顶到前面。另外说一个我特别关注的点：当知识库频繁更新时，[[Vector Database]]的增量索引和一致性怎么保证？比如客服知识库每天有几百条修改，你不能每次重建索引，但增量插入又可能让检索精度下降。我倾向于用双索引策略，一个base索引定期全量重建，一个delta索引处理实时增量，查询时合并结果，再按时间戳…

#美团#模型微调#RAG vs SFT

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：…ss]] 和 [[Context Recall]]。如果发现召回不准，可能要调切块大小、换 Embedding 模型，或者加 [[Rerank]] 层。最后说我的判断：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…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·检索

什么是 Embedding 向量嵌入？

匹配口述回答：…和多义词。比如“苹果”既可以是水果也可以是品牌，单纯靠 Embedding 可能会混淆。这时候就需要结合上下文做消歧，或者用 [[Rerank]] 模型做二次筛选。一句话定位：Embedding 解决的是从文字到语义可计算的问题核心原理：向量空间里距离近就是意思近，这是语义搜索能跑通的前提业务例子：客服退款场景，关键词搜不到但语义能匹配落地前提：模型要选对、向量库要配好，否则效果会崩约2分钟 Embedding 对同义词和多义词的处理仍有局限，需要结合上下文消歧或二…

#入门#基础概念#Embedding是什么

面试题·检索

向量数据库和普通数据库有什么区别?

匹配口述回答：…确信息就容易翻车。所以真正落地我不会只用向量检索，而是做 [[Hybrid Search]]，把向量和关键词结合起来，再配合 [[Rerank]]，这样精确匹配和语义匹配都能覆盖。不过要注意，ANN 索引在数据频繁更新时表现会变差，因为图结构或聚类中心需要重建。我会特别关注写入延迟和索引重建策略，如果业务对实时性要求高，可能得用 delta 加 base 双索引的方案，查询时合并结果，这样新增数据能准实时生效，同时保证检索质量。所以我的看法是，向量数据库不是要替代传统数据…

#入门#基础概念#向量数据库

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配口述回答：…如企业SOP与合规文档、风控合同审查，我会用GraphRAG；在简单的FAQ匹配场景，传统[[Hybrid Search]]加[[Rerank]]就够用了。真正的落地往往是两者结合，先用向量召回初筛，再用图做精排或上下文扩展。说到结合，我最近在关注一个方向：怎么让GraphRAG的图结构动态更新。因为业务数据是流式的，实体和关系会变，如果图不能增量更新，每次都要全量重建，成本太高。我初步的想法是用事件驱动的图更新框架，配合版本控制，但一致性保证是个挑战。这块我还在探索。所…

#百度#知识图谱#评估与监控

面试题·RAG· OPPO

多信号评分函数原理与陷阱

匹配口述回答：…数时，我先把“要预测什么”和“必须满足什么”分开。相关性、点击、转化或满意度可以进入模型目标；库存、合规、去重和频控通常是硬约束或重排规则。接着检查信号。BM25、余弦相似度、质量分和热度计数的尺度不同，不能直接相加。线性基线可以在校准或标准化后组合；有排序标签时可用 LambdaMART 等学习排序模型；高维交互足够强且收益能覆盖成本时再考虑深度模型。数据规模本身并不能推出必须使用某种模型。点击日志还带有曝光和位置偏差。排在前面的内容更容易被点击，若直接训练，模型可能强…

#OPPO#多信号排序#评分函数设计

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配口述回答：…场景，比如客服、金融分析。真正落地时，我倾向把两者结合起来，比如用[[混合检索]]，关键词召回保底，向量召回提高精度，再用一个[[重排]]模型把结果精排一下。不过说到联合训练，我其实更关心一个细节：检索器更新的频率。如果知识库每天都在变，检索器的编码器要不要跟着微调？如果不调，新文档的向量和旧文档的向量可能不在一个空间里；如果调，又可能破坏已有文档的表示。这块目前还没有特别成熟的方案，我觉得是个值得深挖的方向。一句话定位：从拼接式RAG到融合式RAG 架构演进：检索器与生…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…所以我会把BM25看作关键词检索的一个成熟基线，尤其在冷启动或者小样本场景下比纯向量检索靠谱。但真要上线，我更倾向混合检索加 [[Rerank]]，先用BM25和向量召回来个粗排，再用 [[Cross-Encoder]] 精排，这样精度和召回都能兼顾。一句话定位：BM25解决词频和长度问题公式拆解：饱和函数和长度归一化对比TF-IDF的改进点业务场景：客服退款文档检索落地风险与混合检索可延伸点：b参数对短文档的影响约4分钟 b参数对短文档友好度的影响及调优方法 …

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配口述回答：…是，BM25 在关键词精确匹配的场景下是很好的兜底方案，但不要神化它。我更倾向把它看作混合检索里的一路，和向量检索配合，再用 [[Rerank]] 做最终排序。这样既保证精确词的命中率，又兼顾语义泛化能力。点题：本质在问词频饱和与文档长度归一化 BM25公式核心：IDF、词频饱和项、长度归一化与TF-IDF对比：线性vs饱和、长度处理、参数灵活性业务场景举例：客服退款政策检索落地风险与混合检索策略给出可延伸点：参数调优经验约4分钟 BM25 的 k1 和 b 参数…

#美团#BM25长度归一化#BM25 参数 k1/b 调优