匹配正文：…pt工程：强制引用来源，格式如"根据《XX指南》第X条..." 约束解码：禁止生成索引外信息，设置医学安全词表拦截上下文压缩：用LLM对检索结果去冗余，保留关键证据链五、评估方法维度指标方法检索质量 Recall@K、MRR 人工标注相关性生成质量事实准确性对比原文，用NLI模型检测幻觉可追溯性引用覆盖率检查生成内容是否都有来源支撑业务价值专家满意度领域专家盲评关键取舍：医疗法律对准确性极度敏感，宁可"检索不到"也不"生成错误"，需设置置信度阈…

#字节#RAG 全链路#RAG 技术链路

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配正文：… 相比纯多模态模型的优势可解释性：能溯源到具体设计规范文档可控性：产品术语、内部黑话可通过知识库注入更新灵活：新组件无需重训大模型，更新知识库即可学习建议建议系统学习该知识点

← 上一页第 13 / 13 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#多模态#多模态 RAG

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配口述回答：…得看具体业务。所以整体上，我更倾向把提示工程看成快速验证和轻量迭代的工具，它零训练成本，适合快速试错。但真要上线高并发、高稳定的系统，我会优先考虑SFT或者Agent框架，把提示词固化到模型里，减少运行时的不确定性。本质是问怎么跟大模型有效沟通基础技巧：Zero-shot/Few-shot和角色设定推理增强：CoT和ToT的适用边界 Agent模式：ReAct和Function Calling落地选型取舍与风险约4分钟 Self-Consistency 和多路径集…

#小红书#提示工程方法#Prompt 技术

面试题·Prompt· 商汤科技

ReAct 之外还有哪些规划方法?

匹配口述回答：…它对工具调用的质量要求很高。如果工具返回的信息噪声大或者延迟高，ReAct 的实时反馈反而会引入错误。而且 ReAct 每一步都调LLM，成本高、延迟大。所以落地时我通常会组合使用：Plan-and-Execute 做骨架，ReAct 做局部微调，Reflexion 做离线优化。我最近在关注一个方向：当任务依赖多个外部系统时，比如既要查数据库又要调API，ReAct 的规划能力会受限于模型的上下文窗口，这时候怎么分治？我倾向于引入 [[Multi-Agent]] 架构，每个…

#商汤科技#Agent#ReAct 替代方案

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…在问检索和生成之间的耦合度是怎么演进的。我理解RAG不是一种固定的架构，它从最早的简单拼接，到后来加各种优化，再到最近模块化、[[Agent]]化，其实是检索和生成从硬耦合走向解耦的过程。先说最早的一代，[[Naive RAG]]。它的流程很简单：离线把文档切成块、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…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…百万条知识库里捞出几百条跟退款流程相关的文档，重排阶段再根据用户的具体描述，比如“已提交三天”，把最匹配的那几条排到最前面，这样 LLM 才能给出准确回复。如果只用召回，可能排在前面的都是泛泛的退款政策，不精准；如果只用重排，那延迟就爆炸了，用户等不了。这个架构的好处很明显：效率可控，召回快，重排只处理小量数据；精度能提上去，因为重排模型能捕捉细粒度语义；而且召回和重排可以独立优化，比如换个更好的 [[Embedding]] 模型或者换一个重排器。但缺点也得心里有数。最核心…

#字节#两阶段检索#RAG 重排序

面试题·检索· 小红书

RAG 局限性怎么破?

匹配追问：…么处理？……再深入一点，如果用户问的问题需要多步推理，比如‘北京那个客户昨天下的订单今天发货了吗’，RAG能搞定吗？直球架构请系统性地分析RAG技术的主要局限性，从检索质量、生成整合、知识边界三个维度讲，每个维度列举具体挑战，然后给出至少三种改进思路，比如混合检索、重排序、Agent化这些，最后谈一下RAG和微调的关系。

#小红书#RAG局限性#RAG 局限性