匹配口述回答：…【知识库方案】，我负责【本人职责】。文档从解析、分块、元数据和权限进入版本化索引，删除、更新和租户隔离也要能追踪，不能只说“把文档向量化”。查询侧使用【召回方案】，再通过【融合与重排】处理候选。我会说明为什么选这个组合，Top-K、RRF 常数或权重、重排候选数都来自固定评测集上的参数扫描。正确证据没进候选时先修召回；候选有答案但排名低才看重排。上下文去重、冲突和预算处理后，由【生成约束】控制引用、拒答与输出校验。效果只报告【真实指标】，并带上数据集、硬件、并发和统计窗口…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…察不同b值下长文档的召回率变化，找到一个平衡点。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…

#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：…，再微调。所以我的判断是，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…

← 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

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配口述回答：…割时优先在标点、换行、句号这些自然边界下刀，宁可让chunk大小稍微不均匀，也尽量别截断一个完整的句子。还有语义去重，对重叠区域做embedding相似度过滤，相似的只保留一个，减少冗余。粒度权衡这块，我的原则是：细粒度用于精排，粗粒度用于生成。具体说，检索阶段用小的chunk，比如200 token，保证召回的每个片段都精准、噪音少，这样 [[Rerank]] 的时候效率也高。但生成阶段，如果只给大模型一个200 token的片段，它可能缺少背景信息，答非所问。所以我通…

#小鹏#文本分块优化#RAG 文本分段

面试题·Agent· 高德

旅行Agent怎么拆解任务?

匹配口述回答：…动换方案。所以整体上，我会把多Agent架构看成一种「分工但又互相校验」的机制，RAG是它的感知器官。我更倾向于在验证阶段做[[重排]]，而不是在编排阶段做大量检索，因为先粗筛再精排效率更高。如果面试官感兴趣，我可以聊聊具体怎么设计版本化快照的回滚机制。本质问的是多Agent拆解与动态知识融合三层Agent架构：需求解析、行程编排、验证优化 RAG增强：静态库+动态库，嵌入ReAct推理链状态管理与回环迭代落地风险与取舍约4分钟用户临时变更时，用Tree-of-…

#高德#Agent#旅行Agent

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…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，还得看它有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估，但最终还是得人工…

#科大讯飞#阿里#RAG 架构

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…型自己又没能力做逻辑仲裁。那落地的时候，RAG 最大的风险其实不在生成，而在检索。检索质量决定了 RAG 的上限。如果你用简单的向量检索，召回率可能很高但精度差，混进一堆噪声，模型反而更容易被带偏。所以我会在检索阶段做 [[Hybrid Search]]，把关键词和向量结合起来，再加上 [[Rerank]] 把最相关的文档排到前面。而且上线后我会特别关注一个失败场景：当检索结果为空时，模型会退化成纯生成，那幻觉率会飙升。我的做法是加一个拒答逻辑，如果最高分文档的相关度低于某…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 快手

LangChain 链式调用原理

匹配口述回答：…名，比如从ChatOpenAI换成HuggingFacePipeline，代码主体不用动。再一个是检索层，它把文档加载、切分、[[向量化]]、存储这一套串起来，[[RAG]] 场景下最常用。然后是链，它定义了一个固定流程，比如先查知识库再问模型，或者先总结再翻译。[[Agent]]层更灵活，它会根据用户输入动态决定调哪个工具，执行完再观察结果，循环直到给出答案。内存层管理对话历史，回调层负责日志和追踪。链式调用的核心是Runnable协议，所有组件都实现了invoke、ba…

#快手#评估与监控#Agent

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配口述回答：…ent 会基于错误信息做决策，反而加剧幻觉。所以前提是检索系统本身要可靠，比如用 [[Hybrid Search]] 结合关键词和向量，再加一层 [[Rerank]] 过滤低分结果。再说 Coding。这个模块赋予了 Agent 动手能力，把自然语言需求转成可执行代码。输入是任务描述和上下文，输出是代码片段和执行结果。比如用户说“帮我分析一下这个 CSV 文件，找出销售额最高的月份”，Agent 就可以生成 Python 脚本，运行后得到结果。但这里有个常见失败场景：生成的…

#美团#评估与监控#Agent

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…位到最新版SOP，并且告诉你是第几章第几条。但这里有个坑，RAG的效果上限取决于检索质量。如果知识库里的文档切分太粗糙，或者[[Embedding]]模型选得不好，检索出来的内容驴唇不对马嘴，那模型再强也白搭。常见失败场景是：用户问的问题很口语化，比如“我上次买的那个耳机坏了咋办”，但知识库里全是“售后政策2024版”这种正式标题，检索召回率很低。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[[Rera…

#美团#模型微调#RAG vs SFT