匹配正文：…用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 + "参考文档：[检索结果]" + 用户问题 LLM生成：模型基于检索到的证据作答，可溯源关键优化点环节常见问题优化手段检索语义不匹配查询改写、HyDE（假设文档嵌入）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：…或先粗筛组件类型，再精排功能说明 3. 生成增强上下文组装：将组件结构化信息 + 检索到的产品文档/设计规范 + 用户问题拼接为prompt 引用溯源：要求模型输出时标注信息来源（如"根据《XX平台设计规范》第3.2节"） 4. 关键工程点知识库构建：需维护组件-功能映射表、设计规范文档、历史FAQ三层结构延迟优化：组件预计算embedding，检索走近似最近邻（ANN）；大模型只负责最终生成学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配正文：…ding 两级检索：先全局匹配找相似界面类型，再组件级局部匹配检索结果：相似组件的功能说明、使用场景、交互规范 4. 增强生成 Prompt整合：组件位置图 + OCR文本 + 检索到的知识片段生成时约束：按位置顺序描述，结合业务场景解释用途关键技术点环节技术选择要点视觉编码 CLIP/SigLIP/专用UI模型关注细粒度对齐能力，小图标区分度组件检测 DETR系列或SAM 需支持任意形状UI元素跨模态对齐对比学习微调用产品内部UI数据继续训练检索策…

← 上一页第 14 / 18 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#多模态#多模态 RAG

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…易断链引入知识图谱、迭代检索（Self-RAG）生成与检索耦合模型过度依赖或忽略检索内容训练时加入"无相关信息"样本、调整prompt权重典型失败案例：用户问"对比A和B产品的差异"，若检索分别返回A、B的独立介绍而无直接对比文档，模型难以自行归纳差异——这是RAG在综合推理类问题上的天然瓶颈。学习建议建议先掌握大模型基础知识，再学习信息检索与RAG流程，结合开源项目如LangChain动手实践，理解检索与生成的协同机制。

#淘天#阿里#RAG 架构

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：…索器固定或独立训练，生成模型无法反馈优化检索联合训练，生成loss可回传优化检索编码器知识存储检索结果作为硬提示（hard prompt）拼接检索向量通过注意力机制软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retrieval + BART/GPT的联合优化。二、信息融合机制传统方法检索Top-K文档直接拼接到输入上下文问题：上下文长度爆炸、文档边界干扰、无法区分信息重要性 …

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…滤（科室/执业地域）四、生成优化：领域适配与可控性模型选择：基座模型+领域SFT（如Huatuo/LawGPT），非从零训练 Prompt工程：强制引用格式[来源:指南名称/条款编号]，便于溯源生成后处理：幻觉检测：检索内容与生成的N-gram重叠度校验置信度分级：高置信直接回答/中置信建议复核/低置信拒答五、安全合规体系维度机制权限隔离 RBAC：实习医生/主治/主任可见范围分级内容安全诊断建议必须含"仅供参考，请遵医嘱" 审计追踪查询-检索片段-生…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…ing模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模型严格基于检索内容回答，拒绝无关Query 与微调对比 RAG优势在于知识可解释、更新即时、成本可控；适合知识频繁变更、需溯源的场景。微调更适合改变模型行为风格或需要内化复杂推理模式的任务。学习建议建议系统学习该知识点

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…eval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化链：通过LCEL灵活组合Prompt、Model、Parser等组件生态集成：广泛的第三方工具连接器（搜索、数据库、API等） LlamaIndex强项索引策略：VectorStoreIndex、TreeIndex、KGIndex等10+种索引结构检索优化：自动路由、重排序、递归检索、子问题分解数据连接器：150+种数据源开箱即用（PDF、SQL、Notion等）…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…库（法规/指南/病例）、外部数据源、用户交互日志检索层：多路召回 + 精排，输出Top-K相关片段生成模块：基座模型 + 领域Prompt + 引用约束应用层：对话管理、权限控制、审核反馈检索模块设计多路召回向量检索：Dense Embedding（领域微调，如E5-Mistral-medical）关键词检索：BM25 + 领域同义词词典（如ICD-10编码映射）结构化检索：SQL/图查询针对法条层级、药品属性精排与过滤 Cross-Encoder重排序时…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：…度搜索→Top-K召回向量数据库（Milvus、Faiss、ES）生成（Generation）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事实准确性生成时提供可溯源的参考文本，约束模型"基于证据回答" 避免参数知识中的事实性错误（如"2024年美国总统是谁"） 2. 知识覆盖动态接入私有/实时数据（企业文档、最新新闻）无需重新训练即可更新知识，成本远低于微调一句话总结 RAG = 搜索引擎 + 大…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配正文：…SFT + RLHF 针对性优化连贯性和一致性具体实现要点：摘要压缩：用轻量模型实时生成轮次摘要，替代原始历史一致性约束：在prompt中注入"系统指令"和"已确认事实"列表显式验证：关键决策前让模型自检"是否与之前回答冲突" 学习建议建议系统学习该知识点

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· 小红书

新用户冷启动：生成式推荐与Embedding

匹配正文：…传统模型"没见过用户ID就失效"的问题 2. 可结合的冷启动策略策略实现方式画像引导生成用注册信息/问卷构建文本画像，作为prompt输入热门+多样性兜底生成式模型生成"热门但多样"的候选集，避免千篇一律跨域迁移用其他平台/全局行为预训练，迁移到当前场景主动学习设计交互式问卷，用最少问题快速锁定兴趣 3. 小红书场景特化利用笔记的图文多模态内容，新用户上传一张图即可触发相似内容推荐 "兴趣标签"快速选择：让用户选3-5个兴趣词，作为生成prompt 关键…

#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?

匹配正文：…k）→ 增量构建向量索引，避免全量重建检索层多路召回（向量+关键词+规则）+ 实时性加权，新数据优先排序融合层检索结果注入Prompt，标注数据来源时间戳，让模型感知时效性反馈闭环用户点击/转化数据回流，动态调整索引权重和切分策略相比纯模型/静态RAG的优势时效性：分钟级数据可见，解决大模型知识截止问题准确性：数据分布漂移时，检索结果自动跟随变化，无需重训模型成本可控：避免频繁SFT，用检索成本替换训练成本美团场景的特殊考量外卖/配送业务中，商户状态、…

#美团#外挂数据库增强#外挂数据库

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：…G 检索器稀疏检索（BM25）、独立索引稠密检索（DPR、Contriever）、双塔编码生成器固定LLM，仅把检索文本当prompt 可训练或适配的生成模型连接方式字符串拼接，显式上下文窗口潜在空间交互，隐式信息融合典型代表：Facebook的RAG模型（2020）首次将检索器和生成器联合预训练，而非简单拼接。 2. 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt，受限于上下文长度，容易信息淹没中间层融合（现代）：检索得到的向量通过cro…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG· 小红书

生成式推荐的序列原理

匹配正文：基本概念生成式推荐将推荐任务重新建模为序列生成问题：把用户历史行为、上下文信息编码为Prompt，让模型自回归生成下一个物品的ID或属性，而非传统打分排序。工作原理核心流程：统一Token空间：将用户ID、物品ID、行为类型、时间等离散化为统一词汇表序列化输入：[BOS] 用户u [SEP] 点击i1 [SEP] 收藏i2 [SEP] 时间t [SEP] → 生成i3 自回归生成：模型学习行为序列的联合分布 P(i₃|u, i₁, i₂, t...) 典型方案： G…

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…"）消除歧义（"苹果"→根据上下文判定为手机/水果）可融入领域知识（如电商属性规范化）典型技术：T5/BART微调、LLM Prompt工程（"请将以下Query改写为适合检索的形式"） 3. 对话历史融合（Contextual Rewriting）做法：将多轮对话历史编码，解决指代和省略优势：处理指代消解（"它多少钱"→"iPhone 15多少钱"）捕捉意图漂移（用户从"手机"转到"充电器"）支持多轮决策型对话典型技术：显式改写：用模型生成自包含Quer…

#京东#Query改写#Query 改写

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： [分析] 提取题目关键条件 [建模] 建立数学关系或逻辑框架 [计算] 逐步执行运算，展示中间结果 [验证] 检查结果合理性 [结论] 给出最终答案题目：{question}""" 方式二：ReAct框架（Agent场景） Thought: 我需要先查询用户账户余额 Action: que…

#华为#逻辑推理引导#逻辑引导

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：人工干预的三层架构 1. 输入层：前置过滤与引导敏感Query识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配正文：…Schema输出，减少格式错误设置response_format={"type": "json_object"}或工具调用接口 Prompt工程在Prompt中嵌入Few-shot示例，明确输出格式要求添加"请确保输出为合法JSON，不要添加markdown代码块标记"等约束二、多层级校验机制层级检测内容处理方式语法层 JSON合法性、字段完整性、类型匹配异常捕获+重试/解析修复语义层数值范围、枚举值有效性、逻辑一致性规则引擎校验，失败则重生成业务层…

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…yDE、Query Expansion提升召回 3. 生成（Generation）上下文拼接：检索结果 + 用户Query → Prompt 大模型生成：GPT-4、文心等生成最终回答引用溯源：输出参考文档编号，增强可信度标准工作流程用户Query → Query理解/改写 → 向量检索（Top-K）→ 重排序 → 上下文组装 → LLM生成 → 后处理（溯源/拒答）核心优势维度说明时效性知识库实时更新，无需重新训练可解释性答案可溯源到具体文档成本比…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配正文：…容降权 2. 推理层：模型行为约束引用锚定：强制模型在生成时标注信息来源，如"根据[文档A]..."，便于追溯矛盾检测提示：在Prompt中显式要求模型识别上下文中的冲突信息并报告置信度阈值：对低置信度回答，触发"我不知道"或请求人工确认 3. 输出层：后验校验事实性验证：用独立模型或规则库对关键事实（数字、日期、人名）做NLP核查一致性投票：同一问题多次采样，取高频答案，离散结果则标记不确定 4. 系统层：持续迭代用户反馈闭环：收集"点赞/点踩"，错误案例回流至…

#字节#错误上下文处理#RAG 上下文错误

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…A微调 SFT数据构建：Query-Context-Answer三元组，强调引用溯源（"根据《XX法》第X条..."）生成约束 Prompt模板强制要求：① 不确定性声明 ② 引用来源标注 ③ 拒绝回答机制（超范围问题）解码参数：降低temperature（0.3-0.5），使用重复惩罚避免循环生成四、关键保障机制机制实现幻觉检测检索内容与生成答案的NLI一致性校验；实体链接回标可解释性输出附带引用片段高亮、置信度分数人机协同低置信度案例自动转人工审核，…

#字节#领域RAG架构#专业领域 RAG