匹配正文：…试：构造边界case（如检索片段冲突、信息缺失场景）二、迭代优化策略检索侧策略具体手段语义增强查询改写（HyDE）、多向量表示（ColBERT）、重排序模型结构优化分块策略迭代（按语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…标：用户满意度、任务完成率关键原则：三层指标要联动看。检索高召回+生成幻觉 = 检索内容未被有效利用；检索低召回+生成正确 = 模型靠参数记忆"作弊"。二、常见迭代优化方法瓶颈现象优化方法适用场景检索召回不足查询扩展（HyDE、多查询生成）、混合检索（BM25+向量）、重排序（Cross-encoder）用户问题表述模糊、专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（…

#字节#评估与监控#RAG 评估

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…extual Constraint）通过系统Prompt限定"仅基于提供的文档回答" 利用Instruction Tuning让模型学会忠实于上下文 3. 来源可追溯（Attribution）生成时附带引用标记，便于人工核验形成"生成-验证"的闭环有效性边界（什么情况下仍会幻觉）失效场景原因典型表现检索失败知识库未覆盖、Embedding语义漂移问最新事件、冷门知识时编造文档冲突多条检索结果互相矛盾模型选择错误或综合出错推理幻觉检索信息正确，但组…

← 上一页第 15 / 22 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

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参…

#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：…重训一次，根本不现实。但RAG落地也有不少坑。前提是你的知识库质量得高。如果文档[[分块]]不合理，检索出来的片段牛头不对马嘴，模型再聪明也没用。常见失败场景是，用户问一个很具体的问题，比如“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…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…完整上下文元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）二、索引构建双轨索引策略：类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展精排层：Cross-…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配正文：…ecall 评估各路的增量贡献（ablation study）避免"伪多路"——多路召回同一批文档 3. 业务约束延迟P99：向量检索<50ms，重排序<100ms 成本：embedding调用次数、存储规模三、端到端验证（最终标准）离线指标高 ≠ RAG效果好，必须回归：答案准确率（人工/模型评估）幻觉率（检索内容是否被正确使用）一句话总结：Recall@k是必要条件，但需结合NDCG保证头部质量，最终用端到端指标验收。学习建议建议系统学习该知识点参考资…

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：…段，或递归摘要，控制输入在模型有效窗口内多路召回融合：多Query并行检索，去重后按相关性加权拼接，避免单路遗漏答案溯源：强制模型输出引用标记，事后校验片段是否真实支撑答案，降低幻觉拒答机制：相关性分数低于阈值时直接拒答，比胡说八道更安全三、系统效率瓶颈与优化核心问题：检索延迟高、吞吐不足、成本高索引分层：热数据HNSW内存索引、温数据磁盘索引、冷数据按需加载缓存策略：Query embedding缓存、热门问题答案缓存，命中率通常能到30-50% 异步流水线：…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调 …

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配正文：…）国内替代：ModelScope-Agent（阿里）、文心AgentBuilder（百度）、Coze/扣子（字节）——更贴近国内模型生态，但灵活性受限。学习建议建议系统学习该知识点

#阿里云#评估与监控#Agent

面试题·评估· 高德

多工具评分排序机制

匹配正文：…分模块实现 1. 分层评分体系最终得分 = α·语义匹配分 + β·历史绩效分 + γ·成本惩罚项维度计算方式语义匹配用embedding模型计算工具描述与任务query的余弦相似度历史绩效滑动窗口统计近N次调用的成功率，引入时间衰减成本项归一化后的延迟/费用，作为负向惩罚 2. 模型化打分（进阶）训练轻量级工具路由模型（如LoRA微调的BERT）：输入：任务上下文 + 候选工具元信息输出：各工具的概率分布优势：可捕捉"隐式偏好"，如特定场景下优先选…

#高德#Agent#智能体工具选择

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：核心设计原理 LangChain的本质是**"组合式"框架**，通过标准化接口把大模型能力模块化，像搭积木一样构建复杂应用。核心思想是：抽象统一：用统一接口封装不同模型、向量库、工具链式组合：通过LCEL（LangChain Expression Language）声明式编排流程状态管理：Memory组件维护多轮对话上下文关键组件组件作用典型场景 Chain 预定义的固定执行流程翻译、摘要等单步任务 Agent 动态决策，自主选择工具和步骤复杂多步推理（Re…

#快手#评估与监控#Agent

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：RAG主要缓解的是事实性幻觉（Factual Hallucination），即模型编造虚假事实、数据、概念的问题。这类幻觉源于模型的参数知识边界——训练数据未覆盖或已过时。 RAG的有效性依赖三个核心前提：知识库覆盖度外部知识库必须包含问题的正确答案。若知识盲区在库中也不存在，RAG无法解决，模型仍可能幻觉或"检索即编造"。检索准确性Embedding模型需将query与相关文档精准对齐。检索失败（top-k不相关）会直接引入噪声，甚至加剧幻觉。生成可控性LLM需具备"…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 字节

Agent 系统优缺点与发展前景

匹配正文：…专业化规划 ReAct → 更高效的树搜索/蒙特卡洛规划（如ToT、RAP），减少无效探索记忆短期上下文 → 长期记忆机制（向量库+知识图谱+可学习的记忆模型）融合 Agent与RAG深度整合，检索作为工具之一，形成"检索增强的Agent" 关键挑战评估困境：没有ground truth的开放任务，如何量化"好"与"坏" 产品化鸿沟：Demo惊艳 vs 生产可用，容错机制和兜底策略是核心生态标准：工具描述协议、Agent间通信协议尚未统一未来1-2年，Agent…

#字节#评估与监控#Agent

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…nversationBufferMemory直接拼接历史对话长时记忆：VectorStoreRetrieverMemory将历史向量化，检索相关片段注入上下文底层存储可接Redis、数据库、向量库数据源集成通过Document Loader统一接入PDF/网页/数据库，Text Splitter控制块大小，Embedding模型向量化，Retriever实现语义检索设计取舍优势：快速原型、生态丰富、降低多模型切换成本局限：抽象层带来性能损耗（序列化开销），复杂Ag…

#快手#评估与监控#Agent

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配正文：…好" 命中率（Hit Rate）：查询是否命中至少一个相关文档评估方式需人工标注query-doc的相关性标签（二元或分级） Embedding/LLM可辅助产生候选标注，但它们有噪声和评估循环风险；应以独立人工复核集校准，不能直接把同一检索器的相似度当黄金相关性。二、生成质量评估忠实性（Faithfulness）答案是否基于检索内容，有无幻觉常用方法：NLI模型判断陈述与文档的蕴含关系答案相关性（Answer Relevance）答案是否直接回应问题，有无跑…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-encoder） 2. 上下文切片粒度难把握切分太细丢失全局语义，切分太粗引入噪声改进：语义切分（基于主题边界）、层次索引（摘要+详情）、多粒度召回二、生成阶段的缺陷 3. 上下文利用不足（Lost in the Middle）模型对长上下文中间位置信息遗忘，关键证据在prompt中间时被忽…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…因给出可落地的迭代闭环机制诊断流程：三层定位法第一层：判断问题来源检索问题：召回文档不相关或排序靠后生成问题：检索准确但模型未正确利用（幻觉/忽略上下文）数据问题：知识库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25、向量检索、混合检索的结果差异数据集类型类型用途构建要点开发验证集迭代调优覆盖高频场景，人工标注黄金答案对抗测试集压力测试故意构造易混淆、边界、多跳推理…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…的文档，最关键，直接对应幻觉问题答案相关性（Answer Relevance）：是否回答了用户问题，而非泛泛而谈上下文利用率：模型有没有有效利用检索内容，而非依赖参数记忆三、端到端自动化指标 RAGAS：无需人工标注，用LLM打分评估忠实度和相关性 ARES：基于合成数据训练评判模型人工评估：最终仲裁，特别是边界案例四、业务实用指标延迟：检索+生成的总耗时，影响产品体验成本：向量检索+LLM调用的综合开销用户满意度：点击率、采纳率、后续追问率等为什么这些最关…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估

RG 系统效果差怎么排查?

匹配正文：…量诊断方法人工标注100个查询的"黄金文档"，计算检索命中率分析未命中的case：是query理解偏差（需改写/扩展）、还是向量空间不对齐（需调整embedding或分块策略）快速实验：用人工精选的上下文替换检索结果，若生成质量显著提升 → 问题在检索侧二、定位生成模块问题关键指标忠实度（Faithfulness）：生成内容是否被上下文支持答案相关性：是否回答了用户问题诊断方法固定输入"完美上下文"（人工构造含答案的片段），观察模型是否仍能正确生成若仍出…

#检索归因#生成归因#RG 系统故障排查

面试题·评估

RAG 效果差怎么排查？

匹配正文：…R>0.5 Context Precision 检索结果中噪声比例越高越好快速诊断信号用户问题与召回文档语义明显不相关 → Embedding模型或分块策略问题相关文档召回但排名靠后 → 需要重排序（Rerank）或混合检索第二步：判断是否为生成问题生成侧关键指标 Faithfulness（忠实度）：生成内容是否基于context，可用NLI模型或人工抽样 Answer Relevance：答案是否回应问题，可用BERTScore或人工判断 Context Uti…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…人工判断"给定这个问题，理想文档应该是什么"，对比实际检索结果查询改写分析：检查原始query与改写后query的检索效果差异向量相似度分布：观察query与top1结果的相似度分数，过低（如<0.6）说明语义空间对齐有问题判定标准：Recall@K < 70% 或人工判断检索结果明显偏离，则问题在检索侧。第二层：判断生成模块是否合格关键指标 Faithfulness（忠实度）：生成内容是否基于检索文档，可用NLI模型或人工标注 Answer Relevance：答…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估

检索准但生成差，怎么调优？

匹配正文：…，或改用CoT激发推理能力 3. 反馈闭环机制收集"检索准但生成错"的样本，构建针对性训练集引入Self-RAG或迭代生成：让模型先生成、再自检、后修正三、快速决策口诀现象诊断结论优先动作换人工文档后变好检索问题优化Embedding、调整分块策略人工文档仍差生成问题优化Prompt、微调模型、改进上下文格式长文档效果好、短文档差信息整合不足加CoT、多文档融合Prompt 部分问题好、部分差领域适配不足针对性SFT、RAG-Fusion策略

#上下文压缩#生成调优#RAG 效果诊断