匹配正文：…检索与证据读取层执行。评估要分层覆盖实体链接准确率、关系精确率与召回率、路径及证据命中、答案忠实度、更新新鲜度、延迟和成本，并与向量 RAG、关键词检索及无图基线在同一查询集比较。GraphRAG 能提供全局主题和关系视角，但不能保证自动获得正确知识图谱或可靠推理。图解 GraphRAG 知识图谱构建有哪些挑战?图解

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 腾讯

匹配口述回答：…区摘要先聚类再回答，结果更完整。但是，GraphRAG有很严的使用前提。数据层面，要么已经有结构化知识，要么能从非结构化文本里高质量地抽取实体关系。如果[[NER]]和[[Relation Extraction]] pipeline不准，图谱里一堆噪音，那查询结果反而更差。我见过一个失败案例，团队硬把一堆杂乱的文档抽成图，结果实体对齐一团糟，同一个公司名出现好几个节点，关系也连错，最后召回效果还不如直接向量检索。所以上线前我会特别关注实体消歧和关系置信度，宁可少抽一些，也别…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配正文：…NER/关系抽取→与现有图谱对齐（实体链接）→增量写入图数据库社区摘要层：识别受影响的社区→仅重新生成这些社区的摘要，而非全图向量化层：新社区摘要增量Embedding，旧向量保留；支持新旧版本共存 2. 关键实现要点使用时间戳版本控制：每个社区/摘要带版本号，查询时可指定时间窗口变更传播范围控制：通过图算法（如Personalized PageRank）计算新文档的影响半径，限制重计算范围图结构演化处理场景处理策略新增实体/关系直接插入，触发关联社区摘要更…

← 上一页第 15 / 17 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#GraphRAG 增量更新#动态知识图谱

面试题·知识图谱· 高德

知识图谱更新怎么保证实时性与一致性?

匹配正文：…（如Neo4j的Causal Clustering）或两阶段提交，用于资金、权限等敏感边版本控制：实体带version字段 + 向量库双写，更新失败可回滚三、高德场景的优化实践冷热分离：热数据（实时路况）放内存图库（如NebulaGraph），冷数据归档冲突消解：同一POI多源数据时，按数据源优先级 + 时间戳仲裁预计算补偿：更新后异步触发相关路径的重计算，避免查询时实时join 一句话总结增量流处理保实时，版本控制+仲裁策略保一致，业务场景决定取舍。

#高德#知识图谱#知识图谱实时更新

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配口述回答：…如'整个数据集里有哪些主要研究方向'，那就聚合社区摘要来做回答。跟传统[[RAG]]比，本质区别在检索单元。传统RAG拿文本块做向量检索，擅长回答'某一段说了什么'这种点状事实，但遇到跨文档的聚合性问题就吃力，因为每个块是孤立的。GraphRAG把块换成了实体、关系和社区摘要，所以特别适合需要多跳推理或者全局总结的场景。但这里有个边界：传统RAG成本低、构建快，适合高频实时检索；GraphRAG构建成本高，适合静态知识库加复杂分析类查询。真正落地时，我常常是两者混着用，简单…

#淘天#知识图谱#GraphRAG 原理

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…是核心。检索相关文档作为上下文，把生成约束在检索内容里。但 RAG 不是万能的，检索失败时生成会崩。所以我会做两件事：一是提升检索质量，用 [[Hybrid Search]] 结合 [[BM25]] 和 [[Embedding]]，再加 [[Rerank]] 精排；二是优雅降级，检索不到就明确说“没有相关信息”，而不是瞎编。 [[Knowledge Graph]] 适合复杂推理，比如“这个客户和哪个供应商有纠纷”，需要多跳验证。[[Function Calling]] 对时效…

#海尔#外部知识集成#大模型幻觉

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配口述回答：…取层执行。上线前我会用带区域标注和时间戳的真实问题回放，单独统计 OCR 或 ASR 错误造成的漏召回，并验证删除一项资产后，对应向量、缩略图和缓存都被同步清理，防止旧证据继续被引用。入库保留跨模态内容及空间时间锚点共享空间与分索引晚融合各有取舍跨模态重排后再编排证据召回、引用、忠实度和治理分层验收架构选择由目标数据与质量成本基准决定约90秒多模态RAG的核心是跨模态检索与可定位证据。可继续讨论共享嵌入、局部区域索引和跨模态重排。

#阿里#多模态#多模态 RAG

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配口述回答：…，我把它分成三层。第一层组件层，存标准控件的功能定义，比如“按钮用于触发动作”，用[[CLIP]]把控件截图和文本描述对齐到同一个向量空间。第二层产品层，放具体产品的UI规范和设计文档，比如“我们App的提交按钮必须搭配确认弹窗”。第三层场景层，存用户常见问题、操作SOP、报错案例，比如“点击提交后报错500怎么办”，存成问题-截图-解答三元组。这样按层组织，检索时可以按需召回，不会把底层通用知识和上层业务细节混在一起。检索增强生成这部分，我走的是多路召回加融合排序。一路是…

#字节#多模态#多模态 RAG

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配正文：… 只有在前缀完全兼容且实现明确支持时才安全。为补充视觉调用设置预算、超时和降级路径。 4. 评测分别评估感知准确率、OCR/定位质量、观察覆盖率、答案正确性、视觉忠实度、拒答质量、延迟和成本；同时保留端到端 bad case，区分感知错、信息传递丢失和文本推理错。图解弱多模态+强文本模型怎么协同?图解

#美团#多模态#Agent

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…险和前提。整个方案能跑通的前提是，你有一个维护良好的知识库，至少包含三层：组件到功能的映射表、设计规范文档、历史FAQ。如果知识库质量差，比如文档过时或者组件映射不全，那检索出来的东西就是错的，生成再好也没用。常见失败场景是，用户截了一张新版本界面，但知识库还是旧版，结果组件识别对了，检索到的功能说明却是错的。所以上线前我会特别关注知识库的更新机制，比如每次发版后自动同步文档。延迟也是个大问题。组件预计算embedding，检索走[[ANN]]，比如用[[Faiss]]的[…

#淘天#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配口述回答：…L，它接收检索结果和用户问题，生成最终回答。这里有个大坑：跨模态语义对齐。说白了，怎么让“一只黑猫”的文本描述和一张黑猫的图片在向量空间里距离足够近。训练数据如果不够好，或者模态差异太大，比如音频和视频，对齐就很难。我上线前一定会用一批人工标注的query去测召回质量，看看图文是否真的匹配。另一个坑是索引构建：图像怎么切分？视频关键帧怎么抽？音频怎么分片？这些都得根据具体模态和数据特点来设计，没有通用方案。举个例子，电商智能导购。用户上传一张穿搭图，想找类似的商品。系统先…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配口述回答：…[向量库]]加结构化[[知识图谱]]双存储。向量库适合语义检索，知识图谱适合精确关系查询。比如用户问“上次那个退款订单怎么样了”，向量检索找到相关对话片段，知识图谱确认订单状态，两者互补。安全和可控性方面，输出审核层用敏感词加意图分类过滤，工具调用权限白名单。扩展性靠插件化架构，新工具自动注册不用改核心代码。这里有个延伸点：成本感知调度。我会根据任务复杂度动态选择模型，简单任务用小模型，复杂任务用大模型，甚至结合 [[MoE]] 路由。但前提是模型质量评估准确，否则小模型…

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：…ent落地的工程基础，保证与后端系统的可靠对接四、高阶优化方向方法核心思想适用阶段 Prompt Tuning 学习软提示向量，冻结模型大量相似任务，需降低推理成本 Auto-CoT 自动聚类生成多样化推理示例缺乏人工标注时提升Few-shot效果选型建议简单任务（分类、摘要）：Zero-shot + 清晰指令复杂推理（数据分析、决策）：CoT/ToT，权衡效果与成本工具集成（搜索、推荐）：ReAct + Function Calling，注意异常处理链 …

#小红书#提示工程方法#Prompt 技术

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配正文：…Act、ToT）说明工具调用的实现方式（Function Calling/Tool Use）区分短期记忆（上下文）与长期记忆（向量存储）能举例说明各模块如何协作完成复杂任务 Agent核心工作原理 Agent = 大模型 + 规划能力 + 工具使用 + 记忆机制，形成"感知→规划→行动→记忆"的闭环。三大核心组件 1. 规划模块（Planning）作用：将复杂任务拆解为可执行的子步骤典型方案： CoT（思维链）：单线推理，适合简单任务 ReAct：推理(Reaso…

#百度#Agent#Agent 核心组件

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配口述回答：…客服场景里，用户之前投诉过退款问题，下次来问其他订单时，Agent 能检索到那个历史记录，给出更个性化的回复。但长期记忆有个前提：向量检索的召回质量要够高，否则检索到不相关的内容反而会干扰模型。我见过一个失败案例，因为 [[Embedding]] 模型没做好领域适配，导致 Agent 总是引用错误的历史对话，越帮越忙。工具和行动模块是 Agent 的手脚。它通过 [[Function Calling]] 把用户的自然语言请求转化成 API 调用。这里的关键是工具注册和参数解…

#百度#Agent#AI Agent 核心组件

面试题·Prompt

封闭标签分类如何约束解码?

匹配正文：…只在所用模型/API支持时作为辅助，不能靠屏蔽首token保证完整标签合法。类别100不是通用选型门槛。超大类别或层级分类：改用Embedding检索+小模型二次确认，而非硬枚举必须属于闭集的输出：可使用完整标签序列约束、支持enum的严格结构化接口或确定性分类器/规则，并单独处理拒答、截断与无合适标签；这不等于业务决定100%正确。兜底策略：无论哪种方法，都需加后校验——用精确成员检查与schema校验确认输出属于封闭集合；模糊匹配可能把错误输出强制归类，不宜作为严格…

#Logit Bias#约束解码#封闭集合标签分类

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配口述回答：…。其次，工具调用本身可能失败，比如接口超时或返回错误，所以要有重试机制和降级策略，比如重试3次后返回默认结果。还有，长期记忆的检索质量直接影响效果，如果embedding模型选得不好，或者向量数据库索引参数没调好，可能召回不相关的内容，反而误导Agent。所以上线前我会用一批标注好的query做召回率测试，确保Recall@K达标。另外，我最近也在思考，如果Agent需要同时处理多个独立子任务，比如客服既要查订单又要查物流，那用单Agent串行效率太低了。可能得引入多Age…

#百度#Agent#AI Agent 设计

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配口述回答：…别稳定。适用场景很明确：只要输出需要被程序解析，或者任务边界清晰，结构化几乎必加。但它的局限也明显，模型可能死板地套格式，内容本身质量不一定高。再一个就是示例驱动，也就是[[Few-shot]]。给几个输入输出例子，模型就能学会模式。这里有个坑：示例的分布很关键，如果只给常见case，边缘case就容易翻车。所以生产环境里，我倾向用动态示例检索，从示例库里用[[Embedding]]召回最相似的几个，比固定示例准得多。但代价是多了检索这一步，延迟会高。接下来说推理增强，这…

#阿里#Prompt工程#Prompt 优化方法

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…。但真正落地时，往往RAG和微调一起上，比如用RAG做实时知识检索，同时用微调让模型更懂业务术语和回答风格。落地时有个前提：检索质量必须高。如果召回文档不相关或遗漏，生成结果肯定差。常见失败场景是，用户问'对比A和B产品的差异'，但检索分别返回A和B的独立介绍，没有对比文档，模型很难自己归纳差异，这是RAG在综合推理类问题上的天然瓶颈。我上线时会特别关注检索的召回率和精确率，用[[混合检索]]，比如[[BM25]]加向量搜索，来提高覆盖率，再配合查询重写、重排来优化。另外，…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配口述回答：…间做工程取舍，而不是单纯讲流程。我按自己的理解来拆解一下。先说检索模块怎么工作。核心就三步：第一步，离线把文档切碎，然后用 [[Embedding]] 模型编码成向量，存到 [[Vector Database]] 里。第二步，用户来了一个查询，同样编码成向量，然后做 [[ANN]] 近似最近邻搜索，召回 TopK 候选。第三步，把结果和元数据拼起来，送到生成模块。这里面有个容易忽略的细节：切分策略直接影响检索质量。比如固定大小切分，简单但容易切断语义，导致召回片段不完整；而…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配口述回答：…ive RAG]]的思路。所以整体上，我更倾向把专业领域RAG看成一个知识管理工程，而不是模型优化工程。核心不只在算法，更在数据质量、分层索引、引用可信度和人工审核闭环。如果只让我设计一个最小可行系统，我会先保证检索召回率和引用可溯源，其他花哨功能往后放。本质是领域知识落地与不确定性管理边界划分：RAG vs 微调，关键词 vs 向量业务场景：以医疗为例讲知识库与检索风险前提：引用置信度与人工兜底工程师取舍：更看重可溯源与反馈闭环约4分钟反馈闭环中如何自动化区…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…微调，但那是另一回事。知识更新是落地最头疼的部分。我把它分成四种场景：增量新增、修改、失效、全量重建。新增最简单，新文档直接[[向量化]]入库。修改我把它拆成「旧版软删除+新版新增」，不原地动索引，否则图索引的局部性会被破坏，召回质量下降。失效也是软删除，打一个失效时间戳，检索时过滤掉。全量重建一般季度做一次，比如 Embedding 模型升级了，就离线重建索引。这里有个关键风险：如果你做的是医疗系统，新指南发布后旧版必须立刻失效，软删除的异步重建可能来不及。所以我会加一个…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：…标准，必须强制过人工审核。我会设计众包加专家双审流程，初级审核员先筛一遍，领域专家终审，确保万无一失。再说索引架构，我不会只依赖向量检索。因为医疗和法律场景里，精确匹配和语义理解同样重要。我会搭三级索引。第一级是向量索引，用领域微调的[[Embedding]]做语义召回，配合[[Hybrid Search]]，把关键词检索也拉进来。因为有些查询比如药品名、法条编号，向量可能不如精确匹配准。第二级是关键词索引，用Elasticsearch做精确匹配，专门处理这类结构化查询。第…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…理由退换”，然后让大模型基于这段内容生成答案。这样准确率就高很多，而且政策更新时只需要改文档，不用重新训练模型。这里有个坑：检索质量直接决定RAG的上限。如果检索回来的内容不相关，模型再强也白搭。所以我会特别关注检索这一步的工程细节，比如用 [[混合检索]]，把关键词匹配（[[BM25]]）和向量相似度（[[Dense Retrieval]]）结合起来，因为很多专业术语或编号（像订单号、错误码）向量搜不好，但关键词能精准命中。另外，切分策略也很关键，固定大小切分容易把完整语…

#字节#RAG工作原理#RAG 工作原理

GraphRAG 知识图谱构建有哪些挑战?

GraphRAG适用场景 vs 传统RAG 有哪些?

GraphRAG 如何保证时效性与一致性？

知识图谱更新怎么保证实时性与一致性?

GraphRAG 工作原理是什么?

训练/推理/外部知识怎么选?

Multi-modal RAG 原理与挑战

截图界面怎么用 RAG 解析?

弱多模态+强文本模型怎么协同?

截图 RAG 怎么理解界面组件?

Multi-modal RAG 是什么?

大模型智能体系统架构设计思路

提示工程有哪些核心方法?

Agent 核心组件怎么协作?

AI Agent组件如何协同工作?

封闭标签分类如何约束解码?

AI Agent 三大组件原理

Prompt 优化方法有哪些?

RAG 核心架构与工作流程

RAG 检索模块怎么提升相关性?

高精度RAG系统设计陷阱

医疗法律RAG架构怎么搭？

医疗 RAG 索引如何保合规?

RAG 怎么提升事实准确性?