匹配正文：…本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（离线）文档切分（Chunking） Embedding模型编码 → 存入向量数据库（如Milvus、Faiss） 2. 检索阶段（在线） Query向量化，计算相似度，召回Top-K相关片段 3. 生成阶段将检索结果作为上下文，与Que…

#百度#评估与监控#RAG 架构

面试题·评估· 安克科技

评估集防泄漏与复现

匹配正文：…放式生成难度分层：单文档→多文档→需外部知识→需工具组合领域分布：按业务流量比例采样，避免长尾盲区量化指标：计算query的embedding分布熵，确保簇间距离均匀。四、偏差控制：四类典型偏差偏差类型表现控制手段位置偏差答案在文档开头/结尾被过度召回答案位置随机化流行度偏差高频实体被过度采样按实体频率逆加权采样标注者偏差标注者个人知识影响判断盲测+背景多样性模板偏差 query句式过于统一基于LLM的paraphrase扩增+人工校验五…

#安克科技#评估与监控#Agent

面试题·评估· 字节

知识库更新策略怎么选?

匹配正文：…：消息队列保证至少一次投递，消费端幂等处理版本控制：每条知识带版本号/时间戳，检索时过滤旧版本校验与修复定期对账：比对源库与向量库记录数、hash 采样校验：随机抽取向量反查原文一致性检索准确性保障灰度发布：新索引先小流量验证，再全量切换索引双版本：同时维护新旧索引，AB测试对比召回率更新窗口期：低峰期执行，避免查询抖动 embedding模型热更新：模型迭代时，评估向量空间漂移影响关键权衡：实时性 vs 成本 vs 准确性，需按业务场景选择（如客服FAQ可接…

← 上一页第 16 / 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

#字节#评估与监控#RAG 知识库更新

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配正文：…ens，RAG检索增强基本可用关键短板规划稳定性：ReAct/CoT在5步以上任务中错误累积严重，"一步错步步错" 长期记忆：向量数据库检索精度有限，缺乏真正的经验学习与技能沉淀反思能力：多为"伪反思"——LLM生成自我批评文本，而非基于执行反馈的实质性策略更新典型案例对比 AutoGPT：早期过度承诺，实际因循环调用、成本失控、无法终止而难以落地 LangChain/LlamaIndex：框架成熟但"胶水代码"过多，核心智能仍依赖底层模型 Devin/Cursor：…

#得物#Agent#AI Agent 核心能力

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…体到场景，我重点说两个。第一个是金融政策解读，比如央行突然发了一个新规，RAG能立刻把新规文档索引进去，用户问“房贷利率怎么调”，模型检索后给出带原文引用的回答。第二个是企业内部SOP与合规文档查询，不同部门、不同版本的文件堆在一起，员工问“报销流程”，RAG能精准定位到最新版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。…

#美团#模型微调#RAG vs SFT

面试题·模型微调

LLM 封闭标签如何强约束?

匹配口述回答：…否允许前导空白取决于消费方协议，不应为绕过错误随意放宽标签语法。还有，如果标签本身有歧义，比如“退款中”和“退款处理中”语义相近，模型可能混淆，那就需要靠微调或者更好的标签设计来区分。另外，如果标签集特别大，比如上千个，约束解码的性能会下降，因为每一步要过滤的 token 太多。这时候我会考虑用分层标签，先输出大类再输出小类，或者用向量检索先缩小候选集，再让模型从候选中选。这其实变成了检索加精排的思路。所以总的来说，我的做法是多层防护：提示工程打底，约束解码做核心保障，微…

#Agent#LLM 输出限定#封闭标签集

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：答案要点区分幻觉类型（事实性vs推理性）并针对性治理 RAG与知识图谱结合的检索增强方案多模型交叉验证与一致性约束机制金融领域特有的监管合规与可审计性设计量化评估与持续监控体系核心挑战分析金融领域幻觉代价极高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…学习数据关键：术语对齐，如"心肌梗死"和"MI"需映射到同一向量 2. 检索策略：多路召回+精排召回通道适用场景实现稠密向量语义相关、同义表达微调后的Embedding+Faiss/Milvus 稀疏向量（BM25）精确匹配、专有名词 Elasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3. 查询理…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配口述回答：…]] 的核心动机，是弥补传统向量 [[RAG]] 在跨文档关系和全局分析上的不足。传统 RAG 把文档切成一个个 chunk，再用向量相似度找相关片段；它做事实问答很有效，但每个 chunk 基本是独立的，实体之间的关系、文档之间的联系没有显式建模。所以遇到“这个行业有哪些主要趋势”“A 公司和哪些机构有间接关系”这类问题，单纯向量检索就比较吃力。 GraphRAG 的做法是先把文本变成图。流程一般是：文档清洗和[[分块]]之后，用模型抽取实体，比如人、公司、产品、概念；再抽…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：核心优势对比维度传统RAG GraphRAG 知识表示文本块向量，隐式关系实体-关系图，显式结构化检索粒度局部相似度匹配子图/路径推理信息整合片段拼接，易割裂社区聚合，全局一致推理能力单跳，表面关联多跳，因果链条四大机制解析 1. 知识结构化建模将非结构化文本抽取为实体-关系-属性三元组同一实体跨文档归一化，消除指代歧义关系类型显式定义（如"因果关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…关联。主要挑战与应对挑战根因解决方案方向构建成本高全量文档需多次LLM调用做抽取增量构建、领域Schema预定义、小模型+大模型级联实时更新难新文档可能触发大量关系重计算事件驱动更新、只更新受影响子图、向量+图混合索引噪声与幻觉 LLM抽取可能产生错误关系置信度阈值过滤、人工审核闭环、多模型投票社区粒度难控粒度过细→碎片化；过粗→信息损失层次化社区（Leiden算法多级分辨率）、查询自适应选择工程实践建议：非全量上GraphRAG，而是对高频复…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配正文：…动态更新成本：增量知识融合时的实体消歧和冲突消解实践思路：采用"抽取+生成"双轨策略，对高置信结构化数据用规则抽取，长尾知识用大模型生成式构建。二、实体链接：指代消解与歧义消解的双重挑战跨文档指代：同一实体在不同文档中的表述变异（如"Apple"公司 vs 水果）新实体冷启动：未见实体缺乏上下文锚点，链接模型失效链接与检索的耦合：链接错误会直接污染后续子图检索关键点：需要结合实体嵌入、上下文共现和知识库先验的多维相似度计算，而非单一字符串匹配。三、推理路径搜索：…

#淘天#多模态#GraphRAG 难点

面试题·知识图谱· 淘天

GraphRAG 知识图谱构建有哪些挑战?

匹配正文：…和时间变化会造成实体重复或错误合并。需要稳定 ID、候选生成、实体消歧、置信度及人工校正通道。关系与事件抽取：LLM 或信息抽取模型可能漏边、造边或混淆方向、时间和条件。每个节点与边应保存来源片段、时间、抽取版本和置信度，推理时区分事实与模型推断。图构建与社区摘要：分块边界、实体粒度、社区算法和摘要压缩都会影响可检索信息。社区摘要不是事实本身，必须能回溯到底层证据。查询与推理：自然语言问题要映射到实体、关系、过滤和遍历范围。图过密会引入噪声，图过稀会断链；多跳路径相关不…

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配正文：GraphRAG实现精准结构化召回，核心依赖以下技术要素： 1. 高质量的图结构构建实体抽取：NER模型需高准确率，尤其处理指代消解（如"苹果公司"→"Apple"）关系抽取：不仅抽取显式关系，还需挖掘隐式语义关联社区聚类：通过算法（如Leiden）将密集子图聚为语义社区，生成层级摘要 2. 查询到子图的语义匹配将自然语言查询解析为图查询（如Cypher或子图模式）支持多跳遍历：从种子实体扩展至关联社区动态剪枝策略，平衡召回率与相关性 3. 混合检索机制向量检索…

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：三大核心痛点 1. 检索噪声（Retrieval Noise）表现：召回的Top-K文档包含无关或低质量内容，干扰模型判断根源：向量相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配正文：…级延迟；关键路径走内存缓存一致性版本快照+MVCC；写时复制保证查询不中断；分布式事务（2PC/Saga）准确性规则校验+模型打分+人工抽检三级；灰度发布，异常自动回滚 4. 与RAG的联动图谱更新后异步刷新向量索引，避免阻塞查询时双路召回：向量相似度 + 图谱结构化检索，结果融合排序字节场景的特殊考量一致性优先：电商/内容场景用强一致性，避免价格、库存等关键信息漂移分层存储：热数据Redis+温数据图数据库+冷数据湖，按访问频率动态迁移学习建议建议系统…

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心…

#字节#知识图谱#GraphRAG

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：…[[Chain-of-Thought]] 让模型一步步推理，每步都引用文档。如果置信度低，就触发人工审核。这里有个坑：自我验证如果模型本身知识不足，会越检查越错，所以要结合外部知识。外部知识集成，[[RAG]] 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；…

#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

匹配正文：原理与架构多模态 RAG 从文本、图像、音频或视频中检索外部证据，再由能消费相应模态的模型回答。典型流程是：OCR、ASR 或视觉编码入库，分块时保留页码、区域和时间戳；查询做模态识别与改写；多路召回、跨模态重排；最后编排上下文、生成并验证引用。索引可将多模态对齐到共享向量空间，也可为各模态分别建索引后用 RRF、分数校准或重排器晚融合。共享空间便于跨模态检索但可能损失模态细节；分索引保留专用能力却增加路由和校准复杂度。关键挑战包括：细粒度区域或时间片对齐；OCR/AS…

#阿里#多模态#多模态 RAG

面试题·多模态· 美团

AI Agent 自主智能体实现陷阱

匹配正文：答案要点当前Agent的核心瓶颈（规划、记忆、工具可靠性）技术突破方向（世界模型、神经符号结合、持续学习）产业落地的关键障碍（成本、可控性、评估标准）范式转变的可能路径（从LLM-centric到多模态具身智能）美团等场景化公司的落地切入点当前关键挑战 1. 规划与执行的鸿沟 LLM的"快思考"模式难以应对复杂多步任务，长期规划能力弱，容易陷入局部最优或循环工具调用可靠性不足：API失败恢复、参数纠错、结果理解仍是痛点 2. 记忆与上下文瓶颈长期记忆依赖外部向…

#美团#Agent#AI Agent 发展路径

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…+ 用户问题（可选） ↓ [图像解析模块] → 结构化UI表示（组件位置、类型、文本） ↓ [多模态编码模块] → 视觉-文本联合向量 ↓ [混合检索模块] ←→ [知识库：UI组件说明 + 交互规范 + 常见问题] ↓ [生成模块] → 组件功能解释 / 操作指引 / 故障诊断关键模块设计 1. 图像解析模块检测：用UI-specific检测模型（如ScreenSpot、CogAgent的 grounding 能力）识别按钮、输入框、导航栏等 OCR：PaddleOCR…

#字节#多模态#多模态 RAG

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：多模态RAG定义传统RAG只检索和生成文本，多模态RAG将检索范围扩展到图像、视频、音频、表格等异构数据，让大模型能基于多源证据进行推理和生成。关键差异对比阶段传统文本RAG 多模态RAG 检索文本Embedding（BERT/Sentence-BERT）→ 相似度匹配跨模态统一嵌入（如CLIP视觉-语言对齐）→ 任意模态query检索任意模态doc 生成纯文本上下文输入LLM 多模态编码器（如ViT+LLM连接器）将图像/视频转为token序列，与文本拼接输入…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：…: "立即购买", bbox: [x,y,w,h]}） 2. 知识检索层设计双路索引：视觉索引：组件截图patch → 多模态embedding（CLIP/自有模型）语义索引：组件OCR文本+类型 → 文本embedding 检索策略：用户点击/框选特定组件时，用多模态向量召回Top-K相关文档；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…

#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：整体流程 1. 视觉理解与组件解析用UI检测模型（如ScreenSpot、CogAgent）或通用多模态模型提取界面元素：按钮、输入框、图标、文本区域 OCR识别文本内容，获取组件的坐标位置信息输出结构化表示：组件类型 + 位置框 + 文本内容 2. 多模态知识库构建收集UI设计规范、组件库文档、产品手册作为文本知识关键：将组件截图/设计稿与功能描述配对，构建图像-文本对用多模态Embedding模型（CLIP、SigLIP或专用UI模型如UIBert）编码入库 3…

#淘天#多模态#多模态 RAG