匹配口述回答：…块支持完整证据召回，而不是背一个chunk_size。块更小可能更容易命中局部事实，但上下文容易断；块更大能保留论证链，也会带来更多噪声。因此我会把分块当成需要验证的系统参数。第一步先看文档。API文档优先按函数或接口切，合同按条款和层级切，报告按标题和段落切，表格与代码则保留自己的逻辑单元。过长单元再二次拆分，同时保留父级标题和原文位置。这样做比直接对所有文档使用固定长度更容易解释，也方便引用溯源。第二步准备多组候选。较短分块、较长分块、结构化分块都在同一批真实问题上跑…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…如果知识库本身混乱或检索策略粗糙，效果反而比纯模型更差。我更倾向先用混合检索加Rerank打好基础，再根据业务需求决定是否引入[[Agent]]或微调。一句话定位：RAG本质是给LLM开卷考减少幻觉：显式证据约束生成事实准确：可追溯+多源交叉上下文相关：动态适配+长尾覆盖落地风险与工程取舍约4分钟 RAG处理多跳推理吃力，可考虑Agentic RAG或ReAct框架让模型自主规划检索步骤。面试官可能会追问Agentic RAG的具体实现、与普通RAG的对比、以及…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：一、文档处理层核心挑战：专业文档格式复杂（PDF扫描件、表格、手写批注）多模态解析：OCR+LayoutLM提取图文混排内容，保留章节层级结构智能分块：按语义边界切分（条款/病例段落），非固定长度；医疗场景保留"主诉-检查-诊断"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…

← 上一页第 18 / 18 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#RAG 全链路#RAG 技术链路

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配口述回答：…证目标有没有达成，你点了个保存，弹窗没出来，你都不知道是没点到还是保存成功了。再看应用场景和ROI。编程面向开发者群体，虽然人不多，但付费意愿极强。GitHub Copilot的订阅模式已经跑通了，开发者时薪高，效率提升的价值很好量化，企业愿意买单。搜索覆盖的是通用信息需求，人人可用，但差异化壁垒低，大厂靠入口优势就能分走大部分流量。GUI理论上场景最广，能操作任何软件，但实际受限很大。举个例子，企业做财务系统的自动化测试，用GUI Agent模拟人工录入发票、核对报表，这…

#美团#Agent#Agent 能力对比

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配口述回答：…会建立执行失败、归因分析、补充样本的迭代飞轮，而不是一次性标注完就完事。其实还有一个关键点我没展开，就是当动态Prompt中涉及多工具并行调用时，数据如何构造。比如一个任务需要同时查询库存和价格，模型怎么决定调用顺序？这直接影响到训练数据的标注策略。这个场景下状态空间会指数级增长，如何处理？所以总结下来，我更倾向于把动态Prompt的数据构建看作一个系统工程，核心是围绕状态机生成轨迹数据，按任务粒度定义标签，做好状态追踪，并用执行闭环持续迭代。做好了这些，模型才能真正适应…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…ReAct]] 则是边推理边检索，像人类查资料一样一步步逼近答案。这个架构灵活性最高，但延迟和成本也最高。它的典型场景是科研分析或多跳推理，比如问'某药物对某疾病的疗效，对比传统疗法有哪些优势'，需要先查到药物数据，再查疾病背景，再对比，一次检索搞不定。那么这三类怎么选呢？我的经验是：不要孤立地选一类，而是根据场景混合使用。比如做一个客服退款系统，可以先用Naive快速搭一个原型验证可行性；然后加上查询改写和重排，变成Advanced；如果遇到复杂退款纠纷需要查多份政策，再…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 小红书

RAG 局限性怎么破?

匹配追问：………那它的短板主要在哪儿呢？检索结果如果包含噪声，或者上下文太长把关键信息淹没了，你怎么处理？……再深入一点，如果用户问的问题需要多步推理，比如‘北京那个客户昨天下的订单今天发货了吗’，RAG能搞定吗？直球架构请系统性地分析RAG技术的主要局限性，从检索质量、生成整合、知识边界三个维度讲，每个维度列举具体挑战，然后给出至少三种改进思路，比如混合检索、重排序、Agent化这些，最后谈一下RAG和微调的关系。

#小红书#RAG局限性#RAG 局限性

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…ve 基线可以暴露单路向量召回对精确实体的不足；如果 bad case 集中在订单号，就加入 BM25 或字段检索，而不是直接上 Agent；如果正确政策已经召回但版本排错，再引入时间过滤或重排；只有问题需要跨多个系统补信息时，才考虑受控工具链。每次只增加一个主要模块，才能看清收益来自哪里。生产中还要保存 query 变换、过滤条件、各路候选、融合名次、重排结果、最终上下文和引用。语料、embedding、索引、reranker、Prompt 与模型分别版本化，灰度时同时看…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…果掉就调召回策略。另外还有一个有意思的点，就是召回和重排的边界其实可以灵活调整。比如在 [[Agentic RAG]] 里，[[Agent]] 可以动态决定是继续召回还是直接重排，甚至多次迭代。这个方向其实挺值得深入聊的。所以整体上，两阶段架构是个很务实的工程选择，核心就是在成本和精度之间找到平衡点。我更倾向把它看作一个可调节的 pipeline，而不是固定的套路，根据业务场景去调召回量和重排模型，才能落地得稳。本质是计算成本与精度的权衡召回阶段快速筛出候选集重排阶…

#字节#两阶段检索#RAG 重排序