匹配正文：…可能漏关键词稀疏检索（BM25）：精准匹配关键词，补充稠密检索混合检索：稠密+稀疏融合，线性加权或RRF重排 3. 生成阶段上下文组装：检索结果 + 用户Query构造Prompt 大模型生成：基于提供的上下文作答，典型Prompt模板包含"仅根据以下信息回答，不知道就说不知道" 关键优化点环节优化手段检索质量查询改写（HyDE）、多路召回、重排序（Cross-Encoder）上下文利用长上下文压缩、信息去重、相关性过滤端到端 Self-RAG（模型自主判…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…GE-Reranker），筛选Top-5~10 过滤策略相关性阈值截断、元数据过滤（如只查最近1年文档）四、上下文构建与生成上下文组装：按相关性排序，标注来源；超长时采用摘要压缩或多轮检索 Prompt设计：明确指令"基于以下参考信息回答，若信息不足请说明" 生成优化：引用溯源：要求模型输出引用标记 [doc_id] 拒答机制：检索结果相关性均低于阈值时，不编造答案关键权衡召回率 vs 精确率：业务问答优先精确率（宁可少答），知识探索优先召回率；延迟敏感场景可牺牲…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：答案要点离线索引流程（文档解析、分块、向量化、存储）在线检索流程（查询改写、向量检索、重排序、上下文组装）关键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用B…

← 上一页第 2 / 2 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动窗口重…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询向量化、相似度检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…）重排序（Rerank）：Cross-Encoder模型精排Top-K，过滤低相关文档 3. 生成模块（Generation）上下文组装：按相关性排序文档，截断至上下文窗口 Prompt工程：明确指令+检索上下文+用户问题，要求"仅基于上下文回答，不确定则拒绝" 后处理：答案溯源（标注引用来源）、幻觉检测、流式输出完整数据流用户Query → 查询理解/重写 → 向量检索(Top-K) → Rerank精排 → 上下文拼接 → LLM生成 → 带引用的答案关键优化点…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Prompt组装（系统指令+检索上下文+Query） → LLM生成 → 输出+溯源引用缓解幻觉的核心优势机制作用事实锚定生成内容被约束在检索到…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…索引加速ANN检索三、在线检索生成（Query Pipeline）用户Query → 查询改写 → 多路检索 → 重排序 → 上下文组装 → LLM生成环节说明查询改写扩展同义词、纠错、指代消解（如"它"→具体实体）多路检索向量检索（语义匹配）+ 关键词检索（精确匹配）+ 可能的知识图谱召回重排序（Rerank）用Cross-Encoder（如BGE-Reranker）精排Top-K，提升相关性上下文组装按相关性排序拼接chunk，控制总长度（通常占L…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…、人机协同审核系统层面：离线在线分离、缓存策略、反馈闭环整体架构用户Query → 查询理解 → 混合检索 → 重排序 → 上下文组装 → 领域生成 → 后处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：PDF/OCR识别表格、Word修订痕迹处理、扫描件版式还原结构化抽取：用LayoutLM或专用模型提取条款层级（章-节-条-款）、案件要素（案号、当事人、判决结果）质量与标准化领域…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…：Top-K近似最近邻搜索，召回候选文档重排序（Rerank）：Cross-Encoder精排，过滤低相关结果 3. 生成阶段上下文组装：按相关性排序，拼接检索文档为上下文 Prompt设计：明确区分"已知信息"和"用户问题"，约束模型基于检索内容回答生成控制：设置temperature、限制max_tokens，必要时加引用标注检索器与生成器的协同机制协同点具体做法信息注入检索结果直接拼入Prompt的system/user消息中动态截断按token预算…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 小鹏

如何系统优化 RAG 检索？

匹配正文：…是：原文与权限是否正确；正确证据是否有资格进入候选；单路召回各自漏什么；融合是否丢失或重复；重排是否把已有证据推上来；上下文组装是否再次截断。这样得到的是可归因优化，而不是 HNSW、RRF、Cross-Encoder 和查询改写的固定套餐。

#RAG#检索优化#混合检索

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…合检索：稠密向量 + BM25稀疏检索，RRF融合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发"未知…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：…、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，过滤低质结果 3. 生成阶段上下文组装：按相关性排序，控制token预算 LLM生成：结合检索内容作答时效性优化方案核心思路：让"新"文档在相似度计算中获得隐性加分方案实现方式适用场景时间衰减加权 score_final = score_semantic × exp(-λ·Δt)，λ控制衰减速率新闻、社交媒体动态时间窗口优先检索近N天数据，无结果再扩展全库 …

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…算：余弦相似度/IP距离，Top-K召回重排序（Rerank）：用Cross-Encoder精排，过滤低质片段 3. 生成阶段上下文组装：检索结果 + 用户Query → 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势 …

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配口述回答：这道题讨论的是工程方案，不需要编造“曾经在某业务提升了多少”。第一步先把端到端 trace 拆成排队、召回、重排、上下文组装、prefill、decode 和工具等待。召回与生成使用的资源不同，应该独立定位和扩缩容。召回侧可以先做安全的元数据或关键词过滤，再做向量召回，但必须验证过滤不会漏掉正确证据。HNSW 的搜索宽度、IVF 的桶与探测数都在召回和延迟之间取舍；PQ 能节省存储与带宽，但会带来量化误差。热点 query、embedding 和结果缓存要绑定语料、模型和…

#高德#Agent#Agent 系统延迟优化

面试题·Prompt· 百度

Prompt 优化策略有哪些?

匹配口述回答：…增长。选择时要先说清楚失败类型，再解释这项技术为什么对症。 Prompt 还需要像代码一样治理。版本记录系统指令、用户模板、示例、上下文组装、模型和解码参数，回归集覆盖正常、边界、无答案、长上下文、格式和对抗样本。线上日志带 Prompt 哈希，灰度同时观察质量、尾延迟、token、拒答和危险动作；模型升级时回归新旧 Prompt 组合，避免把模型变化误判成提示收益。某次改动如果没有稳定改善目标切片，或者收益抵不过维护和延迟成本，就应该撤掉。优化的终点是最简单、可测、可回滚的…

#百度#Prompt工程#Prompt 优化

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…个是后处理，比如检查格式、敏感信息、引用是否存在。所以 RAG 不是简单的“搜一下再回答”，而是从文档处理、召回、[[重排]]、上下文组装到生成约束的一整套链路。任何一环出问题，最后答案都会受影响。比如检索没找对，prompt 写得再好也没用；检索找对但上下文塞太多噪声，模型也可能被带偏。我会特别强调一点：RAG 的上限往往先由检索结果决定，再由生成模型决定。一个成熟系统要同时评估检索侧的 Recall@K、MRR，也要评估生成侧的[[忠实度]]和答案正确率。 RAG本质…

#百度#RAG三阶段#RAG 工作流程