搜索大模型内容

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…原文的单元。 RAG 可以分成离线知识入库和在线问答两个阶段。文档解析处在离线阶段最前面。解析器交给后面的内容如果已经丢失或错乱，分块、向量化和入库仍可能正常运行，只是它们会忠实地处理一份错误材料。多格式入库首先判断“知识以什么形式存在”，不能只看文件能不能打开。电子 PDF 的正文可能存在字符层，可以按页读取文字，但多栏排版、表格和浮动图片仍需要版面信息。扫描 PDF 看上去也是 PDF，页面内部却可能只有图像。PPT 不是一篇连续文章，一页中的标题、文本框、项目符号、…

#RAG#解析与入库#RAG 文档解析

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配正文：…，页面清清楚楚，文字、表格和印章都看得见。系统也显示文件上传完成。可程序读取页面时，只拿到几个页码或一段水印，正文几乎为空。后面的分块、向量化和入库没有明显报错，用户提问时却一直搜不到材料里的答案。问题不在大模型，也不一定在向量库。真正的原因是这份 PDF 没有可用字符层，页面本质上是一张张图片。于是面试官会继续问：你怎么判断一页 PDF 需要 OCR？识别完成后为什么不能直接把文字塞进向量库？遇到模糊页、表格页和失败页又怎样降级？如果回答只有“调用 OCR 接口提取…

#RAG#解析与入库#扫描 PDF RAG

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…【预处理/清洗】面向专业领域的 RAG,如何对原始文档做清洗和预处理以提升检索与生成质量? 较难 → 【策略对性能的影响】文本分块策略如何影响 RAG 系统的性能?常见分块方法及适用场景? 较难 → 【粒度与重叠】你是如何设计分块策略的?说明粒度选择、重叠处理以及向量库写入。中等 → 【上下文 vs 精度权衡】分块策略如何设计才能平衡上下文完整性与检索精度? 较难 → 【策略横向比较】 chunk 划分有哪些常见方法?固定长度 / 语义边界 / 滑动窗口等如何取舍?…

#RAG#检索#项目实战

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：处理复杂 PDF 时，常会遇到一类高风险结果：每个字都识别出来了，但阅读顺序和字段关系却是错的。解析任务显示成功，分块与向量化正常完成，用户也能搜到很多相似内容，但模型拿到的证据已经不是原文真正表达的意思。先看一个双栏理赔指南的例子。左栏写办理步骤，右栏写申请材料。如果解析器按照同一水平位置依次拼接，输出会变成一句步骤接一句材料。用户问“需要提交哪些材料”时，检索器看到的不是一个完整材料清单，而是一段步骤和材料交错的文本。面试官很可能追问： PDF 里的文字已经提取出来了…

#RAG#解析与入库#复杂 PDF 阅读顺序

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：…工程经验和现金流,最大的敌人是"我数学早忘光了,得先补一补"这种拖延。企业知识库 RAG 除了接口、数据管线、缓存和监控,还会涉及分块分布、检索指标、相似度、评估抽样与不确定性;后端经验不能替代这些新知识。别倒着来——不要先花两个月复习线性代数再开始项目,而是先开始项目,卡在哪个概念上再补哪个,补的都是当下用得着的,记得也牢。一个很常见但没用的做法:用"学数学"拖延做项目这是转行者里最典型、也最隐蔽的陷阱:花两个月啃一本《深度学习》(花书)、逐页推公式、把 B 站的数学系…

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…内部寻找仍然可解释的边界，例如按完整行组、业务分区或重复的小节拆分。每个子表至少需要继续携带四类信息：共同表头、原表 ID、当前分块顺序、原始页码或区域。若一行还依赖脚注、单位或备注，这些信息也要跟着相关子表，而不是只留在第一块。跨页判断还需要一条可回退的证据链。系统可以把“列位置接近、上页在页尾结束、下页从页首继续、表题一致”记录为合并信号，同时保留合并前的两个版面区域。自动合并置信不足时，不要把两页永久写成一张确定表，可以标记为待核验，或让两段保持独立并通过共同父表候…

#RAG#切分与索引#RAG 表格切分

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…本的前后关系也不能继续指向新版本。扩展前至少要检查几个边界：是否属于同一文档版本，是否仍在同一章节或父内容下，内容类型是否兼容，分块顺序是否连续。更复杂的父子切分也是同样道理。小块用于检索，命中后按 parent_id 返回更完整的语义单元。若父子关系没有在更新时一起维护，系统可能取回旧父块或错误章节。相邻扩展最容易越过哪些边界前后 ID 只是导航线索。扩展之前仍要核对版本、章节、父内容和类型，避免把另一个主题带进上下文。来源字段怎样贯穿整条链路？页码和坐标不能等…

#RAG#切分与索引#RAG Metadata

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…都停在 demo,面试哪个都讲不深;而面试是往深里追问的,深度比广度值钱。大模型这几个方向单独拉出来都能学很久:光 RAG 就有分块、embedding、检索、重排、查询理解、引用、评估一整条链;Agent 又有规划、工具、记忆、多步控制。你把七个方向平均分配时间,结果是每个都只摸到 API 调用那一层。面试官问"你 RAG 的召回率怎么评估、忠实度怎么保证、重排为什么选这个模型",你就答不下去了。反过来,选一条主线做深,你能在一个方向上讲清"我遇到什么问题、试了哪些方案…

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…程八章逐层加厚,每做完一层就往证据清单里补一项产物。刷对应真题:Agent 题库(154 题)按工具调用、记忆、失败恢复、评估分块刷,边刷边回填你项目里的追问稿。校准追问强度：用Agent 项目模拟面试练习记忆、工具与状态管理的连续追问，逐项准备自己的项目事实。收口成叙事:用三层追问模板把九项证据串成能过面的一段话,再按简历项目追问模板逐项自查证据缺口。如果你想有人带着把这条路径走完——项目陪跑、简历修改、模拟面试到答疑纠偏,训练营就是干这件事的,里面的项目会盯着你…

#RAG#检索与重排#Embedding 模型选型

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：…，却无法判断究竟是哪一步造成的。一套可复现的对比应先冻结其余链路。对 Embedding 候选，使用同一份原始文档、同一套解析和分块结果、同一批测试 Query、同一套正确证据标注，并保持索引类型和 Top-K 一致。对 Rerank 候选，则进一步冻结粗召回产生的候选集合，让每个模型对完全相同的 Query 与 Chunk 对打分。测试集不能只准备“答案原句就出现在文档里”的简单问题。至少要覆盖：用户口语与文档正式术语不同；中文和英文缩写混合；两个流程名称或产品名…

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…频率。 RAG 基础(当前站内 62 条内容):练习检索链路的取舍 RAG 是应用岗第一主战场,面试官不是要你背定义,而是看你对"分块、embedding、检索、拼 prompt"这条链路的每一环有没有做过取舍。维度内容面试官在验证什么你是否理解 RAG 每一环为什么这么设计、召回和忠实度怎么保证,而不是只会调库先看哪个 RAG 教程:为什么需要 → 架构 → 分块 → 检索一路做完代表题型 "为什么用 RAG 不直接微调""分块粒度怎么定""检索到无关内容怎么办…

大模型系统设计和编码环节怎么准备

匹配正文：…常规算法题,也可能是给你一小段工程化实现,比如手写一个简单的检索打分函数、实现一个带重试和超时的 API 调用、写个滑动窗口做文本分块、算两个向量的余弦相似度。后一种考的是"你平时是不是真在写这类代码",生疏不了。准备范围先由目标公司题型决定;没有证据时,可用基础算法和工程实现建立基线,再按反馈补缺;检索打分、重试封装、分块、相似度计算可作为工程练习;算法题的投入则按目标公司的实际题型调整。两类人怎么准备:研一/研二 vs 3 年 Java/后端学历或工作年限不能直接决…

转行大模型最常见的 12 个坑

匹配正文：…全景 8 把 RAG 当普通 CRUD 拼接觉得 RAG 就是"存向量、查向量、拼 prompt",套后端惯性搭一遍面试考的是分块、召回、重排、忠实度的取舍,不是接口拼装过一遍检索链路取舍,看怎么攒真项目经历里的 RAG 主线 9 demo 跑通就当项目写简历跟着教程复现一遍能跑,就直接写进简历当项目 demo 没有你自己的取舍和踩坑,一问设计原因和 badcase 就答不上把 demo 改造成有取舍有数据的项目,看怎么攒真项目经历 10 辞职 all-in、…

面试题·推理优化· 百度

视频生成加速有哪些方法?

匹配正文：…shAttention、算子融合、sequence parallel属于kernel与并行层。服务系统：批处理、offload、分块解码和多卡流水要用端到端延迟、吞吐、峰值显存与通信占比评估。 KV cache只在架构存在可安全复用的K/V时成立，不是视频时序建模的通用替代。任何“某模型用了MoE/滑窗/因果attention”的说法都要绑定准确版本和论文；若公开材料不支持，就不作断言。

#视频生成#扩散模型加速#时序建模优化

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…pt 包含当前任务状态、工具调用中间结果短期记忆（Short-term Memory）当前会话内的历史（数小时级）按对话轮次分块，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要…

#高德#Agent#向量检索

长文档 Chunking 怎么选?

匹配正文：…确率学习建议建议从基础切块方法（如固定长度、按段落）入手，理解其在专业文档中的局限；再学习语义切块等高级策略，结合实际案例练习分块设计。

#字节#RAG Chunking#长文档切分

文本块如何生成向量并构建可维护索引？

匹配题目：分块后的文本怎样转成向量并建立索引？嵌入模型、距离、Flat/HNSW/IVF/PQ 与向量服务应如何基于数据和约束选择？

#RAG#文本向量化#Embedding

RAG 数据处理与索引流程?

匹配正文：…、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 3. 分块（Chunking）——核心环节策略适用场景权衡固定长度（多组候选）结构较弱或需要快速建立基线的场景可能切断语义单元语义分块（Sentence-BERT断句）长文档计算开销大结构感知（按段落/标题）技术文档/论文依赖解析质量重叠策略：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否真的改善跨边界证据召回性能影…

#字节#文档处理#向量检索

Embedding+向量库怎么做语义匹配?

匹配正文：整体流程离线阶段文档解析 → 文本分块 → Embedding编码 → 向量入库 → 索引构建在线阶段用户Query → Embedding编码 → 向量相似检索 → Top-K召回 → （可选Rerank）→ 上下文组装关键技术点 1. 文本分块策略将固定长度、递归切分与语义分块作为候选，按段落或句子保留边界块大小权衡：太小丢失上下文，太大引入噪声将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：B…

#字节#文档处理#向量检索

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…两阶段检索：ANN 先取较大候选集，再用原始向量、cross-encoder 或任务分数精排，以较小在线成本恢复部分精度。表示与分块：选对 embedding、距离函数和归一化方式；文档分块应通过查询集验证边界与重叠。领域微调、多向量表示只有在评测改善时采用。工程维护：分片与副本、冷热分层、批量写入、删除墓碑与周期压缩、索引版本化和原子切换。高选择性过滤要评估 pre-filter 与 post-filter 的召回和延迟差异。量化节省多少内存取决于原始精度、码本和元数…

#百度#文档处理#RAG ANN 索引优化