匹配正文：…理能力单点匹配多跳关系推理、全局聚合上下文组织线性拼接结构化图遍历典型场景对比：问"公司A和公司B有什么关联？" 传统RAG：可能漏掉分散在多处的间接关系 GraphRAG：通过图遍历找到A→C→B的完整路径图结构数据的应用方法 1. 金融风控构建企业股权、担保、交易关系图识别隐性关联：多层股权穿透、担保圈 2. 医疗诊断症状-疾病-药物-禁忌的知识图谱支持"症状A+症状B→罕见病C"的推理 3. 供应链分析供应商-零部件-产品-客户的复杂网络评估单…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场景医疗诊断：症状→疾病→药物→禁忌的多跳约束法律分析：法条→案例→判决→适用条件的链条推理企业知识：组织架构、项目关联、决策影响的网络分析关键权…

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

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：核心差异传统RAG基于向量相似度，将知识压缩为稠密向量，擅长语义匹配但丢失显式关系；GraphRAG基于知识图谱，保留实体-关系-实体的结构化连接。更适合GraphRAG的场景场景原因复杂多跳问答如"某药物通过哪些靶点影响某疾病"，需跨文档追踪因果链关系密集型查询组织架构、供应链、社交网络等强关联场景可解释性要求高金融风控、医疗诊断需展示推理路径全局聚合分析如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接动态演化知识时序关系、版本变更等需显…

#腾讯#知识图谱#GraphRAG vs 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：… 实现方式： CLIP-based双塔：图像和文本共享嵌入空间，用FAISS/Pinecone构建多模态向量库多模态LLM + RAG：GPT-4V/InternVL等原生支持图像输入，检索阶段返回图像+文本混合上下文应用场景：电商客服：用户上传商品瑕疵图 → 检索相似案例图+解决方案文本医疗诊断：CT影像 + 病历文本联合检索，辅助报告生成工业质检：视频流关键帧检索，定位故障历史记录学习建议建议先掌握传统RAG和多模态基础概念，再结合论文与开源项目理解跨模态对…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…晚期融合：分别检索后加权融合 4. 适用场景文档智能：发票、合同、研报（ColPali优势）电商搜索：商品图+详情页联合检索医疗影像：影像+报告跨模态查询 5. 选型建议场景推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文本RAG 学习建议掌握多模态嵌入与对齐技术，理解RAG中模态融合机制，对比单流与多流架构差异。

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…入典型应用场景电商商品问答：用户上传商品图+提问，检索详情页图文信息研报/财报分析：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain、LlamaIndex，理解其与视觉语言模型的集成方式。

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：答案要点明确多模态RAG的定义（支持文本、图像、视频、音频等多模态输入和检索）技术挑战（跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模…

#阿里#多模态#Multi-modal RAG

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：… 知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频更新：新闻问答、产品信息、股价/天气等实时数据长尾知识密集：企业内部文档、专业手册（训练语料覆盖少）可解释性刚需：需给出参考来源的场景（客服溯源、学术辅助）纯LLM更合适的场景：通用创意写作、开放式闲聊（无…

#淘天#阿里#RAG 架构

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：… 三、效果优劣与核心挑战优势具体表现挑战典型场景生成准确性事实幻觉显著降低，可溯源检索噪声污染（错误文档误导生成）医疗/法律问答知识实时性知识库更新即时生效，无需重训模型检索延迟影响TTFT（首token时间）电商促销信息系统灵活性同一模型适配多领域，仅换知识库领域迁移时检索-生成对齐困难多租户SaaS 可解释性生成内容可关联溯源文档知识冲突时缺乏显式消解机制金融合规四、演进意义：从"记忆"到"查阅" RAG的核心范式跃迁在于知识存储位…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 二次生成怎么提升安全性?

匹配正文：…违禁品"），检索可能返回边缘知识机制：大模型基于安全对齐训练，识别检索内容的敏感属性，拒绝合成或输出安全提示抖音实例：直播话术RAG中，检索到历史违规案例后，模型生成"该表述存在违规风险，建议替换为..."而非直接复现 2. 事实一致性增强（输出侧校验）机制：利用模型推理能力交叉验证多源检索片段，识别矛盾信息实例：医疗问答RAG中，检索到A文档"药物X每日最大剂量200mg"、B文档"300mg"，模型可标注冲突并保守输出"建议遵医嘱，常见剂量范围为200-300mg…

#抖音#RAG输出安全#RAG 二次生成

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息覆盖全、推理深度强、可溯源 ❌ 成本高（token消耗大…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…势与权衡优势场景：知识库存在大量相似文档（如法律条款、产品手册） query表述模糊，需要深度理解意图对答案准确性要求极高（医疗、金融）关键权衡：候选集大小：通常取Top-K=20~100做重排，K太大延迟爆炸，太小可能漏掉优质doc 延迟优化：可用轻量交叉编码器（如MiniLM）、蒸馏模型，或GPU batch推理级联策略：多轮重排（粗排→精排→LLM pointwise打分）平衡效果与成本一句话总结重排是用计算换精度的关键设计，让RAG从"找得到"进化到"…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：… 典型应用场景企业知识库：对接内部文档，解决大模型无领域知识问题智能客服：实时检索最新产品信息，避免过时回答专业问答：法律/医疗领域，要求答案可溯源关键权衡：检索质量决定上限，需持续优化切分策略、Embedding质量和召回精度。学习建议建议先掌握大模型基础原理，再学习信息检索与向量数据库技术，结合开源项目如LangChain动手实践RAG流程，加深理解。

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：…）做重排，避免全库高成本计算用"便宜"的向量检索先剪枝，"昂贵"的精排做最终决策灵活性与可扩展性可针对业务场景微调（如法律/医疗领域的相关性定义）易于集成多特征（时效性、权威性、用户偏好）典型方案 Cross-Encoder：精度最高，计算开销大（BERT类模型） ColBERT：Late Interaction平衡效率与效果 LLM-as-Reranker：直接用大模型判断相关性（成本更高，用于关键场景）

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：… 数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档多、用户问题口语化 → 稠密向量为主专业领域（医疗/法律）→ 必须混合检索，稀疏兜底延迟与精度的权衡在线场景（<100ms）：HNSW索引 + 粗排截断Top-K 离线/准实时：可接受IVF-PQ的精度损失换内存成本约束向量维度、索引类型直接决定内存占用；百亿级需考虑分片+磁盘索引方案性能优化策略索引层量化压缩（PQ/SQ）：内存降80%，精度损失可控分层索引：高频走内存HNS…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：… 反馈闭环：用户标注"信息过时"后，触发该文档的优先级降级或更新典型场景金融/新闻：强依赖实时数据，需结合API实时拉取 + RAG历史背景医疗/法律：知识更新慢，侧重权威来源的版本控制学习建议建议系统学习该知识点

#字节#时间衰减检索#RAG 工作流程

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：这道题问的是[[RAG]]知识库构建，但我觉得面试官真正想听的是：你怎么在检索质量和工程成本之间做取舍。RAG本质上是个检索增强系统，知识库的质量直接决定了最终回答的上限，所以我会把整个流程拆成几个核心环节来讲，重点说每个环节的权衡和落地坑。先说文档预处理。这一步最容易被低估，但实际踩坑最多。比如PDF解析，用PyMuPDF或者MinerU能搞定大部分，但遇到扫描件就得走[[OCR]]，而OCR的错误率直接影响后面检索的准确性。我一般会保留文档的标题层级和表格结构，因为这对…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：这道题其实问的是[[RAG]]落地的核心工程问题，怎么把非结构化的文档和用户查询，转成计算机能高效检索的向量。说白了，这中间每一步都有取舍，不是一个模型一套流程走到底的。先说文本预处理。很多人觉得就是切切文档，但这里有个挺关键的边界：固定长度切分和语义切分的区别。固定切分简单，但照搬一个固定长度很容易把一句话或者一个逻辑断成两半，检索的时候召回的内容不完整。语义切分就好很多，比如按段落、按标题层级来分，甚至可以用LLM辅助判断自然断点。但语义切分也有代价，就是计算开销大，而…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·评估· 美团

RAG 指标权衡与阈值

匹配口述回答：这道题问的是[[RAG]]系统怎么评估，其实本质是在问：你怎么判断一个RAG系统好不好用，以及在不同业务场景下怎么取舍。因为RAG的流程分检索和生成两段，评估也得拆开看。先说检索质量。最基础的指标是 Recall@K，就是相关文档有没有被召回来。这个在知识库场景特别重要，比如企业内部的SOP文档，用户问一个合规问题，你得把相关条款全找出来，漏一条都麻烦。所以知识库我会优先保召回，哪怕多召回一些噪声，后面靠[[重排]]过滤。排序质量呢，用 NDCG 或者 MRR，就是看高相关…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：好，这道题其实是在问一件事：怎么让大模型在不知道答案的时候，能自己去查资料，然后给出靠谱的回答。[[RAG]]就是干这个的，它本质上不是让模型学会新知识，而是给它配一个外挂知识库。先说整体流程，我习惯把它拆成三段。第一段是索引，把知识文档切成小块，大概几百个token一段，然后用编码模型转成向量，存到[[向量数据库]]里。第二段是检索，用户问一个问题，同样用编码模型转成向量，去库里做近邻搜索，召回最相关的几段。第三段是生成，把问题和召回文档拼在一起，喂给大模型，让它基于这些…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…片段和问题拼成Prompt，喂给LLM生成答案。核心优势其实很实在。先说缓解幻觉，因为生成的内容有出处，可以溯源验证，这在金融、医疗这些合规要求高的场景特别重要。再一个是知识时效性，知识库一更新，答案就跟着变，不用重新训练模型，成本低得多。还有就是成本可控，比起全量微调，RAG几乎没什么训练开销，换知识库就行。但落地的时候坑也不少。最关键的瓶颈是检索质量。如果Embedding模型不准，或者Query和文档的语义对不上，召回的内容就是错的，那LLM再强也答不对。另一个是上…

#百度#评估与监控#RAG 架构

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配题目：在RAG系统中，选择文本向量编码模型时需要考虑哪些技术指标和性能因素？

#百度#评估与监控#向量检索

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

领域RAG应用链路怎么搭?

GraphRAG原理 vs 传统RAG 怎么选?

GraphRAG vs 传统 RAG 优势在哪?

GraphRAG适用场景 vs 传统RAG 有哪些?

多模态 RAG 与传统 RAG 差异在哪?

多模态 RAG 架构设计

多模态 RAG 实现方案

Multi-modal RAG 是什么?

RAG 核心架构与工作流程

RAG vs 传统检索生成怎么选?

RAG 二次生成怎么提升安全性?

Deep Research vs RAG 怎么选?

RAG 为什么需要 Re-ranking?

RAG 原理与核心架构

RAG 为什么需要 Rerank?

RAG检索方法如何优化？

RAG 工作流怎么应对时效衰减?

RAG知识库构建流程详解

RAG向量化流程：预处理到归一化

RAG 指标权衡与阈值

RAG编码模型评估指标与对比

RAG 架构怎么工作?

RAG 向量模型怎么选?

RAG 索引构建管线