匹配口述回答：…补不回来。多租户系统尤其要说明权限过滤发生在召回前还是召回后：召回后再过滤可能造成候选不足，也可能让不应访问的文档进入缓存或日志。增量更新还要验证旧向量删除、索引切换和查询缓存是否使用同一文档版本。评测也要分层。召回阶段可以看 Recall@K，排序阶段根据单答案或多证据场景选择 MRR、NDCG，同时按专有名词、长问题、模糊问题等查询类型切片。线上还要记录引用正确性、无答案识别、P95 延迟、索引新鲜度和单次查询成本。只有指标定义、标注集和样本量都能解释，结果才可信。消…

#字节#混合检索#RAG 文档检索选型

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…，再针对性优化。比如发现很多case是分块不合理导致的，就回头调分块策略。另外，当知识库频繁更新时，比如电商每天上架新商品，传统RAG的索引重建成本很高。我倾向用增量更新加双缓冲索引，但一致性校验是个坑，比如旧索引里删了某条数据，新索引还没建好，查询时就会返回过时结果。这块我还在探索更稳定的方案。所以整体上，我更倾向把RAG看成一套持续迭代的系统，而不是一次搭完就完事。数据质量、检索策略、模型调优，每个环节都要根据业务反馈不断调整。一句话定位：RAG本质是查文档+读文档…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

…发布控制风险，再逐步优化实时性。一句话定位：本质是变更管理核心步骤：触发、抽取、验证、融合实时性一致性的取舍与工程策略联动RAG的注意事项落地风险与判断收尾约4分钟图谱更新与RAG的Chunk更新策略的联动，尤其是增量更新而非全量重建的挑战面试官可能会追问：具体怎么实现增量Chunk更新？或者问事件溯源在图谱更新中的适用性

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

匹配口述回答：

#字节#Agent#知识图谱动态更新

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配口述回答：…方向：当知识库频繁更新时，离线建库和在线检索之间的延迟怎么处理。比如电商大促期间，满减政策每小时变一次，如果重建整个索引成本太高，增量更新又可能影响召回一致性。这块我目前是先把新旧版本分层存储，查询时做版本合并，但实时性还是不够理想。所以整体上，我会把RAG看成一套需要根据场景动态调整的管线。比如客服场景，召回率比延迟更重要，我会用重排加多路召回；但如果是实时问答机器人，延迟敏感，我会牺牲一点召回率，只用向量检索加轻量级过滤。没有银弹，只有取舍。 RAG本质是给LLM配外挂…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配题目：在RAG系统中，您采用了哪些检索方法（如密集检索、稀疏检索等）？请说明选择这些方法的原因，并讨论可能的优化策略。

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配口述回答：…大幅降低延迟。监控看板我会盯着检索命中率、生成引用率和用户满意度三个指标，形成反馈闭环。其实还有一个延伸点：当知识库频繁更新时，增量更新和检索质量之间怎么平衡？比如新法出台，旧法废止，怎么保证检索实时性又不影响召回？这块我有些实践经验，可以详细展开。 RAG本质是知识边界问题数据预处理：分块策略和术语对齐检索优化：混合检索加重排生成优化：引用溯源和幻觉检测工程落地：离线在线分离和缓存约4分钟知识库频繁更新时，增量更新与检索质量的平衡问题。面试官可能会追问增量更…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：这道题问的是[[RAG]]的两阶段架构，说白了就是给大模型外挂一个知识库，让它在生成答案时能参考外部文档，而不是完全依赖自己的参数记忆。我把它拆成离线和在线两个阶段来讲。先说离线阶段，目标是把原始文档转成机器能快速检索的[[向量库]]。第一步是文档解析，处理PDF、Word、网页这些乱七八糟的格式，把文本抽出来。这一步看着简单，但PDF里经常有表格、图片、页眉页脚，处理不好就会带进很多噪声。第二步是[[分块]]，把长文档切成小块。这里有个核心矛盾：块太大，一个块里混了多个主…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…索加精排，对成本敏感的做冷热分层。关键是上线前一定要压测，用真实query回放，对比Recall@K和延迟，不达标就回滚。定位：RAG召回本质是精度、速度、成本的三角博弈检索效率：索引选择与量化压缩的工程权衡相关性：混合检索与两阶段精排的落地组合可扩展：增量更新与冷热分层的架构设计收尾：工程师的取舍判断与延伸点约4分钟增量更新中删除操作的坑：软删除加异步重建，避免图索引质量下降面试官可能会追问图索引动态维护的具体方法，或者一致性保证的细节

#阿里云#召回链路优化#RAG 召回优化

面试题·知识图谱· 高德

知识图谱实时性怎么保证?

匹配标题与标签：知识图谱实时性怎么保证? RAG+KG 智能体中数据新鲜度更新策略与增量同步知识图谱高德知识图谱实时性 RAG 知识图谱数据新鲜度增量更新高德

#高德#知识图谱实时性#RAG 知识图谱

面试题·评估· 字节

知识库更新策略怎么选?

匹配正文：答案要点区分全量重建与增量更新两种策略及适用场景说明近实时更新的技术方案（CDC、消息队列、定时任务）阐述一致性保障机制（双写、版本控制、事务）提及更新对检索质量的影响及重索引策略体现对实际工程权衡（成本、延迟、准确性）的理解知识库更新策略按更新粒度分类全量重建：定期（如每天/每周）重新拉取全部数据、重新分块、重新生成embedding 优点：数据一致性最好，可彻底清理脏数据缺点：成本高、耗时长，适合数据量小或低频变更场景增量更新：仅处理变更数据（新增、修…

#字节#评估与监控#RAG 知识库更新

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…训练联合编码器，将结构信息注入向量表示 4. 动态更新与一致性难点：商品信息实时变化，图更新导致推理结果波动解法：版本化存储+增量更新：Neo4j/TuGraph支持时间戳版本；关键路径预计算结果做缓存，非关键变更异步更新 5. 缺乏标准化评测难点：传统RAG的评测指标不适用，图路径的可解释性难以量化解法：自建人工评测集，关注：事实准确性、推理路径可解释性、答案完备性；线上AB测试核心看用户转化率而非离线指标一句话总结：GraphRAG的瓶颈不在技术炫技，而在工程化…

#淘天#知识图谱#评估与监控

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…fka → Flink特征工程 → 实时数据库（Redis/HBase）批量流（小时级）：Spark生成Embedding → 增量更新向量库（Milvus/Pinecone）关键设计：双版本向量库（蓝绿部署），更新时切流量，失败秒级回滚 3. 检索决策层混合检索：向量相似度 + 实时库过滤条件（时间窗口、地域）动态权重：根据漂移强度调节外接知识vs模型参数的权重（门控网络或规则）更新机制的三种模式场景机制延迟一致性高频低危（推荐文案）准实时增量索引 <…

#美团#分布漂移#外接数据库增强

面试题·RAG· OPPO

搜索排序权重怎么动态调?

匹配正文：…户留存设计延迟奖励归因（如7天转化归因到点击query） 2. 实时特征更新用户行为 → Flink实时流 → 特征拼接 → 增量更新权重 → 推送到排序服务 3. 稳定性保障滑动窗口平均：防止单条样本扰动 A/B测试桶：小流量验证新权重，全量前回滚机制权重裁剪：设置更新幅度上限 4. 冷启动处理新特征先用离线预训练权重，积累一定样本后切入在线学习工程权衡延迟 vs 时效性：流式更新（分钟级）通常足够，秒级需考虑一致性个性化层级：全局权重 → 用户群体权重 →…

#OPPO#用户反馈排序#搜索排序权重动态调整

面试题·RAG· 小红书

用户兴趣模型：数据与特征取舍

匹配正文：…图文多模态）预打标签，快速匹配潜在人群四、模型更新策略模块更新频率机制实时兴趣向量分钟级 Flink流式处理用户行为，增量更新Embedding 模型参数小时级/天级在线学习或日全量训练，A/B验证后上线特征体系周级基于特征重要性分析做增减稳定性保障影子流量验证新模型，KS检验分布漂移设置兴趣衰减因子（如7天无交互权重×0.5），防止僵尸兴趣五、评估与迭代离线：AUC、GAUC、多样性指标（ILS）线上：人均消费时长、互动率、留存 badca…

#小红书#用户兴趣建模#用户兴趣模型

面试题·RAG· OPPO

内容热门度怎么量化?

匹配正文：…Δt) + ΔH_new 适合实时流式更新，避免全量重算 3. 工程实践要点场景策略实时热榜滑动窗口（5min/1h）+ 增量更新稳定排序多日加权平均，降低波动冷启动内容质量分 + 作者历史热度兜底 4. 关键权衡时效性 vs 稳定性：突发热点 vs 经典内容全局热门 vs 圈层热门：需结合用户画像做分层防刷策略：异常检测 + 置信度加权，低置信度行为降权最终热门度通常作为排序特征之一，与相关性、个性化分数融合，而非单独决定排序。学习建议建议系统学…

#OPPO#热门度量化#搜索排序指标

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配正文：…d(vectors) # 批量添加 faiss.write_index(index, path) # 持久化 5. 索引更新策略增量更新：HNSW支持动态插入，但可能退化需定期重建双buffer切换：重建新索引期间读旧索引，完成后原子切换冷热分层：热数据HNSW全量，冷数据IVF_PQ压缩存储参考资料 Faiss官方索引结构与存储口径 Faiss官方index_factory与粗量化器 Faiss官方内积、余弦与L2关系

#拼多多#ANN索引构建#ANN 索引构建

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…务化、数据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的区别为什么说后端是转型最顺的一批人因为大模…

#求职#职业转型

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…不准、幻觉多不多、一次问答花多少钱、模型超时了返回什么"这些,才是面试官真正想听的。下面这张清单表以"设计一个企业知识库问答系统(RAG)"为主线,把该说清的步骤串起来。系统设计答题框架(以企业知识库问答为例) 步骤要说清什么常见失分点澄清需求与规模文档量级(几千还是几百万)、用户并发、更新频率、准确性要求、有没有权限隔离不问就动手,默认一个自己想当然的规模数据与索引文档怎么解析、按什么粒度切块、元数据怎么带、索引多久重建、增量更新怎么做只说"存进向量库",…

#求职#职业转型

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配正文：…bedding的多层次表示）检索架构设计（文件级→函数级→行级的分层索引）上下文压缩与智能截断策略代码执行沙箱与工具链集成增量更新与实时同步机制核心挑战代码库级Agent区别于通用RAG的关键：结构化语义强、依赖关系复杂、需要精确到符号级别。技术方案分层 1. 多粒度代码表征层级表示方式用途文件级代码摘要Embedding 粗筛相关模块函数/类级 AST + 签名Embedding 定位具体实现行/块级原始代码 + 行号索引精确定位Bug位置 …

#字节#Agent#Agent 代码库处理

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配正文：答案要点区分短期记忆与长期记忆的层级设计支持多维度检索的记忆存储结构增量更新与定期总结的更新策略记忆注入大模型的上下文管理机制解决记忆冲突与遗忘的优先级策略架构组成：三层记忆体系 1. 工作记忆（Working Memory）当前对话窗口的原始上下文直接送入大模型的标准输入 2. 短期记忆（Short-term Memory）最近N轮对话的完整记录按时间序列存储，支持快速回溯 3. 长期记忆（Long-term Memory）用户画像：偏好、习惯、人口属…

#字节#百度#Agent

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配口述回答：…精度损失可控。数据库选型上，[[FAISS]]是底层库，灵活但需要自己搭服务，适合有工程能力的团队。Milvus开源云原生，支持增量更新和标量过滤，适合企业级生产环境。Pinecone全托管，零运维但贵，适合MVP快速验证。Weaviate支持向量和[[BM25]]混合查询，适合需要关键词加语义联合召回的场景。结合[[RAG]]系统需求，我的选型决策框架是精度、延迟、成本三者的平衡。举个例子，客服退款场景，知识库是常见退款原因和解决方案，数据量几十万条，延迟要求毫秒级。我…

#字节#文档处理#向量检索

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配口述回答：…更新频率做冷热分层，热数据用小索引高频更新，冷数据用大索引低频重建，但具体阈值怎么定，得看业务容忍度。所以整体来看，我会把 [[RAG]] 向量检索看成一个系统工程，不是简单调个 API 就完事，更倾向于用开源组件自建，因为可定制性高，但前提是团队有运维能力。如果团队小、迭代快，全托管的 Pinecone 也是合理选择。本质是精度与成本的工程平衡嵌入模型选型：中文场景开源优先向量数据库：规模与延迟决定方案落地关键：混合检索与风险控制可延伸点：增量更新的常见坑约4…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配口述回答：…效果都会崩，所以一定要先做离线评测，用Recall@K和MRR指标卡一下。另一个是索引的实时更新，知识库频繁增删时，HNSW索引的增量更新容易导致召回率下降，我一般用软删除加定时重建的策略。还有一个方向，就是单向量检索有时候不够，比如用户问题里有否定词或条件限定，向量空间里可能区分不开。这时候可以用[[ColBERT]]这种交互式模型做后期交互，或者用[[Self-RAG]]让模型自己判断召回的内容是否相关。所以整体上，我会把语义匹配看成嵌入模型定上限，向量数据库保下限。…

#字节#文档处理#向量检索

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…en 社区检测，但这不是所有 GraphRAG 的必选定义。 LLM 抽取和摘要会传播错误，因此需要抽样审核、规则约束、来源追踪和增量更新策略。 2. 检索模式局部检索：从查询实体或命中节点扩展邻居、关系和关联文本，适合实体关系问题。全局检索：检索或聚合社区报告、主题摘要，适合数据集级主题与趋势问题。实际系统通常把图候选、原始文本和向量候选融合，再由重排或生成器使用；图路径只说明检索过程，不自动证明最终 claim。 3. 与向量检索的取舍向量检索结构简单、更新成本通…

#字节#GraphRAG 实现原理#知识图谱构建