匹配口述回答：…。在工程落地上，我会先保证检索的召回和排序不出大问题，再优化生成侧的Prompt和模型选择。一句话定位：RAG本质是让LLM带个外部知识库，解决事实更新与幻觉问题离线构建：文档解析、分块、向量化、存库，重点说分块策略和边界在线流程：查询改写、多路检索、重排序、组装上下文给LLM 落地风险与优化：混合检索、缓存、动态分块，以及常见失败场景收尾：个人取舍和延伸可延伸点约4分钟动态分块：根据问题粒度调整chunk大小，宏观问题用大块，具体问题用小块面试官可能会追问动态…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…滤、召回、排序或生成。索引和模型更新走灰度，异常时回退整套兼容版本，而不是只换回其中一个组件。 RAG本质是给大模型配一个可检索的外部知识库检索器设计：混合检索解决不同场景匹配问题知识库构建：分层和清洗确保数据质量生成集成：引用溯源和拒答机制控制幻觉落地权衡：延迟、效果与常见失败场景约90秒 Agentic RAG引入主动决策，模型自己判断何时检索，效果更好但延迟增加。面试官可能会追问Agentic RAG的具体实现方式，比如如何让模型决定检索时机，以及延迟如何优…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 检索器与生成器如何协同？

这道题其实是在问，怎么让大模型不靠训练数据里的记忆，而是实时从外部知识库里查东西来回答问题。说白了，就是给模型配一个外挂知识库。整体流程分两步走，先离线建索引，再在线跑检索加生成。先说离线索引。原始文档不能直接喂给模型，得先[[切块]]。切多大？我一般控制在256到512个token，太小上下文不够，太大噪声多。然后用 [[Embedding]] 模型转成稠密向量，存到 [[Vector Database]] 里，常用 [[Faiss]] 或 Milvus，建 [[HNSW…

← 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

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：

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：这道题其实是在问，当大模型的知识储备不够用或者太旧的时候，我们怎么给它外挂一个知识库。说白了，[[RAG]] 的检索模块就是那个从外部知识库里捞相关信息的管道。先看输入输出。输入是用户的 query，但注意，这个 query 可能会被改写或扩展，比如拆成子问题、加上历史上下文。输出呢，是 top-K 个文档片段，每个片段带着 doc_id、文本和相似度分数。这个分数很关键，后面生成模块会用。检索本身分两大流派。先说[[稀疏检索]]，典型的就是 [[BM25]] 或者 [[…

#字节#Retriever#RAG Retriever

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配口述回答：…其实是在问，怎么让大模型在回答时既能拿到外部知识，又能保证拿到的知识是最新的。[[RAG]] 的核心就是给 LLM 配一个可检索的外部知识库，而不是靠它自己的参数硬记。我先说完整流程，分三个阶段。索引阶段，离线把文档切成块，chunk 大小我一般控制在 256 到 512 tokens，太短缺上下文，太长噪声多。然后拿 [[Embedding]] 模型转成向量，同时把时间戳、来源、类别这些元数据也存下来。最后写入 [[Vector Database]]，比如 Milvus …

#字节#向量库时效性#RAG 工作流程