匹配口述回答：…法是给它显式证据，每个生成步骤都有检索片段做参考，相当于旁边放着参考答案。模型看到文档里明确写了什么，就不太会跑偏。而且知识库可以实时更新，比如电商平台的售后政策变了，不用重新训练模型，更新文档就行。但这里有个前提：检索质量必须够高。如果召回来的文档不相关，反而会误导模型，产生更严重的幻觉。所以上线我会特别关注召回率和相关性，常用[[Hybrid Search]]，就是关键词加向量两条路一起走，再配合[[Rerank]]筛一遍。再一个，提升事实准确性。RAG的生成结果可以追…

#淘天#事实准确性#RAG 减少幻觉

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配口述回答：…而且更新一次成本太高。所以引入[[RAG]]，就是把知识外挂到可动态更新的检索库，让模型在生成时实时查资料，说白了就是给模型配了个实时更新的外脑。但落地的时候，边界很重要。RAG和[[SFT]]不是谁替代谁，而是各有各的适用场景。SFT负责训练语言能力和基础推理，比如让模型学会怎么组织句子、怎么多步推理，这些是RAG给不了的。而RAG负责动态知识注入，比如新闻、股价、政策这类实时变化的信息。真正上线的时候，通常都是两者一起上，模型先靠SFT打好底子，遇到需要最新知识的提问，…

#美团#RAG vs SFT#RAG

面试题·知识图谱· 高德

知识图谱更新：增量 vs 流式

…子，在LBS场景里，一家商场临时闭店，如果是POI属性变更，走小时级批处理就够了；但如果是道路封闭影响实时导航路径，那必须走CDC实时更新。再一个就是流式处理架构。我一般会用Kafka接数据，Flink做窗口聚合和冲突检测，最后写图库。这里有个坑：Flink的状态后端一定要用RocksDB，不然数据量一上来很容易OOM。按实体ID做KeyedProcessFunction分区，保证单个实体的更新有序。乱序处理也很关键，水位线加允许延迟，超过阈值的进侧输出流人工处理。还有就是…

← 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：

#高德#知识图谱#知识图谱更新机制

面试题·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配追问：场景切入假设你在做一个电商客服系统，每天有大量新订单和用户提问涌入。知识图谱需要实时更新商品和用户信息，但全量重建太慢。你会怎么设计图结构的增量更新，保证新数据能及时反映到回复质量上？层层追问 GraphRAG在数据持续更新时，你怎么维护知识图谱？……如果只更新新文档对应的子图，全局的社区摘要会过时，怎么办？……那合并实体或删除关系时，怎么避免影响历史查询？直球架构设计一个GraphRAG的增量更新方案，要求处理新增实体/关系、实体合并、关系修正等场景，并保证查询的时…

#淘天#GraphRAG 增量更新#动态知识图谱

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配口述回答：…时走分布式事务，比如Saga模式，失败能回滚。而对于非关键信息，比如商品描述，可以接受秒级延迟，用Kafka加Flink流处理，近实时更新。准确性方面，除了刚才说的规则加模型打分，我还会加灰度发布。比如新图谱先切5%流量，跑一段时间看召回率和用户反馈，没问题再全量。异常自动回滚，这比事后修复成本低得多。再一个，和RAG的联动。图谱更新后，向量索引不能阻塞等待，得异步刷新。查询时走双路召回，向量相似度加图谱结构化检索，结果融合排序。这里有个细节：图谱更新后，向量索引可能还没…

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…RAG看作传统RAG的替代，而是看成一个互补工具。它特别适合研报分析、医学文献综述这种需要全局视角的场景，但对延迟敏感、或者知识库实时更新的场景就不太合适。我更倾向于把它定位成“复杂分析场景的深度检索层”，和轻量级的传统RAG一起，构成一个分层检索体系。一句话定位：GraphRAG本质是解决跨文档综合推理问题知识组织方式对比：从切片向量到实体关系社区检索机制差异：局部相似 vs 全局语义+多跳推理真实业务场景：企业合规文档全局查询落地风险与前提：构建成本高、适合静态…

#美团#GraphRAG#传统 RAG 对比

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配口述回答：…怎么合并？我倾向用加权求和或级联，先向量粗筛再用 BM25 精调。另一个风险是索引更新延迟：知识库文档有新增或修改，向量索引不能实时更新，如果用户刚上传了新政策，但索引还是旧的，召回就会漏。我会用双索引机制，base 索引定期重建，delta 索引增量插入，查询时合并，再用版本号做一致性校验。还有一个延伸点值得注意：现在有些方案尝试用 [[ColBERT]] 这种延迟交互模型，在召回阶段做 token 级相似度，效果接近 Cross-Encoder 但速度快很多。不过它的…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配追问：…的准确性？会不会想到用外挂数据库来辅助？层层追问线上业务数据变化快，模型知识跟不上，你一般怎么处理？……如果用RAG，索引怎么实时更新？……那检索结果怎么让模型感知到时效性？……你觉得外挂数据库结合大模型，相比直接微调有什么好处？直球架构面对线上数据分布快速变化，怎么设计一个外挂数据库+大模型的方案来提升准确性？说清楚数据写入、检索、融合、反馈这几个环节的关键设计，以及相比静态RAG的优势。

#美团#外挂数据库增强#外挂数据库

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：…知识库频繁变动时，重排模型是否需要在线微调？面试官可能会追问增量学习方案、ColBERT与Cross-Encoder的对比，或者实时更新重排模型的具体工程实现。

#字节#Rerank模型#RAG Rerank

面试题·检索· 百度

RAG 工作原理与核心组件

匹配追问：场景切入假设现在你要给电商客服做个智能问答系统，用户问题千奇百怪，比如查订单、问退货政策，而且知识库实时更新。你打算怎么让大模型准确基于最新知识回答，而不是瞎编？层层追问大模型有幻觉、知识也滞后，你一般怎么解决？……如果靠外挂知识库，那你怎么把问题和知识库里的文档匹配上？……匹配到的片段怎么组织给模型？整个流程有哪些关键环节？直球架构请从系统架构角度讲一下RAG的工作原理，包括离线索引、在线检索和生成三个阶段，核心组件有哪些？比如向量数据库、Embedding模型怎…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…用[[OCR]]加版面分析。再说向量数据库。选型时我主要看召回延迟和精度。小项目用[[Faiss]]就够了，但数据量上千万、要求实时更新，就得用Milvus或者Pinecone。这里有个前提：如果业务场景是精确匹配，比如查订单号或错误码，那向量检索不如关键词搜索[[BM25]]，所以生产上我一般搞[[混合检索]]，向量和关键词两条路一起走，再用[[Rerank]]精排。说到Rerank，这是提升质量的关键。向量检索是粗筛，召回几百条，但很多不相关，这时候用[[Cross-…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配追问：…系统的召回你怎么做的？……如果召回结果不准，你能想到哪些方向改进？……进一步，数据量涨到千万级，检索延迟怎么控制？还有增量数据怎么实时更新？直球架构设计一个RAG召回系统，要优化检索效率、相关性、可扩展性。从索引结构、多路召回、精排到工程架构，你会怎么选型和组合？关键权衡在哪？

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

召回模型怎么搭建?

匹配口述回答：…s]]或Milvus索引，然后推送到KV或Redis；User向量则在线实时推理。索引还可以按类目或热度分片，降低检索空间。说到实时更新，其实还有一个更隐蔽的问题：当物料频繁新增或修改时，索引的一致性和检索质量怎么保证？比如删除操作，如果原地动图索引，召回质量很容易崩。我一般会把删除标记为软删除，后台异步重建索引，再配合双缓冲影子索引做原子切换，上线前用固定query回放对比Recall@K和延迟，不通过就回滚。所以整体来看，我会把召回模型看成是一个系统工程，离线、在线、…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…和召回率波动，如果发现某个分片召回率突然下降，大概率是数据更新导致索引不一致，需要回滚或者重建。还有一个方向值得深入：当业务需要实时更新知识库时，比如订单状态变化，增量索引和缓存失效策略怎么配合才能保证数据一致性？这个在电商客服场景特别常见。所以我会把检索优化看成一套组合拳，没有银弹，核心是根据业务场景在精度、延迟、成本之间做取舍，上线后持续监控和调优。一句话定位：检索性能优化本质是精度、延迟、成本的三角权衡索引层选型：HNSW vs IVF-PQ，按规模和数据分布定…

#字节#检索性能优化#向量检索性能优化