搜索大模型内容 · 第 2 页

面试题RAG

RAG 检索准但回答差怎么调?

匹配口述回答：…那样容易盲目。所以我的整体判断是：检索准只是起点，真正的工程挑战在怎么把检索到的信息组织成模型能理解的输入。我更倾向于先花精力在数据清洗和上下文组织上，再考虑模型和架构升级。一句话定位：检索准不等于生成好，问题在中间环节举例：客服退款场景，文档顺序和冗余导致回答差原因拆解：上下文组织、提示设计、模型能力调优路径：检索后处理、提示优化、模型调整、架构升级落地前提与风险：先人工检查prompt，再逐步叠加约4分钟文档本身的质量（过时、矛盾、粒度不对）是容易被忽略的…

#上下文组织#生成质量调优#RAG 生成质量差

面试题检索· 京东

RAG 怎么解决大模型幻觉?

匹配口述回答：…倾向把它当兜底方案约4分钟 RAG的效果上限取决于检索质量，下限取决于知识库本身的质量面试官可能会追问知识库质量如何保障，比如数据清洗、版本管理、一致性校验等

#京东#幻觉抑制#RAG 技术原理

面试题检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…编码成稠密向量。这里有个前提：如果领域很特殊，比如金融合同或者医疗病历，通用模型可能有分布偏移，先建立领域评估集，再比较直接使用、数据清洗、微调等候选，不能预设必须微调。切块也不是一刀切，固定长度适合通用场景，但要是文档结构性强，像操作手册或者法律条款，我会优先用语义切分，按段落或者标题来，避免把完整的概念切碎。向量存进[[向量数据库]]，比如[[Faiss]]或者Milvus。索引我一般选[[HNSW]]，图结构，查询快、精度高，支持增量添加；删除/修改能力取决于实现，例…