匹配正文：答案要点数据构建：文档切分策略、元数据标注、负样本构造检索优化：混合检索、查询改写、Embedding微调后处理：重排序模型、上下文压缩、置信度过滤评估数据集：MS MARCO、Natural Questions、HotpotQA、自建业务数据集数据构建层面文档切分优化按语义边界切分（标题、段落），避免硬截断；重叠窗口保留上下文连贯性构建多级索引：摘要级 + 细节级，先粗筛再精确定位数据质量提升清洗低质量文档，添加领域-specific的元数据标签（时间、…

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调

RAG检索相关但生成差原因

匹配正文：答案要点区分"检索相关"与"对生成有用"的差异，识别信息过载/碎片化问题提示工程层面：重排序、上下文压缩、指令明确性上下文建模：长上下文窗口利用、多文档融合策略、噪声过滤模型微调：领域适配SFT、检索感知训练、负样本挖掘系统性思维：端到端优化而非单点修复核心诊断：检索≠可用检索相关但生成差，本质是检索结果与生成需求不对齐。常见原因：信息过载：Top-K过多导致噪声淹没信号，或关键信息被截断碎片化：多个文档各含部分答案，模型缺乏整合能力格式混乱：原始文档结构…

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

#上下文压缩#生成调优#RAG 生成优化

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：答案要点 RAG（检索增强生成）= 检索 + 生成：先从外部知识库里找到相关资料，再让大模型参考这些资料来回答问题大模型的知识“冻结”在训练完成那一刻，之后发生的新事情、企业内部的私有资料它都不知道遇到不知道的问题，模型倾向于一本正经地编造，这叫“幻觉”（Hallucination，指模型生成看似合理但不符合事实的内容） RAG 用“开卷考试”的方式补知识：不改模型本身，只在回答前把资料塞进上下文三大好处：知识可以随时更新、答案可以溯源、成本远低于重新训练模型核心概念…

#入门#基础概念#什么是RAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：答案要点 RAG基本原理（检索+生成两阶段流程）传统RAG的局限性（语义碎片化、缺乏全局关联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配正文：…要点传统RAG的局限性（语义孤立、全局信息缺失） GraphRAG的核心流程（索引阶段构建知识图谱+社区摘要，查询阶段利用图结构检索）社区发现算法在GraphRAG中的作用 GraphRAG相比传统RAG的三类优势（连接性、全局性、可解释性）实际落地时的权衡（成本、延迟、图谱质量）传统RAG的局限传统RAG将文档切分为独立文本块，通过向量相似度检索。问题在于：语义孤立——文本块间的关系丢失；全局信息缺失——无法回答"总结全书主题"这类跨文档问题。 GraphRAG的…

#字节#知识图谱#GraphRAG

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配正文：作用意图识别是可选的路由层，用于决定是否检索、访问哪个知识域、应用哪些元数据过滤、是否改写查询，以及选择问答、摘要、操作或拒答流程。简单单库 RAG 可以不单设该模块；多租户、多工具或多索引系统中，它能减少无关检索并执行路由策略。实现方式规则与结构化信号：关键词、实体、会话状态、产品入口，延迟低且可解释；监督分类器：BERT 等编码器输出意图与置信度，适合稳定且有标注的类别体系； LLM 结构化路由：用 schema 约束输出 intent、index、filters…

#b站#意图识别与检索路由#RAG 意图识别

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：一、架构设计差异维度传统"先检索后生成" RAG 流程关系流水线式分离：检索→拼接→生成，各模块独立优化端到端融合：检索作为可微分模块嵌入生成流程训练方式检索器固定或独立训练，生成模型无法反馈优化检索联合训练，生成loss可回传优化检索编码器知识存储检索结果作为硬提示（hard prompt）拼接检索向量通过注意力机制软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retri…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_sc…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…晰）查询重写/扩展 HyDE（Hypothetical Document Embedding）：让LLM先生成假设答案，用答案去检索而非原始问题 Query2Doc：类似思路，用少量生成内容扩展查询语义多查询扩展：一个query改写成多个不同表述，分别检索后合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融合专业术语、专有名词多的…

#字节#HyDE#RAG 检索质量

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配正文：核心思路：两条防线——净化输入 + 增强生成抗噪能力一、检索阶段：提升召回质量重排序（Rerank）：用Cross-Encoder替代Bi-Encoder做精排，过滤低相关性文档上下文压缩：用LLM或专用模型对长文档摘要，减少噪声信息占比多路召回融合：向量检索 + 关键词检索 + 图谱召回，取交集或加权融合降低单路噪声动态阈值：根据查询难度自适应调整top-k数量，难查询多召回、易查询严过滤二、生成阶段：增强鲁棒性置信度引导生成：让模型输出引用来源并给出相关性评…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配正文：问题成因分析核心矛盾：增量更新破坏了知识库的"语义一致性假设"——即检索时query与doc的embedding应来自同一分布。具体成因：模型版本漂移：新旧文档使用不同版本的embedding模型，向量空间不对齐时间衰减效应：领域知识演化导致相同词汇语义变化（如"新冠"在2019 vs 2023的含义）索引碎片化：局部更新导致向量空间密度不均，近邻搜索出现"断层" 缓解策略策略核心思路适用场景版本隔离新旧文档分索引存储，检索时多路召回+重排序融合模型升级…

#美团#增量更新检索偏差#RAG 知识库更新

面试题·RAG

RAG 检索准但回答差怎么调?

匹配正文：答案要点区分"检索准确"与"生成质量"的解耦问题识别上下文窗口、文档排序、信息冲突等中间环节瓶颈提出系统性的调优路径而非单点修复体现对RAG全流程的深入理解核心问题定位检索准确 ≠ 生成优质，瓶颈常在中间处理环节和生成阶段。主要原因分析 1. 上下文组织问题文档拼接顺序混乱，关键信息被淹没冗余内容过多，超出模型有效上下文窗口多文档间信息冲突未消解 2. 提示工程缺陷缺乏明确的指令引导模型如何利用检索内容未约束模型"优先基于文档回答，不确定则拒绝" 3.…

#上下文组织#生成质量调优#RAG 生成质量差

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：RAG 检索优化应按检索前、检索中和检索后三个阶段设计，并用独立评测判断每一步是否真的带来增益。 1. 检索前：查询理解与扩展查询改写：消除指代、纠错或补全约束，使 query 自包含。多查询/子问题分解：从不同表述或子任务召回候选，再去重融合。 HyDE：先生成假设文档表示再检索，适合原查询与目标文档表述差异较大的场景，但假设内容偏差也可能带来噪声。伪相关反馈：利用首轮结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 …

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：一、检索偏差的成因分析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀…

#小红书#美团#重排与优化

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…询理解与改写技术要点：Query扩展（同义词、HyDE生成假设文档）、意图识别、多轮对话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检索通用场景 RR融合或线性加…

#阿里云#重排与优化#向量检索

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：检索失败的核心原因语义层面查询与文档的语义空间不对齐：用户口语化表达 vs 文档正式表述多义词、歧义查询导致向量"撞车"（如"苹果"指水果还是公司）数据层面文档本身质量差：冗余、过时、包含矛盾信息分块策略不当：关键信息被截断或上下文丢失系统层面 Top-K阈值设置不合理，正确答案被挤出单一向量检索的召回率瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：RAG检索优化可以从检索前、检索中、检索后三个阶段系统提升：一、检索前：查询优化查询扩展：用LLM生成伪文档（HyDE）或扩展查询词，弥补用户query语义不完整的问题查询改写：识别用户真实意图，消解歧义（如"苹果"→区分水果/公司）多跳查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如…

#字节#混合检索#RAG 检索优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…需维护两套索引和模型，增加运维成本延迟叠加：两阶段串行，总延迟 = 召回延迟 + 重排延迟工业界典型配置 Query → 向量检索（HNSW索引，Top-1000）→ Cross-Encoder重排（Top-10）→ LLM生成若对延迟极敏感，也可用双塔模型做召回 + 轻量交互模型（如ColBERT）做重排，在效率和精度间再取平衡。

#字节#两阶段检索#RAG 重排序

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：答案要点区分密集检索与稀疏检索的适用场景说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval） …

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：答案要点能区分稠密检索与稀疏检索的适用场景理解混合检索的融合策略（如RRF）知道何时需要重排序（Cross-encoder）掌握查询改写/扩展技术（HyDE、多查询）能结合业务场景说明选型依据核心检索方法及选型 1. 向量检索（Dense Retrieval）技术：Embedding模型（BGE、M3E、OpenAI-ada）+ 向量库（Milvus/Faiss）场景：语义匹配、长文档理解、跨表述查询（如"苹果价格"→"iPhone多少钱"）考量：对短查询效…

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：答案要点分模块阐述数据预处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏…

#字节#领域RAG架构#RAG 系统架构