匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：答案要点数据收集策略与来源选择数据清洗与质量评估方法 Embedding模型选型与微调向量索引结构选择（HNSW/IVF）检索策略优化（重排序、混合检索）知识库更新与维护机制一、数据收集阶段来源分类结构化数据：数据库、API、Excel表格非结构化数据：PDF、Word、网页、聊天记录半结构化数据：Markdown、JSON、XML 关键原则优先收集高频查询场景的数据建立数据版本管理和溯源机制二、数据清洗与预处理核心步骤格式统一：PDF转文本（处…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：答案要点区分通用嵌入模型与专用嵌入模型的差异掌握主流模型的核心特点（如M3E、BGE、GTE、OpenAI等）理解模型选型需考虑的因素（语言支持、向量维度、上下文长度、推理成本）了解领域适配和微调策略能结合实际场景给出选型建议主流文本嵌入模型分类 1. 开源中文模型（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文…

← 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

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 字节

大模型输出JSON怎么保正确?

匹配正文：…程技巧（Few-shot示例、Schema描述、输出格式指令）后处理与验证机制（JSON修复、重试策略、Pydantic校验）模型选型与训练层面的优化（Code模型、SFT/RLHF针对性训练）实际落地中的组合策略和容错设计一、解码层：约束生成空间 JSON Mode 与 strict Structured Outputs JSON mode主要约束JSON语法，不保证指定字段、类型、必填项或枚举。所用模型/API支持且启用strict schema时，才约束支持的…

#字节#Agent#大模型 JSON 输出

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比微调…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late interaction、多向量索引提升细粒度匹配稀疏-稠密混合：BM25关键词 + Dense向量，互补长尾与语义匹配三、索引结构优化分层索引：先粗筛（聚类中心）再精排，降低高维检索复杂度图索引：结合知识图谱实体关系…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_search、n…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：答案要点文档预处理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…用场景首选查询改写 HyDE（生成假设文档）、Query Expansion Query与Doc语义Gap大 Embedding模型选型：MTEB榜单参考，领域适配可作为候选，但是否提升及幅度应在固定留出集和相同检索预算下实测，不承诺10–20%。 2. 向量数据库选择核心考量维度：索引算法：HNSW为图索引、IVF为聚类倒排索引；二者不是按内存/磁盘划分，是否压缩或落盘取决于具体变体与存储实现。量化压缩：FP32→FP16/INT8，平衡精度与内存过滤能力：把租户…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：答案要点文本预处理的关键步骤（清洗、分块、元数据保留） Embedding模型选型依据（领域适配、多语言、维度权衡）向量索引算法选择（HNSW、IVF、PQ的适用场景）存储方案设计（向量+标量混合存储、分片策略）查询优化手段（查询重写、重排序、缓存策略） 1. 文本预处理清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理元数据关联：保留原始I…

#高德#评估与监控#向量数据库构建

面试题·检索· 字节

召回模型怎么搭建?

匹配正文：…预训练（如BERT、CLIP），保持与User塔维度一致关键权衡：ID特征记忆性强但泛化差，需配合属性特征缓解长尾问题。 2. 模型选型基础版：MLP双塔，结构简单、推理快进阶版：User侧加Transformer建模行为序列，Item侧保持轻量（物料更新频繁，需快速推理）损失函数：Sampled Softmax或Cosine + Margin Loss，配合温度系数τ调节分布锐度 3. 负采样策略 1. Batch内负采样：实现简单，但分布有偏（热门item过度采样…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·项目与经历· OPPO

深度学习项目怎么介绍?

匹配口述回答：…回到原始证据，不会因为记错数字而把真实项目讲成不可核验的故事。声明只讲本人可核验项目交代背景、目标和本人职责用基线与约束解释模型选型讲完整数据、实验和部署链路用同口径结果与失败复盘收尾约4分钟项目介绍的核心不是技术名词数量，而是本人动作与同口径证据之间的可追溯关系。可继续追问数据泄漏检查、端侧 benchmark 口径，或某个失败方案为何被否决。

#项目经验#深度学习#模型架构

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配口述回答：…验证和熔断降级，这是让Agent能在生产环境跑起来的底线。一句话定位：Agent性能本质是推理效率与工具可靠性的平衡推理层面：模型选型与投机解码，小模型和大模型怎么搭工具层面：超时熔断、重试降级、结果验证，结合客服退款场景错误防控：自检与回滚机制，落地前提和常见翻车收尾：取舍判断，留可延伸点追问约4分钟 Self-RAG让模型自己判断是否需要检索，减少不必要的工具调用，但训练数据构造和模型推理能力是挑战。面试官可能会追问Self-RAG的具体实现方式、与ReAc…

#百度#Agent#Agent 性能优化

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配追问：…里文档数据怎么处理才能检索？……那原始文本读进来之后，分块你一般怎么分？……如果文档很长，比如法律条文，怎么保证语义连贯？……嵌入模型选型要考虑哪些因素？……最后存到向量库，索引结构你怎么选？直球架构讲一下RAG系统中从原始文本到向量数据库的完整数据流，包括文档解析、分块策略、嵌入模型选型以及向量索引结构设计，每一步的关键考量是什么？

#安克科技#评估与监控#RAG 文档向量化

面试题·检索· 字节

RAG 重排作用与实现

匹配追问：…个问题，你会怎么设计？直球架构 RAG的检索-生成流程中，为什么需要重排模块？它的核心作用有哪些？请列举常见的重排实现方式，比如模型选型和工程部署上的考虑。

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配口述回答：…边界信息、召回与成本。元数据一定要保留，比如文档来源、时间戳，后面过滤和溯源都用得上。然后是[[向量化]]。Embedding 模型选型要看领域，比如电商客服场景，用 BGE 或 M3E 就比通用英文模型好。[[向量数据库]]的话，我会关注索引算法，[[HNSW]] 在中等规模下表现稳定，但数据到千万级就得考虑 [[IVF]] 分区了。这里有个前提：向量检索只能做语义相似，没法做精确关键词匹配，所以单纯靠向量容易漏掉那些带特定订单号或错误码的查询。所以检索模块我一般走[[…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 美团

Embedding 模型结构选型

匹配口述回答：… 算法。比如 [[IVF-PQ]] 对高维向量做[[乘积量化]]，能大幅压缩索引，但精度损失明显。所以我会把 Embedding 模型选型看成系统组件的一部分，和索引、检索策略一起调优，而不是孤立看模型本身。总结一下，我更倾向于把 Embedding 模型看成整个检索系统的编码器，选型时优先考虑 768 维度的通用模型，再根据业务数据微调。如果延迟敏感就降到 384，精度要求高就试 1024 加 MRL。落地时一定跑通全链路测试，关注 Recall@K 和延迟的 trade…

#美团#向量检索#Embedding 模型结构选型