匹配口述回答：这道题其实问的是在[[RAG]]系统里，怎么平衡检索粒度和语义完整性。说白了，你要找的信息有可能散落在文档的不同位置，切太碎可能让关键上下文断裂，切太大又可能把噪声带进来。我从最直接的方法说起吧。最粗暴的当然是固定长度[[切块]]，按token或者字符数硬切。这个方案的好处是简单、可预测，处理日志或者流式数据这种没有强语义结构的场景很合适。但它的致命伤是语义断裂，比如一个完整的段落被拦腰切断，重要的结论前半段在一个块，后半段在另一个块，检索时很容易丢信息。所以它的边界很清楚…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…容易被忽略的点：多向量表示。比如一个文档既存摘要向量又存详细内容向量，检索时先粗筛再细筛，效果会好很多。这其实涉及到检索策略的层次设计，有兴趣我们可以深入聊。所以整体上，我更倾向把RAG知识库构建看成一套系统工程，每个环节都有明确的边界和取舍。预处理决定下限，分块和Embedding决定上限，向量数据库和索引决定性能。没有银弹，只有针对场景做对权衡。定位RAG本质：检索增强不是万能药，重点在知识库质量和检索精度文档预处理：格式解析和清洗的坑，尤其OCR和表格分块策略：…

#美团#RAG 知识库构建#文档预处理

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

…什么天生缺陷？……比如它记不住最新信息、容易胡说八道……那你觉得怎么弥补这些短板？……如果让你把外部知识库和模型结合起来，你会怎么设计？直球架构请你解释一下RAG架构，具体来说它如何解决大模型知识静态、幻觉、难更新和可解释性差的问题？为什么在医疗、法律等场景中几乎必须用RAG？

← 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

匹配追问：

#科大讯飞#阿里#RAG 架构

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：…，把结果整合起来，再决定要不要继续深挖。整个过程可能涉及几十次甚至上百次检索，最后输出一份带引用的研究报告。所以边界就很清楚了：RAG适合那些答案就在某几段文档里的问题，比如企业内部知识库问答，客服机器人查退款政策，或者医疗法律条文查询。这些场景下，答案确定，文档覆盖全，一次检索就够了。而Deep Research更适合开放式的复杂问题，比如行业调研、竞品分析、学术研究，需要多源信息交叉验证，甚至需要推理和综合判断。我举个具体业务例子。假设一个电商客服场景，用户问“我买的…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…策略）典型应用场景企业知识库：对接内部文档，解决大模型无领域知识问题智能客服：实时检索最新产品信息，避免过时回答专业问答：法律/医疗领域，要求答案可溯源关键权衡：检索质量决定上限，需持续优化切分策略、Embedding质量和召回精度。学习建议建议先掌握大模型基础原理，再学习信息检索与向量数据库技术，结合开源项目如LangChain动手实践RAG流程，加深理解。

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG检索方法如何优化？

匹配追问：…发货了没”，你会怎么去检索知识库？是用关键词匹配订单号，还是用向量找类似对话？这两种方法各有什么利弊，实际你会选哪种？层层追问 RAG系统里你一般怎么找相关文档的？……那如果用户问的问题很口语化，比如“那个东西能不能退啊”，纯关键词可能匹配不上，你怎么办？……混合检索的话，你怎么融合两种结果？权重怎么定？直球架构说一下RAG系统中常用的检索方法，对比优缺点。然后结合一个具体场景，比如法律文档检索，你会怎么选技术方案？后续性能优化你从哪几个方面入手？

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配追问：…机保修多久？’系统要检索相关文档。你怎么把一份几十页的产品手册切成合适的片段，既保证不遗漏关键信息，又让检索又快又准？层层追问 RAG里文档分段你一般怎么处理？……如果直接用固定长度切，遇到句子被截断怎么办？……那你怎么设计重叠窗口来保留上下文？……再比如，分段颗粒度太细召回率高但可能信息不全，太粗又可能引入噪声，你怎么权衡？直球架构设计一个RAG文档分段模块，要求支持固定长度、语义和结构感知三种策略，并实现重叠处理。你如何设计接口、选择策略、配置重叠比例？另外，怎么在…

#小鹏#文本分块优化#RAG 文本分段

面试题·评估· 美团

RAG 指标权衡与阈值

匹配口述回答：…[[RAGAS]] 或者自研的NLI模型，做批量筛选，把明显有问题的case过滤掉；然后人工抽检那些关键case，比如涉及金额或者法律条款的。线上再跑AB测试，以用户满意度为最终北极星。还有一个延伸点：检索和生成之间的错误归因很难。有时候生成结果错了，你分不清是检索没找到正确文档，还是模型自己发挥了。所以我会在系统里埋点，把检索到的文档id和生成结果一起记录，方便事后拆解。这个归因问题，其实引向更细的trace分析，比如用 [[Self-RAG]] 让模型自己判断有没有参照…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…理想上下文，测试生成上限。如果上限还差，说明模型本身能力不够，需要微调；如果上限好，那优化提示和上下文工程空间还大。所以我会把[[RAG]]和微调看成互补，而不是二选一。比如企业SOP场景，文档更新频繁，RAG更灵活；但如果是垂直领域，比如法律合同，微调一个领域模型效果更好。真正落地常常是RAG加微调一起上。总结一下，遇到检索相关但生成差，我会先诊断是信息过载、碎片化还是歧义，然后从提示工程快速试，不行再动上下文建模和微调。关键是要有系统思维，不能单点修复。一句话点题：检…

#上下文压缩#生成调优#RAG 生成优化

面试题·RAG· 百度

RAG 索引构建管线

匹配追问：…去年的财报数据”，结果搜出来一堆无关片段。你觉得索引环节可能哪里出了问题？比如文档怎么分块、向量怎么存，才能既快又准？层层追问 RAG里检索这一步，你觉得哪些因素会影响效果？……比如文档切分不对会怎样？……那embedding模型呢？……还有索引结构，像FAISS，有没有什么技巧能让召回更精准？直球架构聊一下RAG索引环节的优化策略，从分块、embedding、索引结构到增量更新，你一般怎么设计才能平衡检索效率和准确性？具体说几个你常用的方法。

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…标好看了，但线上用户满意度不一定高，因为用户不关心你召回率多高，他只关心答案有没有用。这个评估到线上怎么对齐，我觉得挺值得聊的。 RAG本质是检索+生成，核心在检索质量检索延迟瓶颈：索引选型与缓存兜底相关性瓶颈：混合检索与查询改写生成噪声瓶颈：重排与上下文压缩系统权衡：准确率优先还是延迟优先约4分钟 RAG的离线评估指标如RAGAS在线上落地时存在对齐问题面试官可能会追问离线指标和线上用户满意度不一致时怎么处理，或者如何设计线上A/B实验来评估RAG效果。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配追问：场景切入假设你做一个客服知识库，用户问“怎么退货”，系统得从海量文档里找相关步骤。这个从查文档到生成答案的流程，你怎么设计？关键组件和顺序是什么？层层追问你想给大模型外挂知识库，一般流程是怎样的？……那文档怎么切分成块？……检索完怎么把内容和用户问题拼起来喂给大模型？……如果检索结果不相关，有什么优化手段？直球架构讲一下 RAG 的完整实现方案，从离线索引构建到在线查询生成，包括文档切分、向量化、检索策略、重排序、以及提示拼接这几个环节，你是怎么设计和落地的？

#字节#RAG系统实现#RAG 实现

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配追问：…忌’，病历里可能包含一整段医嘱。你怎么把几页的病历切成小块，既保证检索时能找到，又不会丢失‘禁忌’和‘用药’的关联？层层追问做RAG时文档切块你会怎么切？……如果文档是法律条文，有编章节条款，直接按固定长度切好不好？……那对于医学指南，里面有很多术语和逻辑链条，你用什么策略来保留语义完整？直球架构设计一个面向专业领域的RAG系统的文本切块模块，要系统性地列出常见策略，分析它们的原理、优缺点，并针对医学和法律场景说明你推荐哪种切法以及为什么。

#字节#RAG Chunking#长文档切分

面试题·RAG· OPPO

搜索排序中时效性特征量化方法

匹配正文：核心设计思路时效性特征设计要解决两个关键问题：内容有多新（绝对时效性）和用户有多在意新（相对时效性）。常用量化方法 1. 绝对时效性特征方法公式/说明适用场景时间差 now - publish_time 基础特征，需配合归一化指数衰减 score = e^(-λ·Δt) 新闻、热点，衰减快 Sigmoid衰减 score = 1/(1+e^(k(Δt-t₀))) 有一定保鲜期的内容（如评测）周期性特征提取小时、星期、是否节假日捕捉周期性用户行为 2. 相对…

#OPPO#时间衰减#时效性特征设计

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配题目：在构建基于RAG的系统时，分块（Chunking）策略应如何设计以平衡文本的上下文完整性与信息检索的精确性？有哪些常用的最佳实践？

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…置过滤与引导敏感Query识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配追问：场景切入假设我们做一个企业知识库问答系统，用户问‘A部门去年为什么亏损，和B部门的合作有没有关系？’，传统RAG可能把几篇文档拼一起但说不清因果。你遇到这种复杂查询会怎么设计？层层追问 RAG你做过吧？……那如果查询涉及多个实体之间的关联推理呢？……比如问‘张三和李四共同投资了哪些公司，这些公司最近有没有法律纠纷？’……传统向量检索能搞定吗？……那你觉得怎么改进？直球架构对比传统RAG，GraphRAG多了图结构。请你从图构建、实体关系抽取、检索机制到答案生成，完整讲…

#字节#知识图谱#GraphRAG 实现

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配口述回答：…效果、成本和工程复杂度。我先给个框架：选型完全取决于场景，不同场景对向量质量的要求差别很大。先说场景。如果是做语义检索，比如[[RAG]]里的召回，那肯定优先选专门优化过句子相似度的模型，像BGE、M3E这种，它们用对比学习训练出来的向量，余弦相似度能很好反映语义相关性。但如果你只是做文本分类或聚类，通用BERT就够用了，甚至可以用更轻量的模型，没必要上大模型。具体说一下核心参数。维度是个典型trade-off：768维或者1024维效果确实好，但存储和检索成本会翻倍；如…

#百度#向量检索#Embedding 模型选型

面试题·模型微调· 百度

Prompt Engineering 关键原则有哪些?

匹配口述回答：…常用的技巧是角色设定。比如让模型扮演一个资深客服专家，它的回答风格和知识调用方式都会变。这个适合需要特定语气或领域知识的场景，比如法律咨询，角色设定能降低模型泛泛而谈的概率。说到真实业务场景，我举个例子：电商平台的客服退款政策问答。用户问'我买的鞋子有点开胶，能退吗'，直接答可能给出错误政策。我一般这么设计Prompt：先设角色，'你是电商平台资深售后专家'，再给少样本，给两三个退款成功和拒绝的案例，最后加一句思维链，'请先判断是否在质保期内，再根据开胶程度给出建议'。这样…

#百度#模型微调#Prompt工程

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配追问：…过知识库问答系统。假设用户问订单状态，检索出的文档却把已发货和已签收搞混了，模型直接照搬错误的上下文回复，你怎么兜底？层层追问 RAG里模型完全依赖检索到的上下文对吧？……如果上下文本身就有错，比如时效性过期或者相互矛盾，你有什么办法让模型不盲从？……再进一步，怎么设计一套机制能自动识别并处理这种错误信息？直球架构在RAG系统中，针对检索到的上下文可能包含错误或不准确信息的情况，请设计一套确保模型输出准确性的策略，包括检测、验证、校准和兜底等环节。

#字节#错误上下文处理#RAG 上下文错误

面试题·Agent· 百度

Reflection vs Memory 怎么分工?

匹配口述回答：…忆池，处理退款的那个Agent可以学到另一个Agent处理物流投诉时用的安抚话术。记忆的实现方式，我倾向用[[向量数据库]]加[[RAG]]，这样检索效率高，而且可以按权限做隔离，比如某些敏感信息只对特定角色开放。这两个机制怎么协同提升协作效能呢？你可以理解成一个正向飞轮。智能体A在反思中发现自己的分类策略有问题，它把这个经验写进共享记忆；智能体B在下次任务中检索到这条经验，直接复用，避免了同样的错误；B执行质量高了，它的反思又能产出更高质量的经验。这样就打破了单点智能的瓶…

#百度#Agent#多智能体系统

面试题·评估· 字节

多Agent冲突怎么检测与缓解?

匹配口述回答：…功能降级，暂时关闭自动调价，保证基础下单可用。说到这，有个延伸点：如果agent的决策不是简单的数值，而是复杂的长文本推理，比如法律合同条款冲突，那检测和仲裁会更依赖语义理解，这时候可能得引入[[ReAct]]或者[[Self-RAG]]让agent自己反思修正。所以整体上，我会把多agent冲突管理看成一套分层兜底方案：检测层抓信号，缓解层选策略，架构层做隔离和协调。我更倾向在架构层面就预设好冲突升级路径，而不是出了问题再临时想怎么仲裁。一句话定位：多agent冲突本…

#字节#评估与监控#Agent

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配口述回答：…和精排之间的信息损失。比如你召回 Top 100 文档，精排只取 Top 5，那剩下的 95 条里可能藏着正确答案。上线时我会特别设计一个回退机制，如果精排后的 Top 1 文档得分低于某个阈值，就额外补充几条召回结果，避免漏掉关键信息。所以整体上，我会把两阶段看成“保底方案”，端到端看成“加速手段”。两者不是二选一，而是根据场景、成本、质量要求动态组合。如果面试官感兴趣，我可以展开讲讲怎么用 [[Self-RAG]] 让模型自己判断是否需要检索，实现更细粒度的混合。本质…

#字节#两阶段检索与端到端生成#两阶段检索