匹配正文：核心差异：专业领域RAG vs 通用RAG 维度通用RAG 医疗/法律领域RAG 准确性可接受一定幻觉零容忍，需精确溯源合规性弱约束强监管，需审计留痕知识更新低频指南/法条频繁修订权威性多源融合需区分证据等级/法律效力数据处理与索引流程设计 1. 数据采集层白名单机制：仅接入权威源（临床指南、裁判文书网、药典等）多模态处理：扫描件→OCR→版式还原→表格/图表结构化提取 2. 清洗与结构化原始文档 → 文档类型识别 → 章节语义拆分 → 实体标…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：Cross-encoder（如bge-reranker）精排，领域数据微调；法律场景加入引用频率和时效性作为手工特征查…

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

#字节#重排与优化#RAG 链路优化

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：…oken返回后chunk输出，降低用户感知延迟并行化：检索与LLM调用解耦，工具调用异步化正确率优化混合检索：向量+关键词+知识图谱多路召回，RRF融合查询改写：HyDE生成伪答案再检索，解决query-doc语义gap 重排序精排：Cross-encoder细粒度打分，过滤低质结果 Self-RAG：生成时主动判断是否需要补充检索，避免过度检索 Agent层优化规划阶段用轻量模型，执行阶段再用大模型工具结果结构化缓存，相同参数直接复用

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…稠密+稀疏融合兼顾语义与精准系统复杂，融合策略需调优通用生产环境首选图检索实体关系遍历多跳推理强构建成本高，延迟大知识图谱场景技术选型考量数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档多、用户问题口语化 → 稠密向量为主专业领域（医疗/法律）→ 必须混合检索，稀疏兜底延迟与精度的权衡在线场景（<100ms）：HNSW索引 + 粗排截断Top-K 离线/准实时：可接受IVF-PQ的精度损失换内存成本约束向量维度、索…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…明查询改写扩展同义词、纠错、指代消解（如"它"→具体实体）多路检索向量检索（语义匹配）+ 关键词检索（精确匹配）+ 可能的知识图谱召回重排序（Rerank）用Cross-Encoder（如BGE-Reranker）精排Top-K，提升相关性上下文组装按相关性排序拼接chunk，控制总长度（通常占LLM上下文30%-50%） LLM生成构造Prompt："基于以下信息回答问题：[context]\n问题：[query]" 四、关键优化点混合检索：稠密向量+稀…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…嵌入）、Query2Doc扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配追问：…一堆法条和判例里捞内容。第一个环节就是数据预处理，那些PDF判决书、带修订的法律条文，你是怎么把它变成能用检索的东西？层层追问 RAG系统的关键是检索质量。你一般怎么保证召回来的文档是相关的？……如果用户问‘工伤认定’，数据库里既有‘工伤保险条例’又有‘职业病防治法’，你怎么让最准的那个排前面？……再具体点，光靠向量检索不够吧？结合关键词或者知识图谱怎么做？直球架构设计一个医疗领域的RAG系统，数据预处理、检索优化、生成优化三个环节你分别怎么实现？重点说检索优化里的混合…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：… Embedding与召回领域数据务必微调embedding，通用模型域外效果差多路召回：向量检索 + 关键词（BM25）+ 知识图谱重排序（Rerank）是性价比最高的优化，Cross-Encoder比Bi-Encoder准但慢常见陷阱只测Top-1命中率，忽略MRR和召回率向量维度高≠效果好，768/1024够用，关注训练数据质量二、上下文处理窗口管理检索结果去重：MMR算法或语义去重避免重复段落相关性过滤：设阈值剔除低分chunk，宁可少也不要噪声 …

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：这道题其实是在问，怎么让[[RAG]]系统从知识库里精准捞出有用的信息，本质是个匹配问题。我主要从评估、检索模型、[[重排]]和数据质量几个角度来说。先说评估。检索阶段和生成阶段的关注点不一样，检索阶段我只看召回率，就是正确答案在不在TopK里，用 Recall@K 来衡量。如果场景对顺序敏感，比如客服系统里必须把最相关的退款政策排第一，那我还会看 MRR，也就是第一个正确答案的排名。但端到端评估像[[RAGAS]]那种，是测最终答案好不好，这跟检索评估是两码事，我一般分开…

#360#召回质量评估#RAG 召回优化

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配口述回答：这道题其实是在问，当检索这个环节失灵了，系统怎么还能给出一个靠谱的答案。本质上是[[RAG]]系统的边界问题，就是知识库覆盖不到、或者检索质量差的时候，怎么保证不崩。先说清楚，检索失败不只是没结果。我一般会先区分两种：一种是零结果，[[向量库]]什么都没返回，这可能是[[embedding]]或者索引有问题；另一种是低质量结果，有东西但相似度不够，或者Top-K之间得分差距太大，这种其实更常见更麻烦。对零结果，我第一反应不是直接放弃，而是查一下是不是Query本身有问题。…

#百度#小鹏#美团

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：这道题问的是，当[[RAG]]系统召回了一堆乱七八糟的东西，怎么保证生成质量不掉。说白了就是两条防线，一条是检索阶段把输入搞干净，另一条是生成阶段让模型自己学会抗干扰。先说检索阶段怎么净化。核心思路不是把召回量做上去，而是把质量提上来。最直接的方法是加一层 [[重排]]，用 [[Cross-Encoder]] 把召回的候选文档逐对打分，过滤掉那些低相关的。这招效果很稳，但计算成本高，一般只对 top 几十的候选做，不会全量做。还有一种做法是上下文压缩，用个小模型或者 LLM…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：这道题其实问的是，怎么把通用[[RAG]]改造成能在一个专业领域真正落地，核心挑战就是领域知识怎么结构化、检索怎么精准、生成怎么可控，而且这三环要能闭环迭代。先说数据预处理。专业文档不像通用网页，结构复杂、术语密集，随便切段落肯定不行。我会根据文档类型做不同处理，比如医疗病历有DICOM标准，法律合同有条款边界，先用[[OCR]]或解析器把元信息提出来，像疾病编码、法条编号、时效性这些。然后chunk策略要兼顾语义和结构：一方面用语义模型识别主题边界，另一方面按章节条款切，…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：这道题其实问的是[[RAG]]系统里召回和[[重排]]的职责分离，为什么不能一步到位。我的理解是，召回阶段追求效率，用[[Bi-Encoder]]把query和doc分别编码成向量，然后近似检索，这个阶段能快速拿到几百个候选，但精度有限。因为向量相似不总是等于真实相关，比如用户搜“退款流程”，向量可能召回“退货地址”，语义上相关但实际不是用户要的。重排就是专门解决这个问题的，用更精细的模型在几十毫秒内把这批候选重新打分排序。具体来说，重排有几个关键作用。首先是语义精排，召回…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…减50的券能和折扣叠加吗”，需要跨文档推理，先查券规则，再查折扣规则，最后判断是否冲突。单轮检索很难覆盖，我会考虑用[[Self-RAG]]让模型自己决定何时检索，或者用[[GraphRAG]]构建[[知识图谱]]，但延迟会更高。这就引出一个问题：能否让Agent在推理过程中动态决定检索深度和范围，而不是每次都全量检索？这可能是平衡延迟和准确率的一个方向。本质是平衡延迟与准确率的工程博弈延迟挑战：链路串行、重排序开销、上下文膨胀准确率挑战：语义鸿沟、切分策略、动态知识滞…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…ry的相似度低于某个值，直接触发拒答机制，返回“当前信息不足以回答”，而不是让模型硬猜。这能显著降低 [[幻觉]] 风险。不过，RAG不是万能的。它的前提是知识库质量够高，如果文档本身就有错，或者分块把关键信息切碎了，检索再强也白搭。所以我会把RAG看成一种“快速扩展知识边界”的方案，适合知识频繁更新的场景，比如实时政策、产品手册；但如果是需要深度推理或常识性知识，我更倾向结合微调或[[知识图谱]]。总结下来，RAG落地的核心不是哪个环节最酷，而是整个链路的一致性：从分块…

#高德#RAG#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…文压缩，只保留最相关的几句，避免超出模型窗口。举个例子，企业做合规文档问答，用户问“我们这种跨境业务适用哪个条款”，Naive RAG可能搜出一堆不相关的政策，而Advanced RAG会先识别“跨境”关键词，从知识图谱里找到对应的业务分类，再检索具体条款，最后用重排确保答案精准。落地时我特别关注两个风险。一是检索精度，如果[[Embedding]]模型没在领域数据上微调过，语义会漂移，比如“苹果”可能匹配到水果而不是品牌。我的做法是用[[Dense Retrieval]…

#字节#RAG实现原理#RAG 实现原理

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：答案要点知识图谱构建的质量与成本权衡多跳推理的准确性与效率平衡图结构与向量检索的融合机制动态更新与版本管理评测体系的缺失核心挑战与解决思路 1. 知识图谱构建：质量与成本的死结难点：实体抽取、关系识别、消歧的准确率低，人工标注成本极高；电商领域商品属性繁杂，schema设计困难解法：采用弱监督+主动学习循环：先用LLM生成候选三元组，人工审核高置信度样本，再迭代优化；schema采用自底向上演化，而非一次性完美设计 2. 多跳推理：准确性与效率的权衡难点：2…

#淘天#知识图谱#评估与监控

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配正文：…用：企业知识问答（组织架构穿透）、医疗诊断（症状-疾病-药品关联）、金融风控（股权穿透与关联交易识别）。学习建议建议先掌握传统RAG基础，再学习知识图谱构建与图神经网络 basics，结合论文与开源项目（如Microsoft GraphRAG）动手实践关键流程。

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：核心思想 GraphRAG的本质是用"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配标题与标签：伪多模态与原生多模态差在哪? 从信息融合、模型架构、性能表现三方面分析实现区别知识图谱淘天知识图谱伪多模态RAG 真多模态RAG 多模态RAG实现信息融合模型架构淘天

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…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：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（离线）实体抽取：用LLM从文档中提取实体（人、组织、事件等）和关系图建模：构建 (实体)-[关系]-(实体) 的知识图谱社区发现：用Leiden…

#字节#知识图谱#GraphRAG

RAG 检索增强技术有哪些？

医疗 RAG 索引如何保合规?

专业领域RAG链路优化陷阱

RAG 延迟与准确率优化

RAG检索方法如何优化？

RAG 流程优化：检索与重排陷阱

RAG 架构：检索到生成全链路

RAG 局限性怎么破?

领域 RAG 架构如何控幻觉?

RAG架构：检索器与重排序策略

RAG 系统有哪些常见陷阱?

RAG 召回准确性：三大失败场景

检索失败时 RAG 怎么兜底?

RAG 检索噪声怎么处理?

医疗法律 RAG 架构关键环节

RAG 重排作用与实现

RAG 延迟准确率根因

RAG增强与生成如何衔接？

RAG 核心实现原理是什么?

GraphRAG 最大技术挑战?

GraphRAG 怎么实现复杂查询?

GraphRAG 架构原理与优势

伪多模态与原生多模态差在哪?

GraphRAG 怎么提升检索质量?