匹配正文：…“无答案”行为。RAG 的知识库不是一堆向量；原文、结构化元数据和权限事实要有权威存储，向量与关键词索引是可重建的派生物。 1. 解析与质量检查 PDF、Word、网页分别使用能保留页码、标题、表格和代码结构的解析器；扫描件走 OCR，但要抽检字符错误、阅读顺序和表格错位。保留 document_id、版本、章节路径、原文范围、来源、更新时间、语言、ACL 和内容哈希。去页眉页脚前先验证规则，不能把合同条款、表头或脚注依据一并删除。解析失败、空页和异常短段进入隔离队列，不…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页脚、统一编码、过滤低信息密度内容元数据绑定：保留标题层级、来源URL、时间戳，用于过滤和重排序嵌入模型选择选型三要素：维度考量语…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG 文档如何存储、向量化和更新？

匹配正文：总体数据流一条可维护的流水线是：接收与授权 → 原文存储 → 解析 → 规范化与去重 → 分块 → 嵌入 → 关键词/向量索引 → 影子验证 → 版本切换 → 更新和删除传播。原始文件或权威业务记录是可追溯真值，向量库保存的是检索派生物，不应成为唯一原文。 1. 接收、原文与权限入库前记录来源、用途、所有者、租户、访问控制、生效/失效时间、内容哈希和版本。文件存储使用稳定 doc_id，避免路径或标题变化产生重复。恶意文件、宏、超大文件和解析器漏洞应在隔离环境处理。权限…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#RAG#文档存储#解析

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配标题与标签：RAG 怎么减少幻觉? 从外部知识引入到事实准确性提升,3 个维度解析机制评估淘天事实准确性 RAG 减少幻觉 RAG 事实准确性 RAG 作用机制淘天

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 快手

LangChain 链式调用原理

匹配标题与标签：LangChain 链式调用原理模块化设计原理与核心组件解析,支持 LLM 应用开发评估快手评估与监控 Agent LangChain 原理 LangChain 链式调用 LLM 应用开发框架快手

#快手#评估与监控#Agent

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…标准化接口自由组合。五大核心组件组件职责典型场景 Model I/O 统一封装各厂商LLM接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入 …

#快手#评估与监控#Agent

面试题·评估· 商汤科技

AI Agent 核心理解与未来趋势

匹配标题与标签：AI Agent 核心理解与未来趋势智能体定义、关键能力及发展方向解析评估商汤科技评估与监控 AI Agent 理解 Agent 未来发展智能体趋势商汤科技

#商汤科技#评估与监控#AI Agent 理解

面试题·评估· 字节

RAG 上下文不准确，如何用数据定位？

匹配正文：先冻结一个可回放请求保存查询、身份/租户、可见范围、原文与知识快照、解析/切分/嵌入/索引版本、各路候选、过滤原因、融合与重排结果、最终上下文和答案。没有相同条件，两次结果差异不能归因。涉及客户数据时先最小化和脱敏。沿上下文形成链逐层查原文：支持结论的资料是否存在、有效、未冲突且当前用户有权查看；解析与切分：标题、表格、页码、否定句、时间与父子关系是否保留；索引一致性：新增、更新、删除和权限变化是否已传播，各索引/缓存是否同版本；候选资格：服务端过滤是否漏掉正确资…

#RAG#上下文诊断#数据质量

面试题·评估

RAG 系统效果差怎么排查?

匹配正文：直接回答 RAG 效果差时，先固定一次可回放请求，再沿“数据与权限 → 解析与切分 → 候选资格 → 召回 → 融合与重排 → 上下文组装 → 生成与引用 → 业务结果”逐层定位。不要把所有错误都归因于模型，也不要先换模型或调 Prompt。每一层都要有独立输入、输出、版本和判定标准，才能证明修复命中了根因。先冻结问题，避免边查边变一条排查样本至少记录：查询与会话上下文、用户/租户和可见范围、知识库快照与索引版本、解析与切分版本、检索及重排配置、模型与 Prompt 版本…

#检索归因#生成归因#RAG 系统故障排查

面试题·评估· 美团

Agent 外部工具怎么封装?

匹配正文：答案要点工具定义的Schema设计（OpenAI格式/自定义格式）参数解析与校验机制错误处理与重试策略工具注册与动态发现机制可扩展性架构（插件化/模块化设计）一、工具定义层：统一Schema 采用OpenAI Function Calling格式或类似JSON Schema： { "name": "weather_query", "description": "查询指定城市的天气", "parameters": { "type": "object", "prope…

#美团#评估与监控#Agent

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配标题与标签：MRR 在 RAG 中怎么定义? 评估 RAG 系统检索排序质量,MRR 的特殊意义解析评估百度评估与监控 MRR 定义 RAG 评估指标平均倒数排名百度

#百度#评估与监控#MRR 定义

面试题·RAG

RAG 完整流程分几步？

匹配正文：答案要点全流程五大步：文档解析 → 分块 → 向量化 → 检索 → 生成前三步是离线建库：把原始文档加工成可检索的知识库，提前做好后两步是在线问答：用户提问时实时执行，检索资料再生成答案分块是最容易被忽视却影响最大的一步：块太大噪声多，块太小语义被切断排查 RAG 效果差的问题，就按这条链路逐步定位是哪一环丢了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成…

#入门#基础概念#RAG流程

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：核心流程：视觉输入 → 结构化理解 → 知识检索 → 增强生成 1. 图像理解与组件解析视觉编码：用多模态大模型（如Qwen-VL、GPT-4V）或专用UI检测模型（如ScreenAI、CogAgent）提取截图特征组件结构化：识别按钮、输入框、菜单等元素，输出边界框+组件类型+OCR文本，形成结构化UI表示（如JSON：{type: "button", text: "立即购买", bbox: [x,y,w,h]}） 2. 知识检索层设计双路索引：视觉索引：组件截图p…

#淘天#多模态#多模态 RAG

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：答案要点文档解析与结构化提取（表格/OCR/布局分析）多模态Embedding策略（文本+图像联合编码或分离编码）检索层面的多模态对齐与融合生成阶段的跨模态上下文整合实际挑战（解析精度、计算成本、模态对齐）核心思路多模态RAG的关键是统一表示 + 按需检索 + 跨模态生成。把表格、图片都转成模型能理解的格式，同时保留结构化信息供精准召回。技术方案 1. 文档解析层类型处理方法表格用专用工具（如Camelot、Table Transformer）提取为H…

#小鹏#多模态#RAG 表格处理

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配标题与标签：LLM Agent组件有哪些功能? LLM Agent 典型架构:规划、记忆、工具调用等模块功能解析 Prompt 百度 Agent Agent 系统组件 LLM Agent 架构 Agent 核心模块百度

#百度#Agent#Agent 系统组件

面试题·Prompt· 蚂蚁

AI Agent 项目实战经验

匹配标题与标签：AI Agent 项目实战经验从背景到技术实现,角色分工与核心难点解析 Prompt 蚂蚁 Agent AI Agent 项目 Agent 技术实现 Agent 项目经验蚂蚁

#蚂蚁#Agent#AI Agent 项目

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配正文：…观察再进入下一轮决策。工程实现可以记录简洁的计划或决策摘要，但不需要向用户暴露隐藏 Chain-of-Thought。工作流程解析任务和当前状态，生成下一步可执行计划。从允许的工具集合中选择 Action，并输出满足 Schema 的参数。执行工具，得到带来源、状态码和错误信息的 Observation。根据观察更新状态，判断完成、继续、重试、换工具、请求确认或安全终止。达到完成条件后，根据可验证的观察生成最终回答。生产实现必须设置最大步数、时间和成本预算，检测…

#字节#百度#Agent

面试题·Prompt· 美团

Agent 工具调用链路怎么搭?

匹配题目：在基于大语言模型的智能体（LLM Agent）系统中，如何构建一个完整的工具调用链路？请描述从用户指令解析、工具选择、参数提取、API调用到结果反馈和错误处理的全流程实现方式。

#美团#Agent#LLM Agent 工具调用

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配标题与标签：RAG 怎么提升事实准确性? 检索增强生成的工作原理与知识覆盖能力解析 RAG 字节 RAG工作原理 RAG 工作原理 RAG 大模型事实准确性知识覆盖字节

#字节#RAG工作原理#RAG 工作原理

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配标题与标签：RAG 流程各阶段怎么拆? 从用户提问到生成回答,检索+重排序+上下文注入全解析检索美团评估与监控 RAG 工作流程 RAG 检索重排序 RAG 上下文注入美团

#美团#评估与监控#RAG 工作流程

面试题·检索· 高德

RAG 的检索、增强与生成如何可靠衔接？

匹配正文：…查看的原始资料，而不是只展示一段相似文本。 1. 知识处理采集时记录来源、文档 ID、版本、发布时间/生效时间、租户与访问控制。解析 PDF、网页、表格和图片时保留标题层级、阅读顺序、页码或单元格位置，并用代表性样本检查 OCR 和结构。切分大小和重叠没有通用的 512–1024 token。应根据内容结构、模型 tokenizer、可独立回答的语义单元、引用粒度和上下文预算设计，再用检索与答案评测选择。每个块保留原文定位、父文档、版本和权限元数据。索引构建应可重复并支…

#RAG#知识库#检索

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：答案要点离线索引流程（文档解析、分块、向量化、存储）在线检索流程（查询改写、向量检索、重排序、上下文组装）关键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用B…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配标题与标签：RAG 检索器与生成器如何协同？检索器与生成器协同流程,实现细节全解析检索美团 RAG架构 RAG 系统架构检索器生成器协同 RAG 实现流程美团

#美团#RAG架构#RAG 系统架构

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配标题与标签：RAG 系统实现流程怎么搭? 文档处理、向量化、检索与生成模型集成全解析检索高德 RAG结果融合 RAG 实现流程 RAG 系统架构 RAG 高德

#高德#RAG结果融合#RAG 实现流程