匹配口述回答：…“报销流程”可能用模糊描述，但查“SOP-2024-01”这种编号就必须靠关键词，所以两条路都得有。再一个就是[[分块]]策略，按语义切分比固定窗口好，但遇到表格或代码块，就得保留结构完整性。另外[[重排]]也很关键，用[[Cross-Encoder]]精排能显著提升top-K质量。生成侧，我倾向于先做提示工程，比如强制要求引用来源，格式像“根据文档[3]”，这样幻觉率能降不少。如果还不够，再考虑[[SFT]]微调，用检索到的上下文做监督数据训练模型更忠实。后处理加个事实核…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…的'配个[[向量库]]就行'。有几个风险我特别关注。一是文档切分策略，[[Chunk]]太大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延迟，大规模知识库下，[[ANN]]检索可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

…345的状态”，但你分块时把整个订单详情页当成一个大块，检索出来一堆无关信息，模型就糊涂了。所以我会特别关注Chunk策略，比如用语义切分而不是固定字数，或者用[[Parent Document]]保留上下文层级。另外，检索本身也不能只靠向量相似度，我通常会把[[Hybrid Search]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺，还得看它有…

← 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

匹配口述回答：

#科大讯飞#阿里#RAG 架构

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…[[Vector Database]] 里。这里有个关键取舍：切分策略直接影响召回质量。固定长度切分最简单，但容易把完整语义砍断；语义切分虽然准，但计算成本高。我一般先按段落切，对超长段落再用[[滑动窗口]]重叠处理，这样既能保留上下文，又控制单块长度。另外，纯向量检索对关键词不敏感，比如搜“退款政策”可能因为语义偏差召不回“退货流程”，所以生产上我倾向 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，再通过 [[Rerank]] 模型…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配口述回答：…[向量化]]、存进 [[Vector Database]]。这里有个常见的坑：[[分块]]策略。固定长度切分简单，但容易切断语义；语义切分效果好，但计算成本高。我的做法是混合：先用段落级粗切，再对超长块做递归切分，控制块大小在256到512 tokens之间。Embedding模型我倾向用 BGE 或 M3E，兼顾中文效果和推理速度。检索阶段，用户问题同样转成向量，用 [[ANN]] 算法召回Top-K。但光靠向量不够，比如“退款”和“退货”语义相近但业务不同，所以我会加 …

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…扫描件要[[OCR]]，HTML去标签。但最难的是噪声过滤，页眉页脚、广告、重复内容，这些不干掉，[[向量化]]之后全是噪声。还有语义切分，很多人用固定长度256token一刀切，但业务场景里一个完整退款流程可能跨好几个段落，切碎了检索召回就断章取义。我倾向先按主题或章节自然边界做语义切分，再把零重叠、短窗口与较长窗口作为候选，用同一评测集验证边界证据是否完整。另外，数据质量要有个门槛，用规则加小模型打分，分数太低的片段直接丢掉，不然就是垃圾进垃圾出。然后说Embeddin…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：…选一个，我会优先把数据切分和难负样本做好，因为这是最根本的。一句话定位：RAG检索不准的本质是信息源和匹配逻辑不匹配数据构建：语义切分和负样本构造检索优化：混合检索和查询改写后处理：重排序和置信度过滤评估与落地：标准数据集+自建业务集约4分钟评估时除了开源数据集，一定要构建自己的业务评测集，覆盖真实bad case。面试官可能会追问：如何构造有效的难负样本？或者：业务评测集怎么设计才能覆盖真实分布？

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…段：先离线建个知识库，再在线检索，最后生成答案。先说建库。原始文档不能直接往里扔，得先[[切块]]，按语义或者固定长度。我一般用语义切分，比如按段落或者用 LangChain 的 RecursiveCharacterTextSplitter，这样一块就是一个完整意思。切完用 [[Embedding]] 模型转成向量，然后存到 [[Vector Database]] 里，比如 [[FAISS]] 或者 Milvus。这里有个前提：Embedding 模型要跟你的业务数据匹配。…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

RAG 完整流程分几步？

匹配口述回答：…检索到的资料拼成提示词交给大模型，让它根据给定资料回答。这里有个关键点：分块策略不是一刀切的。固定长度切分简单，但容易切断语义；语义切分效果好但成本高。真正落地我倾向混合策略，比如先用段落标题做粗切，再对长段落做[[滑动窗口]]重叠。另外，如果检索质量上不去，别急着调模型，先检查分块和向量化。常见失败场景是，一个复杂问题只检索到部分相关块，答案自然偏。这时候可以加 [[Rerank]] 做二次排序，或者用[[混合检索]]把关键词和向量结合起来。所以我会把[[RAG]]看成…

#入门#基础概念#RAG流程

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…生成。另外文档排序也有讲究，把最相关的放首尾，中间放次相关的。这里和固定切分划个边界：如果文档结构清晰，比如技术文档有标题层级，用语义切分比固定Chunk好；但要是日志、对话这种碎片化内容，固定Chunk加[[滑动窗口]]反而稳定。真正上线我更多用混合策略，先语义切分再按长度补丁。第三个，语义鸿沟。用户问的问题和文档表述方式不一样，比如用户问“退款流程”，文档里写的是“退货处理”，Embedding匹配不上。改进思路我常用两个：一个是HyDE，先生成一个假设文档再检索，把问…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…]] 里，像 Milvus 或者 [[Faiss]]。这里有个坑：切分策略很关键，固定按字数切可能把语义连贯的段落拆散，我倾向于用语义切分，比如按段落或者用 [[Chunk]] 重叠来保证上下文不丢。在线检索时，用户问题同样转成向量，用 [[ANN]] 算法比如 [[HNSW]] 召回 Top-K 相关文档。但光靠向量检索不一定准，尤其是用户问法跟文档表述差异大的时候。所以我会加一层查询改写，比如把“怎么退运费”扩写成“退货流程中运费承担规则”，或者用 HyDE 先生成一个…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配口述回答：…来，送到生成模块。这里面有个容易忽略的细节：切分策略直接影响检索质量。比如固定大小切分，简单但容易切断语义，导致召回片段不完整；而语义切分虽然好，但依赖模型质量，而且对长文档可能切出太多碎片。所以实际落地时，我倾向于用分层切分：先按段落切，再对过长段落做[[滑动窗口]]，同时保留父子文档的映射关系，这样检索时可以用子块匹配，返回时带出父块上下文。接下来重点讲三个提升相关性的方法，也是我实际中经常组合用的。先看[[混合检索]]。说白了就是向量语义检索加关键词匹配，比如 [[…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…。我更倾向先定位瓶颈，再针对性优化，而不是一股脑全上。一句话点题：索引优化本质是解决'怎么存'和'怎么找'的匹配问题分块策略：语义切分 vs 固定切分，适用场景不同 Embedding优化：模型选型与稀疏稠密混合索引结构：分层、图索引、元数据过滤落地风险与取舍：先定位瓶颈再针对性优化约4分钟分块粒度与检索策略的联动：粗召回用段落级，精排用句子级，但需平衡存储和延迟。面试官可能会追问两层索引的具体实现，比如如何维护父子文档关系，或者如何设计倒排链和向量索引的混合查…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…业术语或编号（像订单号、错误码）向量搜不好，但关键词能精准命中。另外，切分策略也很关键，固定大小切分容易把完整语义切碎，我一般会用语义切分，配合[[滑动窗口]]加一小段上下文重叠。还有一个容易被忽略的点：RAG的评估。很多人上线后只看最终回答好不好，但中间检索召回率低的话，模型再聪明也救不回来。所以我上线前一定会做 [[RAGAS]] 评估，分开看检索的上下文精度和生成的回答[[忠实度]]。最后说我的判断。我不会把RAG看作一个单独的组件，而是看作一个系统工程。我更倾向于…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配口述回答：…话定位：数据分布快速变化时，外挂数据库+大模型本质是动态RAG 边界划分：RAG vs 微调，关键词 vs 向量，固定切分 vs 语义切分真实业务场景：外卖配送中商户状态实时变化落地风险与前提：高并发写入、地理位置过滤、冷启动工程师姿态判断：优先用检索而非训练，关注系统复杂度约4分钟动态RAG的瓶颈往往在检索系统的吞吐和一致性，而非模型本身。面试官可能会追问：数据更新频率极高时，索引重建的具体策略是什么？或者双缓冲影子索引如何保证一致性？

#美团#外挂数据库增强#外挂数据库

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…场景：你重排做得再好，如果原始chunk切分破坏了语义，比如把一个完整条款切成了两半，那重排也救不回来。所以我会在索引阶段就多用语义切分，比如按句子边界或者段落边界切，而不是固定字数。最后说系统级权衡。RAG落地不是单项优化，而是延迟、准确率、成本三者的博弈。比如你做客服退款场景，用户问“我订单怎么还没退”，这种高频query我倾向缓存优先，又快又准。但如果是企业合规文档，员工问“这个条款和上次版本有什么不同”，那准确率是第一位，我宁愿多花100毫秒做LLM重排，也不能答…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 原理与核心架构

匹配口述回答：…ctor Database]]。这里有个常见坑：切分策略很讲究，固定窗口切分简单但容易把语义割裂，所以落地时我通常会结合段落边界做语义切分。再看检索器，从向量库里召回 top-k 候选。现在主流做法是 [[Hybrid Search]]，也就是 [[BM25]] 加向量检索，因为光靠向量对精确匹配不友好，比如订单号、错误码，关键词召回更准。还要看 [[Rerank]] 模块，用 [[Cross-Encoder]] 对召回结果精排，这一步对最终质量提升很明显，但计算开销大，所以…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…清洗和质量校验，而不是上线后靠prompt来救。一句话定位：RAG本质是解决知识时效性与幻觉的平衡文档处理与分块：固定切分vs语义切分，业务场景选型检索与排序：混合检索+重排，召回率与精确率取舍上下文构建与生成：窗口压缩、引用溯源、拒答机制工程落地风险：检索失败场景、一致性校验、延迟优化约4分钟检索失败时的自检与回退策略，模型主动决策而非被动拼接面试官可能会追问：这种自检机制具体怎么实现？会不会增加延迟？和ReAct模式有什么区别？

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配口述回答：…统的地基。文档怎么切？固定长度切 512 token 还是按语义切？我的经验是，如果文档是标准化的，比如企业 SOP 或合规文档，语义切分更好，因为段落边界天然是逻辑单位。但如果是客服退款这种长对话记录，固定长度加重叠窗口反而更稳，不会把一个完整诉求拦腰切断。切完后用 [[Embedding]] 模型转成向量，存到 [[Vector Database]] 里，比如 Milvus 或 [[Faiss]]。检索层是真正的瓶颈。你不能只靠向量相似度，因为用户的 query 可能很…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…搜索适合精确匹配，比如订单号；向量搜索适合语义匹配，比如“退款政策”和“退货规则”意思相近。分块层面，固定切分简单但容易断掉语义，语义切分更准但计算成本高。真正落地的系统往往是混合策略，比如用固定长度切块，同时保留段落边界做软约束。落地时我特别关注几个风险。一是分块策略必须跟业务场景匹配，比如客服场景里，退款政策是一个完整段落，如果切成两半，LLM可能只看到一半的政策，回答就不准。二是检索质量，如果Top-K召回的文档里混了噪声，LLM会被带偏。所以上线前我会用一批历史Qu…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配口述回答：…n一刀切，但业务文档往往有自然段落，比如客服退款政策里，「退货条件」和「退款时长」写在不同段落，一刀切会把逻辑打断。我一般会优先用语义切分，按标题和段落边界来切，如果文档结构不清晰，再用[[滑动窗口]]加重叠，保证每个chunk上下文完整。切完之后用 [[Embedding]] 模型转成向量，存到 [[Vector Database]] 里。这里有个前提：如果你的知识库是纯关键词匹配场景，比如查订单号或错误码，向量检索反而不好使，因为短文本语义不丰富，这时候 [[BM25]]…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…助判断边界。块大小一般256到512 tokens，太大模型上下文窗口塞不下，太小丢信息。前提是你的文档结构清晰，如果文档质量差，语义切分反而更乱，那不如固定切分加overlap兜底。检索召回阶段，很多人只做向量检索，但通用[[Embedding]]在垂直领域效果很差。我会做 [[混合检索]]，向量加[[BM25]]关键词两条腿走路。向量负责语义，BM25负责精确匹配，比如订单号、错误码这种。然后一定要加 [[重排]]，用[[Cross-Encoder]]把Top-K结果精…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…清洗、微调等候选，不能预设必须微调。切块也不是一刀切，固定长度适合通用场景，但要是文档结构性强，像操作手册或者法律条款，我会优先用语义切分，按段落或者标题来，避免把完整的概念切碎。向量存进[[向量数据库]]，比如[[Faiss]]或者Milvus。索引我一般选[[HNSW]]，图结构，查询快、精度高，支持增量添加；删除/修改能力取决于实现，例如Faiss HNSW不支持直接remove，需要逻辑失效与重建或其它数据库机制。但HNSW内存消耗大，如果向量几十亿，就得用[[IV…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：…伸点：当检索质量一直上不去时，我会考虑是不是chunk策略出了问题。比如固定切分容易把关键信息切散，导致召回失败，这时候可能要改用语义切分或parent document策略，让子chunk和[[父文档]]关联。所以整体上，我更倾向把检索优化看成一个持续迭代的过程，先定位瓶颈，选最轻量的方案上线，再用bad case驱动改进，而不是一上来就堆复杂模块。定位失效环节查询侧优化：改写与分解检索侧增强：混合检索与重排文档侧与工程权衡兜底与持续迭代约4分钟当检索质量持…

#字节#检索故障诊断#检索质量优化