匹配正文：…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：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：… 选型要点文档处理 PDF/Word解析、语义切片按语义边界切（如段落），非固定长度 Embedding模型文本→稠密向量领域适配（M3E/BGE/自研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…2. 向量化与索引构建 Embedding模型选择：BGE、M3E、OpenAI text-embedding-3等，需匹配语种和领域向量数据库：Milvus、Pinecone、Qdrant，关注ANN索引算法（HNSW、IVF）索引优化：根据数据规模选择索引类型，大规模数据用分区/分片 3. 检索模块两阶段检索架构：阶段方法作用粗排向量相似度检索（Top-K=100）快速召回候选精排 Cross-Encoder重排序精细 relevance 打分混合…

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

#高德#RAG结果融合#RAG 实现流程

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉…

#RAG#项目深挖#教学复原

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：📊 学习时长:30-40 分钟 🎯 完成后能力:能用一段零依赖代码演示 RAG 的核心机制,并讲清为什么解析、切分、检索与评估同样关键 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用 20 行不依赖任何库的代码,亲手演示一遍 RAG 的核心机制 ✓ 看懂 3 个核心概念:什么是幻觉、什么是 RAG、什么是"上下文" ✓ 建立 RAG 的"两条链路"心智模型(这张图决定了本书后面 9 章的顺序) ✓ 学会判断…

#RAG#检索#项目实战

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…扫盲(第 12 篇) 把名词过一遍,再回来对着本页的表选方向。主线选 RAG:直接开 RAG 智能问答系统教程,按为什么需要 RAG → 架构 → 分块 → 检索 → 重排 → 评估的章节做完一个能讲的项目。主线选 Agent:开 Deep Research Agent 教程,从为什么做 Deep Research 到工具、记忆、评估走一遍;想先练手更小的 Agent,去 AI 编程实操。要按方向系统刷面试考点、看每个方向的高频题和复习法:去第 21 篇领域八股…

#求职#职业转型

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：📊 学习时长:45-60 分钟 🎯 完成后能力:能把本书学的 RAG 项目,写成一段经得起追问的简历经历,并答得上每个模块的高频面试追问 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 跟着做:把一句空泛的"做过 RAG"改写成有深度、能打的简历 bullet ✓ 看懂项目经历的四要素(背景 / 架构 / 个人贡献 / 方法论) ✓ 掌握写简历的万能公式:动词 + 技术方案 + 量化指标 ✓ 学会五条事实核验原则,只写自己真正做…

#RAG#检索#项目实战

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…y测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embedding微调、索引参数调优。学习建议建议先掌握RAG整体架构，再分步学习数据清洗、分块策略和嵌入原理，结合开源工具如LangChain和FAISS动手实践，加深理解。参考资料 Pandoc官方输入格式 ColBERT原论文:文本late interaction ColPali原论文:视觉文档检索 Faiss官方索引、增量与存储

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…s/all-MiniLM-L6-v2（轻量，384维）中文场景：BAAI/bge-large-zh、智谱Embedding-2 领域适配：领域数据继续预训练或对比学习微调优化技巧：查询端与文档端使用不同prompt（如"为这个句子生成表示："）维度压缩：PCA或模型蒸馏降低存储成本三、向量存储与索引方案特点适用规模 FAISS 内存索引，HNSW/IVF算法，零成本百万级，单机 Pinecone 全托管，元数据过滤，自动扩缩容千万级+，生产环境 Milvu…

#字节#文档处理#向量检索

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配追问：…用户问“青霉素的用量”，结果模型老答不对。你觉得问题可能出在数据清洗上？你会怎么处理这些文档才能让检索和生成靠谱一些？层层追问 RAG里检索质量很关键，你一般怎么清洗文档？……如果文档里有大量专业术语，比如“PM”可能是项目管理也可能颗粒物，你怎么处理？……再比如技术手册，你是一个section一个section切，还是怎么切？怎么保证语义完整？直球架构对于专业领域RAG，原始文档清洗和预处理需要哪些步骤？请从通用清洗、领域特化、分块策略和元数据增强几个层面说说你的设计…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…源检查、一致性校验、专家抽检）说明保证多样性的维度设计（文档类型、问题复杂度、答案位置、否定/多跳等挑战类型）评估数据集的三层架构层级目的规模建议开发集迭代调优 500-1000条测试集公平对比 1000-3000条对抗集压力测试 200-500条高难度问题来源的四种策略 1. 人工专家设计领域专家基于文档直接编写优势：质量高、覆盖边缘场景劣势：成本高、主观性强 2. LLM辅助生成 Prompt模板要点： - 指定角色（"你是领域专家"） - …

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签，推理时检测query分布，动态调整检索策略监控新文档的检索占比，低于阈值时触发告警落地关键监控看板：新文档命中率、头部结果多样性指标 A/B实验：灰度验证策略效果，避免全量风险学习建议建议掌握RAG基础架构，理解检索偏差成因，学习持续学习、向量重排序、数据分布监控等技术，结合实际案例思考系统优化。

#美团#模型微调#RAG检索偏差

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…G：更新文档库即可，分钟级生效，适合新闻、股价、政策等动态场景 2. 事实准确性 SFT：依赖训练数据覆盖，长尾事实易遗漏或混淆 RAG：检索结果作为上下文约束生成，可溯源验证，降低幻觉 3. 推理能力 SFT：复杂推理需内化到参数，需大量高质量标注数据 RAG：检索提供中间证据（如多跳推理的桥梁文档），降低推理难度 RAG更优的具体场景实时信息查询：天气、股价、赛事结果专业/垂直领域：医疗指南、法律条文、企业内部知识（数据隐私+快速迭代）长尾事实问答：冷门实体、最新产…

#美团#RAG vs SFT#RAG

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…确命中。所以落地时，我倾向于用[[Hybrid Search]]，把向量和关键词两种结果合并，再重排，这样召回率和精度都高。技术架构其实不复杂，就是一条链：Query进来，经过检索、重排、融合，最后生成。关键组件是Embedding模型、向量数据库、重排模型和LLM。但我想强调的是，重排这一步不是可选项，而是必选项。因为原始检索结果里噪声很多，不重排直接给大模型，它会被无关信息带偏，产生[[幻觉]]。应用场景上，RAG最适合知识密集型任务，比如企业知识问答，内部SOP和规…

#字节#检索生成流程#RAG 实现

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·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场景医疗诊断：症状→疾病→药物→禁忌的多跳约束法律分析：法条→案例→判决→适用条件的链条推理企业知识：组织架构、项目关联、决策影响的网络分析关键权…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：…适合GraphRAG的场景场景原因复杂多跳问答如"某药物通过哪些靶点影响某疾病"，需跨文档追踪因果链关系密集型查询组织架构、供应链、社交网络等强关联场景可解释性要求高金融风控、医疗诊断需展示推理路径全局聚合分析如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接动态演化知识时序关系、版本变更等需显式建模三大核心优势多跳推理能力向量RAG受限于上下文窗口，GraphRAG通过图遍历自然支持3-5跳推理，如"公司A→投资方B→被投公司C→产品D"。…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：RAG核心定义 RAG（检索增强生成）是一种将外部知识检索与大语言模型生成结合的技术架构。核心思想：模型生成答案前，先从外部知识库中检索相关信息作为上下文，再基于这些证据进行生成。标准工作流程索引阶段：文档切分 → Embedding模型编码 → 存入向量数据库检索阶段：用户Query向量化 → 相似度检索Top-K相关片段生成阶段：将"检索结果 + 原始Query"拼接输入LLM → 生成最终回答解决的核心问题问题传统LLM RAG方案知识幻觉参数化记忆，…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：核心架构：四层RAG系统 1. 领域知识库层多源异构数据：结构化（法规条文、药品数据库）+ 非结构化（临床指南、判例文书）分层索引：按效力层级（法律：宪法→法律→司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改…

#字节#高精度RAG#高精度 RAG

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…常做"快路径"（纯向量）+ "慢路径"（+重排）分级处理。学习建议建议先掌握向量检索基础，理解嵌入模型和相似度计算原理，再结合RAG架构学习Retriever的工作流程，通过动手实践加深理解。

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：RAG完整工作流程四阶段架构：阶段核心任务关键组件索引构建文档→Chunk→Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量…

#百度#重排与优化#RAG 系统瓶颈