匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：很多人做 RAG 评测时，会先算一个“答案准确率”。如果分数上涨，就认为系统变好了；如果分数下降，就继续换 Embedding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、…

#RAG#评测与上线#RAG 评估指标

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

请描述在RAG系统中将文本内容转化为向量表示的完整流程，包括编码模型选择、分块策略、嵌入优化等关键技术点。

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

匹配题目：

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（要求标注来源）、检索内容前置、Self-RAG（生成时判断是否需要检索）对事实性要求高的场景长上下文处理差分层检索（摘要→细节）、递归检索、信息去重合并需要多文档推理的复杂问题三、迭代实践建议先诊断后优化：用错误案例分析定位是检索失败还是生成失败建立回归测试集：覆盖高频Query和边界Case A/B验证：离线指标提升≠线上效果提升，需小流量验证学习建议建议系统学习该知…

#字节#评估与监控#RAG 评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：…语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：上下文过长、信息冲突、幻觉上下文压缩：检索后先用小模型抽取关键片段，或递归摘要，控制输入在模型有效窗口内多路召回融合：多Query并行检索，去重后按相关性加权拼接，避免单路遗漏答案溯源：强制模型输出引用标记，事后校验片段是否真实支撑答案，降低幻觉拒答机制…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配正文：…估与组件级评估的区别提及实际挑战如标注成本高、主观性、延迟与质量的权衡能结合业务场景举例说明一、评估维度分层 1. 检索层（RAG特有） Recall@K / MRR：衡量检索系统能否召回相关文档 NDCG：考虑排序质量的综合指标 Hit Rate：Top-K是否命中答案所在文档 2. 生成层 Faithfulness / 忠实度：生成内容是否忠实于检索文档（可用NLI模型判断） Answer Relevance：答案与问题的相关性 Context Precision：…

#安克科技#评估与监控#Agent

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query + 检索上下文 → LLM生成最终回答二、系统架构要点模块关键技术…

#字节#RAG 系统架构#RAG 工作原理

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

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·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配正文：…价手机"→"2000元档骁龙机型"）会话推荐序列建模多轮对话理解，捕捉隐性偏好跨域推荐难以迁移利用LLM的通用知识桥接领域gap 落地形式：LLM作为上游模块，输出意图标签或改写后的query，喂给下游精排模型。三、生成式推荐：直接生成结果两条技术路线：生成Item ID：将item ID视为token，用seq2seq生成下一个观看的video ID 优势：统一生成框架，天然支持多任务难点：ID无语义，需配合语义ID或分层索引生成推荐理由/模板：LLM…

#快手#LLM推荐系统#LLM 推荐系统

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：… 引用标注训练（让模型明确依据）；拒绝回答机制（低置信度时触发）影响：答案准确率提升，但重排增加50-100ms延迟瓶颈4：系统级权衡优化方向延迟准确率成本适用场景缓存优先 ↓↓↓ → ↓ 高频Query主导混合检索 ↑ ↑↑ → 专业领域知识库 LLM重排 ↑↑ ↑↑↑ ↑↑ 高精度要求场景模型蒸馏 ↓ ↓ ↓↓↓ 边缘部署核心原则：先做检索质量（相关性是天花板），再攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结…

#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

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│ └─────────────────┘ └─────────────…

#字节#RAG组件设计#RAG 系统架构

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：垂直领域 RAG 完整…

#模拟面试#简历项目#连续追问

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…花在"怎么让塞进上下文的那几段,又准又全"。上下文有上限:整本书塞不下,只能挑最相关的几块 🛠️ 跟着做:20 行代码,看懂 RAG 的核心机制不用 API key,我们先用一个"迷你 RAG"把机制跑通。 Step 1:新建文件新建 mini_rag_demo.py(完整文件见 code-snippets/mini_rag_demo.py): # 一个极简"知识库":工程系统里会换成经过解析、切分和索引的文档块(第 3、4 章) # 这里就用一个字典:键是"关键词"…

#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

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…库里有一篇“保险销售技巧”，用户问的却是“如何推销保险产品”；另一份文档的标题是“报销制度”，用户也只输入这四个字。前一个问题需要系统理解“推销”和“销售”意思接近，后一个问题则希望原词命中时，标题能直接排到前面。这道题考的不是两个名词的定义，而是能否把“为什么要混合、怎样混合、怎样验证”连成一条完整答案。下面就按面试官的追问顺序拆开。如果第一次接触 RAG，可以把它理解成“先从资料中找到相关原文，再把原文交给大模型回答”。Chunk 就是一段被切分出来的原文，后文直接称…

#RAG#检索与重排#RAG 混合检索

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…几段“最相近”的内容，比如国内票据遗失说明、差旅报销材料清单，或者交通费用标准。这些内容都和问题有关，却没有真正回答问题。如果系统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总…

#RAG#生成与对话#RAG 无答案检测

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…和多段证据都可能在高相似度下出错，需要更细的支持关系判断。 NLI 能不能彻底解决错引？不能。NLI 自身也会误判，而且长文档、领域术语和多跳证据会增加难度。它适合作为辅助筛查，仍要经过本领域人工样本校准。文档删除后，旧引用怎么办？要根据数据策略决定保留受控快照、显示来源失效，还是限制旧答案访问。无论哪种，都不能把旧引用悄悄映射到另一份新内容。从编号走到可核验引用现场回答沿着“来源数据、服务端编号、陈述核验、版本回跳”四步展开，重点是每一步都能被重新检查： RAG …

#RAG#生成与对话#RAG 引用溯源

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…理。证据则要指向能够支持答案的具体内容，包括文档 ID、Chunk、页码、段落、幻灯片或视频时间位置。为什么证据不能省？假设系统最终答对了，但没有找到知识库原文，而是依靠模型训练知识碰巧说对。只看答案，这条样本会被判为成功；从 RAG 链路看，检索实际上失败了。反过来，系统找到了正确证据，模型却理解错了。只看最终答案，团队可能误以为需要继续改检索参数。证据把这两种错误拆开了。只有答案与带证据评测样本的区别答案告诉我们“应该说什么”，证据告诉我们“应该从哪里找到，…

#RAG#评测与上线#RAG 评测集

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：…评估设置下得到自己的实测结果",但 X、Y、Z 都必须来自你的项目,不能从教程搬运。 2.2 一份完整的项目经历长什么样完整的 RAG 项目经历结构项目背景(2-3 句):说清规模 + 价值。示例句式:"从 0 到 1 构建 <行业> 领域问答系统,处理 <N> 份多格式文档,服务 <M> 名 <用户> 的 <业务>,日均 <X> 次查询,准确率 <Z>%":一句话把"规模感"和"业务价值"都立起来(尖括号里换成你的真实数据); 主要工作(5 个模块,每个 3-5 条 b…

#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：…模型选型候选模型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测试，不把系列名或动态榜单位置当领域效果保证。垂直领域：领域数据微调（如法律用ChatLaw-Text2Vec），或用LLM生成合成数据训练多模态需求：ColPali处理文档图片，Jina-Clip处理图文混合部署优化：ONNX/TensorRT加速，量化到FP16/INT8，batch推理降延迟四、向量存储与索引优化存储选型：小规模（<100万）：FAISS Fla…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…过小→检索碎片化；块过大→Embedding稀释、召回噪声 4. Embedding生成模型选择：通用场景用BGE/M3E，垂直领域需微调（如法律/医疗）批处理优化：GPU并行、动态长度填充质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建索引结构： HNSW：高召回、内存型，适合百万级 IVF+PQ：亿级规模、磁盘友好元数据设计：必须包含doc_id、chunk_index、source、timestamp，支持过滤查询性能影响：索引参数（e…

#字节#文档处理#向量检索

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