匹配正文：…编码对齐、药品相互作用图谱构建法律：法条层级关系（上位法/下位法）、时效性标记三、检索系统：多路召回+领域精排召回阶段稠密向量（领域Embedding微调，如MedEmbed/LawEmbed）稀疏向量（BM25 + 领域同义词扩展）图谱召回（实体链接→子图遍历）精排阶段交叉编码器（领域数据微调）时效性/权威性加权用户画像过滤（科室/执业地域）四、生成优化：领域适配与可控性模型选择：基座模型+领域SFT（如Huatuo/LawGPT），非从零训练 Pr…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = sc…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG 重排收益与成本

匹配正文：…在较小候选集（如Top-100→Top-5）上做精确排序，牺牲延迟换取精度对生成质量的具体提升维度提升效果相关性过滤剔除向量相似但主题偏离的"伪相关"文档，减少无关信息干扰事实准确性确保进入上下文的文档真正包含答案依据，降低幻觉风险信息密度优先排序信息完整、结构清晰的文档，提升上下文利用效率多跳推理对需要组合多个文档的场景，重排能更好识别互补性文档工程实践要点模型选择：轻量场景用Cross-Encoder（如bge-reranker），复杂场景用LL…

← 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

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询向量化、相似度检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/…

#高德#RAG数据流#RAG 工作流程

面试题·模型架构· 百度

DDPM vs Flow Matching: 建模与训练差异?

匹配追问：…直线路径"具体指什么，为什么能加速采样？如何从DDPM的SDE推导出对应的概率流ODE？在实际应用中，为什么SD3、Flux等模型选择Flow Matching而非传统扩散模型？场景切入假设要为同一图像生成任务比较 DDPM 与 Flow Matching，并固定模型容量、数据和质量目标。你会怎样设计两套训练与采样流程，并公平比较 NFE、延迟、稳定性和多样性？层层追问 DDPM 学的是哪类反向过程或参数化？……Flow Matching 回归什么向量场？……二者的…

#生成模型#扩散模型#流匹配

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：…理解它本质上是检索和生成两条线的协同问题，但落地时每条线都有自己的瓶颈，而且还会互相放大。先说检索层。延迟主要来自两个地方：一是向量检索的 [[HNSW]] 索引构建，尤其是数据频繁更新时；二是 [[重排]]，[[Cross-Encoder]] 虽然精度高，但延迟太高，不能每个请求都用。精度方面，常见问题是 [[Embedding]] 的语义漂移，比如用户说“退款”，客服系统里可能对应多个政策，向量相似度高的不一定就是对的。所以实际落地我倾向用 [[Hybrid Searc…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配口述回答：…tManager可配置选发言策略，当前AgentChat也有RoundRobin或Selector等Team；并不都靠LLM决定。模型选择可能偏题，但是否发生及根因要看真实Trace，不能用未经记录的故事替代评测。LangGraph原生支持显式循环边和条件边，你可以用代码精确控制流程，比如如果退款金额超过1000，就走人工审核分支，否则自动退款，每一步都能审计。可扩展性方面，ConversableAgent属于AutoGen0.2接口示例；当前Core/AgentChat按…

#字节#百度#Agent

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配口述回答：…，比如用户偏好、历史工单，通常用 [[Vector Database]] 存。但落地时有个常见坑：长期记忆的召回精度不够。如果只靠向量相似度，经常召不回真正关键的信息。我一般会结合关键词和结构化标签做 [[Hybrid Search]]，先过滤再排序。另外，记忆更新时机也很关键，是每次对话结束都写，还是等用户确认？写错了反而污染。工具模块，说白了就是给模型配的“手脚”。搜索引擎、数据库、代码解释器、API 都算。关键是把接口标准化，让模型知道什么时候该调哪个。这里有个设计原…

#百度#Agent#Agent 系统组件

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配口述回答：…排]]到生成系统性修。先分析原因。最典型的场景，比如电商客服系统里用户查“充电宝上飞机”，用户问的是民航规定，但检索可能因为[[embedding]]相似度高，把一堆充电宝产品介绍和评测文召回来，这些文档语义上相关但事实无关，生成器一综合就可能给出矛盾信息。这里原因有三层：查询侧，用户query太短或者有歧义，embedding抓不到真实意图；索引侧，文档切分不好，关键信息被截断，或者原文档本身质量参差，有过期的、矛盾的；匹配侧，向量检索的语义相似不等于事实相关，这是最根本…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配口述回答：…加一个生成系统的组合，检索的精度决定了生成的上限。在工程落地上，我会先保证检索的召回和排序不出大问题，再优化生成侧的Prompt和模型选择。一句话定位：RAG本质是让LLM带个外部知识库，解决事实更新与幻觉问题离线构建：文档解析、分块、向量化、存库，重点说分块策略和边界在线流程：查询改写、多路检索、重排序、组装上下文给LLM 落地风险与优化：混合检索、缓存、动态分块，以及常见失败场景收尾：个人取舍和延伸可延伸点约4分钟动态分块：根据问题粒度调整chunk大小，宏观…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…nce等）二、检索模型优化双路召回策略稀疏检索（BM25）：关键词匹配，对专有名词、ID类查询效果好，可解释性强稠密检索（Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生成伪文档再检索）、Query2Doc扩展三、重排序（Rerank）策略交…

#360#召回质量评估#RAG 召回优化