匹配正文：…段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：E…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…dding和切分策略上下文窗口：多文档拼接易超长度，需压缩或筛选关键片段多跳推理：复杂问题需跨文档关联，简单RAG难以处理（需GraphRAG）噪声干扰：检索到相关但误导性的内容，导致生成错误实际落地中，RAG的瓶颈往往在检索质量而非生成，需持续建设评测体系和Badcase分析。

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…练模型输出[source_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning…

← 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

#小红书#RAG局限性#RAG 局限性

面试题·Agent· 高德

多智能体系统 vs 单一 Agent 怎么选?

匹配口述回答：…忽略的点，就是上下文碎片化。多个Agent对话历史加起来很容易超出上下文窗口，所以得设计摘要机制或者共享外部记忆。这个其实跟 [[GraphRAG]] 的思路有点像，通过图结构来管理多Agent的交互历史，避免信息丢失。所以总的来说，我倾向于把多Agent看成一种架构模式，不是银弹。它特别适合任务可以自然拆解、各子任务需要不同专业能力的场景，比如客服、代码生成、游戏AI。但如果任务本身很简单，或者对延迟极度敏感，单Agent加 [[ReAct]] 反而更靠谱。我的取舍是：先…

#高德#Agent#多智能体系统

面试题·Agent· 字节

多 Agent 协同选通信还是共识?

匹配口述回答：…的时候，比如子任务之间有强依赖，规划者拆出来的子图可能深度很大，协调成本反而会超过并行带来的收益。这种情况下，是不是应该考虑用[[GraphRAG]]那种图结构来建模任务依赖，而不是简单的层级结构？这个我还在探索。所以整体上，我会把多agent协同看成一种架构选择，前提是任务能拆、子任务边界清晰、通信成本可控。如果这些不满足，硬上多agent反而会失败。上线前我会特别关注消息队列的延迟和验证者的仲裁效率，确保整个系统不会因为一个agent卡住就全挂掉。我更倾向于先小规模验证…

#字节#Agent#多智能体协同

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种多实体、多关系的场景，检索质量比纯向量检索更稳定，但工程复杂度也上去了。总结一下，RAG解决的是事实性幻觉，前提是知识库覆盖、检索准确、生成可控。它和微调是互补关系，微调管模型的行为和风格，RAG管外部知识。碰到逻辑推理问题，我会优先考虑[[Chain-of-Thought]]或者Self-RAG。一句话定位：事实…

#京东#知识型幻觉#RAG 幻觉

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配口述回答：…持多张截图，比如点击前和点击后，来判断状态变化。还有一个延伸点：当知识库规模大到百万级，多路召回的重排会成为瓶颈，我会考虑用[[GraphRAG]]，把组件间的交互关系建模成图，用图遍历来替代部分检索，这样召回更精准，但图构建和维护的成本也更高。所以整体上，我会把这个系统看成“视觉+知识”的桥梁，核心不是模型多强，而是知识库的质量和检索的精准度。我更倾向先小规模验证，比如只做登录页，跑通再铺开，避免一开始就追求全量覆盖导致失控。一句话定位：本质是多模态+知识库的融合图…

#字节#多模态#多模态 RAG

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…完成。大模型只负责最终生成，而且我会用流式输出，让用户不用等太久。另外，如果组件特别多，比如一个界面有上百个元素，我会考虑用[[GraphRAG]]来建模组件之间的层次关系，比如一个“表单”包含多个“输入框”，这样检索时能利用结构信息提升精度。所以整体上，我会把[[RAG]]看成一种连接视觉和语义的桥梁，核心是把截图结构化，再通过混合检索找到精准的知识，最后用生成模型包装成回答。我倾向在工程上多做预计算和索引优化，而不是让大模型做所有事情，这样既快又可控。点明本质：截图…

#淘天#多模态#多模态 RAG

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：…权重不合理导致召回偏科。我会用一批历史query做回放，对比Recall@K和最终回答质量，调好再上线。这里有个延伸点：最近[[GraphRAG]]在检索阶段引入[[知识图谱]]做实体关系扩展，能处理多跳推理问题，但构建和维护图谱成本很高。我其实很好奇，在什么业务场景下，GraphRAG的收益能覆盖它的成本？所以我的核心观点是：检索质量不是堆方法，而是理解业务场景后做精准的取舍。本质是让检索更精准地命中回答所需信息查询侧动手脚：改写和分解召回策略：混合检索弥补各自盲…

#字节#HyDE#RAG 检索质量

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…可信度，或者用LLM做上下文压缩，把冗余片段剪掉。说到这里，其实还有一个更前沿的方向我没展开，就是基于图的检索增强，比如 [[GraphRAG]]，它在处理多跳、关系密集的问答时比纯向量检索强很多。比如企业合规文档里，一个条款可能引用另一个条款，图结构能显式建模这种依赖关系。但它的构建和维护成本也更高，不是所有场景都适用。所以整体上，我更倾向把RAG检索看成多路召回加精排过滤的管线，而不是依赖单一技术。上线前我会特别注意分层检索的延迟预算，以及重排序模型的大小和[[…

#字节#混合检索#RAG 检索优化

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…先查券规则，再查折扣规则，最后判断是否冲突。单轮检索很难覆盖，我会考虑用[[Self-RAG]]让模型自己决定何时检索，或者用[[GraphRAG]]构建[[知识图谱]]，但延迟会更高。这就引出一个问题：能否让Agent在推理过程中动态决定检索深度和范围，而不是每次都全量检索？这可能是平衡延迟和准确率的一个方向。本质是平衡延迟与准确率的工程博弈延迟挑战：链路串行、重排序开销、上下文膨胀准确率挑战：语义鸿沟、切分策略、动态知识滞后 Agent场景的特殊性：多轮累积与工具耦…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…合。如果Embedding模型没针对领域微调，比如用通用模型去匹配法律术语，那召回效果会打折扣。我倾向于先做领域适配，或者用 [[GraphRAG]] 引入实体关系来补足语义。最后说落地的风险和取舍。前提是知识库质量要够好，如果文档本身就有错，RAG只会放大错误。常见失败场景是切分破坏了上下文，导致模型答非所问。所以上线前我会特别关注召回率的评估，用一套标准query跑一遍，看Recall@K有没有达标。如果召回率低，我会先调切分策略或者换Embedding模型。所以我的…

#字节#RAG系统实现#RAG 实现

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：…谱]] 来显式关联，但成本高，只有关键场景才做。最后提一句，如果知识库有强关联结构，比如法律合同引用了多个条款，我会考虑用 [[GraphRAG]] 来增强召回，但它的工程复杂度很高，不是所有场景都值得。所以总结一下，我会把召回优化看成一条链路：先保证数据质量，再选合适的检索模型，用重排兜底，评估时关注Recall@K和MRR。我更倾向于混合检索加领域微调这个组合，因为它在大多数业务场景里性价比最高。一句话定位：RAG召回评估与提升的本质是匹配问题评估指标：Recal…

#360#召回质量评估#RAG 召回优化