匹配正文：核心概念 RAG将大模型的参数化记忆（训练学到的权重）与非参数化记忆（外部知识库）结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序…

#淘天#阿里#RAG 架构

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，…

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#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…coder精排）生成侧：上下文窗口压缩、让模型先判断"是否足够回答" 工程侧：缓存热点Query、检索失败兜底策略一句话总结 RAG = 给LLM配个"外挂硬盘"，需要时查资料，不用死记硬背，答不准还能甩锅给知识库。学习建议建议系统学习该知识点

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：RAG核心概念 RAG（Retrieval-Augmented Generation）是一种将外部知识检索与大模型生成相结合的技术范式。核心动机：大模型参数知识存在截止时间和幻觉风险，RAG通过实时检索"开卷考试"。工作原理：三阶段流程阶段动作关键组件索引（Indexing）文档切分→Embedding→入库向量化模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Mil…

#字节#RAG工作原理#RAG 工作原理

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：…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生成个性化文案，提升点击率更成熟，快手已落地"为你推荐"的个性化话术四、核心挑战与应对挑战应对策略幻觉（推荐不存在item）约束解码+检索增强（RAG），先召回候选集再重排实时性 LLM只做离线特征或粗排，精排保持轻量；或投机解码成本大小模型级联，简单请求走小模型，复杂请求触发LLM 评估困难离线用A/B test，在线关…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配正文：…Prompt，标注数据来源时间戳，让模型感知时效性反馈闭环用户点击/转化数据回流，动态调整索引权重和切分策略相比纯模型/静态RAG的优势时效性：分钟级数据可见，解决大模型知识截止问题准确性：数据分布漂移时，检索结果自动跟随变化，无需重训模型成本可控：避免频繁SFT，用检索成本替换训练成本美团场景的特殊考量外卖/配送业务中，商户状态、运力、价格实时变化：索引需支持高并发写入（高峰订单量）检索需考虑地理位置作为硬过滤条件冷启动问题：新商户用结构化字段兜底，逐…

#美团#外挂数据库增强#外挂数据库

面试题·RAG· 字节

RAG 二次生成怎么提升安全性?

匹配正文：核心结论能提升，但非万能。大模型二次生成是RAG安全防线的重要一环，需配合检索质量、规则拦截等多层防护。作用机制与实例 1. 敏感内容过滤（输入侧净化）场景：用户查询含诱导性提问（如"如何制作违禁品"），检索可能返回边缘知识机制：大模型基于安全对齐训练，识别检索内容的敏感属性，拒绝合成或输出安全提示抖音实例：直播话术RAG中，检索到历史违规案例后，模型生成"该表述存在违规风险，建议替换为..."而非直接复现 2. 事实一致性增强（输出侧校验）机制：利用模型推理能力…

#抖音#RAG输出安全#RAG 二次生成

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配标题与标签：人工干预怎么控制 LLM 生成? RAG 场景下人工反馈与规则系统如何提升准确性与合规性 RAG 快手人工反馈控制人工干预 LLM 生成 RAG 人工反馈规则系统控制生成快手

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配标题与标签：大模型输出怎么检测和过滤? 格式错误、内容不合理等问题的处理方法,结合 RAG 场景 RAG 字节大模型输出过滤大模型输出检测输出过滤方法 RAG 输出质量控制字节

#字节#大模型输出过滤#大模型输出检测

面试题·RAG

RAG 检索准但回答差怎么调?

匹配标题与标签：RAG 检索准但回答差怎么调? 分析生成质量瓶颈,从 Prompt 到 LLM 再到后处理系统性优化 RAG 上下文组织生成质量调优 RAG 生成质量差 RAG 调优策略 RAG 检索准确回答差

#上下文组织#生成质量调优#RAG 生成质量差

面试题·RAG

LLM 封闭标签方法对比

匹配标题与标签：LLM 封闭标签方法对比封闭标签分类的 Prompt、约束解码、后处理和微调对比 RAG 封闭集合分类约束解码 LLM 封闭标签方法对比 LLM 怎么严格输出预定义标签？方法对比与选型 LLM 输出限定标签

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：… 快速缩小候选范围速度快、召回率高、精确率低 LLM重排/生成（精排）深度判断+综合决策理解深、可结合上下文、成本高直接用大模型做全库检索：成本不可接受仅用向量检索：精度不足，引入噪声会污染生成 4. LLM的独特优势上下文感知：结合对话历史理解当前问题多维度判断：综合时效性、权威性、完整性等推理能力：判断"这段内容是否能回答用户问题" 一句话总结：向量检索解决"找得快"，LLM解决"找得准"，两者互补构成完整RAG链路。

#字节#向量召回与重排#RAG 重排序

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配标题与标签：RAG 三阶段原理与失败场景检索、增强、生成三阶段详解,含 Embedding 与 LLM 调用检索百度 RAG三阶段 RAG 工作流程 RAG RAG 三阶段 Embedding 检索 LLM 生成百度

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配标题与标签：RAG检索质量差：Embedding与Rerank调优大模型应用中 Embedding 与 Rerank 的调优策略检索字节检索故障诊断检索质量优化 Embedding 调优 Rerank 策略 RAG 上下文优化字节

#字节#检索故障诊断#检索质量优化

面经·项目面试

面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？”

匹配标题与标签：面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？” 同一行180和260，切出来以后还能说清列名、单位和费用条件吗？用四行跨页报价表，验证行组上下文、脚注范围与原页定位。项目面试 RAG 表格切分文档解析大模型面试

#RAG#表格切分#文档解析

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配标题与标签：PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？同样九块文字，一种排法把步骤装进材料栏，另一种保住了栏目。沿双栏指南，讲清阅读顺序怎样恢复、错误怎样定位。项目面试 RAG PDF解析阅读顺序大模型面试

#RAG#PDF解析#阅读顺序

项目实战·RAG

RAG 智能问答系统

匹配正文：…项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.11独立环境。原requirements使用版本范围，不是完整锁文件，也不保证不同平台今天安…

#项目实战#RAG 智能问答系统

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：从系统链路、检索选型到评测与权限，演示面试官怎样验证一段 RAG 项目描述这不是候选人实录，而是一套用于自测的教学对话。请把示例问题换成自己的项目事实，再练回答。本文是教学设计，不对应真实公司、候选人或录用结果。文中不预填项目规模、个人职责与效果数字；练习时只能使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 …

#RAG#项目深挖#教学复原

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：适合做过 RAG 评测的人，重点练评测数据怎么来、指标怎么算、错误怎么定位，以及怎样持续改进。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 RAG 场景】评测体系，承担【样本、标注、指标或平台模块】。需要准备：个人职责；样本来源；评测工件。建立【真实评测集与指标】，定位【真实失败类型】并验证【真实改动】。需要准备：指标与基线；样本切片；失败分类；验证结果。逐层练习 1. ownership · …

#模拟面试#简历项目#连续追问

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

系统教程·模型微调

大模型微调与训练面试题大全

匹配正文：应用岗不一定天天训练模型，但一定会被问到什么时候该微调、和 RAG / Prompt 怎么取舍、LoRA 怎么做、DPO 和 RLHF 有什么区别。这一页把微调、训练、对齐三类题连成一条线。配套教程要不要做微调 / Post-Train 项目，轻量版怎么做 Deep Research 第 6 章：训练数据与多阶段训练知识模块轻量微调、LoRA 与应用场景轻量微调、LoRA 与应用场景训练流程、数据与稳定性训练流程、数据与稳定性 RLHF、DPO 与偏好对齐 RL…

#专题学习#大模型微调与训练面试题大全

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：普通工程师转大模型应用开发,不是把算法岗那套从头学一遍,而是先选应用落地入口:用 4-5 个月把概念、LLM 调用、RAG/Agent 项目、真题与面经串成一条线;研究生重在实习窗口,在职后端重在保留工程优势再补模型层。作者:吴师兄 | 适合:研一/研二、工作约 3 年 Java/后端、想从传统工程转大模型应用的人 | 前置:会写代码,最好做过后端服务或课程项目先说清楚:这条路线不是算法岗备考路线大模型应用开发的核心产出不是论文,也不是从零训练一个基座模型,而是把模型能…

#求职#职业转型

系统教程·AI 编程

面试高频:LLM、Token、上下文、Agent 到底是什么

匹配正文：…(读输入/状态) → 规划(想下一步) → 行动(调工具) → 观察(看结果) → 回到规划……直到完成一句话:Agent = LLM(大脑) + 工具(手脚) + 循环(自治) + 记忆(状态)。面试官问「Agent 比直接调 LLM 多了什么」,答的就是这后三样。配套站内概念图:题库里 Transformer、注意力、KV Cache、RAG、Agent 等都配了示意图,看图理解更快。面试常踩的点「大模型为什么会幻觉?」→ 它是概率预测,不是知识库;不知道也会"流…

#Agent#AI 编程

RAG Prompt 模板设计陷阱

RAG 核心架构与工作流程

RAG 怎么提升生成准确性?

RAG 怎么提升生成质量?

RAG 怎么提升事实准确性?

LLM怎么融入推荐系统？意图理解与生成

外挂数据库怎么提升大模型准确性?

RAG 二次生成怎么提升安全性?

人工干预怎么控制 LLM 生成?

大模型输出怎么检测和过滤?

RAG 检索准但回答差怎么调?

LLM 封闭标签方法对比

RAG 为何需要重排序?

RAG 三阶段原理与失败场景

RAG检索质量差：Embedding与Rerank调优

面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？”

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

RAG 智能问答系统

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

RAG 评测集与 bad case项目模拟面试

RAG 面试题大全与知识体系

大模型微调与训练面试题大全

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

面试高频:LLM、Token、上下文、Agent 到底是什么