匹配正文：…写什么 RAG 智能问答系统示例 Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放业务维度场景/用户/数据源/约束/边界面向某垂直领域内部文档问答,数据源是几百篇 PDF/网页,约束是必须给引用出处…

#求职#职业转型

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…为做而做说清给谁用、痛点是什么、为什么不用纯大模型或微调为什么需要 RAG 文档处理你有没有碰过真实脏数据讲你的文档格式(PDF/表格/扫描件)、清洗和解析踩的坑文档预处理与切分 chunk 策略你的切分是拍脑袋还是有依据切多大、按什么切、试过别的没有、对召回的影响文档预处理与切分检索召回你懂不懂检索的取舍向量/关键词/混合怎么选,召回率怎么测、多少条测试集检索召回·混合检索 rerank 你的每个模块是不是都"知道为什么在" 选哪个 rerank 模…

#求职#职业转型

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：…需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加一下？引用链的起点在文档解析，而不是 Prompt。 PDF 在解析时不能只抽出一串纯文本。文字框、页面布局、表格和图片等内容经过处理后，还要保留页面与位置信息。Chunk 进入索引时，应该能回答它来自哪个文档、哪一页、哪个章节，以及原文在页面上的位置。这些 metadata 有不同职责。 doc_id 和 chunk_id 用来稳定识别内容。kb_id 用来限制搜索范…

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

#RAG#生成与对话#RAG 引用溯源

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：一、文档清洗：去噪保真核心目标：保留有效语义，消除格式干扰结构化提取：PDF用适配版面的PDF解析器，扫描件先OCR；DOCX/标记文档可用Pandoc等支持相应输入格式的工具，再保留标题、表格与来源。Pandoc原生输入格式不含PDF。噪声过滤：去除页眉页脚、水印、重复模板内容；正则清洗特殊符号语义连贯：处理跨页断句、表格换行，必要时用VLM提取图片/图表信息元数据保留：记录文档来源、章节标题、时间戳，用于后续过滤和重排序二、文本分块：粒度与上下文的权衡策略 …

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：…分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100%，尤其表格和数字，识别错了直接带偏后续检索。所以我会在清洗阶段保留结构信息，比如标题、表格的边框，同时标注元数据，比如文档来源、章节、…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：1. 文档预处理格式解析：PDF用PyMuPDF/MinerU，Word用python-docx，HTML用BeautifulSoup 内容清洗：去除页眉页脚、页码、特殊符号；统一编码；处理OCR错误结构保留：提取标题层级、表格结构、段落关系，用于后续语义分块 2. 文本分块策略策略适用场景注意点固定长度实现简单，参数需评测比较多组 chunk size 与 overlap 候选，验证边界召回和冗余成本递归字符按标点/换行逐级切分优先保证句子完整性语义…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…用embedding相似度检测主题边界块内语义一致、检索精度高计算成本高、边界可能漂移长论述性文本、医学综述结构感知切块解析PDF/DOC的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1.…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…义边界，检索相关性高缺点：计算成本高，需预设相似度阈值适用：高质量问答系统、对精准度要求高的场景 4. 文档结构感知分块利用PDF的标题、章节、表格等元信息，按逻辑单元切分优点：块与业务语义对齐，检索结果可直接用于生成缺点：依赖文档解析质量，需针对不同格式定制适用：合同、论文、报告等结构化文档工程实践建议多数场景应先比较结构分块、递归分块与不同重叠窗口，用同一评测集权衡效果与成本块大小候选由Embedding输入限制、文档结构、查询类型和LLM上下文预算共同…

#百度#文本分块策略#RAG chunking

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…dding模型的选型考量（中英双语、上下文长度、领域适配）向量索引结构对比（Flat、IVF、HNSW）与选型场景完整数据流：解析→清洗→分块→向量化→元数据关联→入库完整流程：原始文本 → 向量数据库 1. 文档解析与预处理格式兼容：PDF/Word/Markdown/网页等统一解析，处理乱码、特殊符号结构保留：提取标题层级、段落边界，为语义分块提供依据清洗降噪：去除页眉页脚、重复内容、无效HTML标签 2. 分块（Chunking）策略策略适用场景关键参…

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：一、文档处理层核心挑战：专业文档格式复杂（PDF扫描件、表格、手写批注）多模态解析：OCR+LayoutLM提取图文混排内容，保留章节层级结构智能分块：按语义边界切分（条款/病例段落），非固定长度；医疗场景保留"主诉-检查-诊断"完整上下文元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）二、索引构建双轨索引策略：类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…A/B测试日志数据质量控制方法采集阶段源文档准入：权威来源优先，设定时效性阈值（如知识库只保留2年内文档）格式标准化：统一PDF/网页解析，处理表格、代码块等特殊结构处理阶段切片策略：按语义边界切分（标题-内容关联），控制chunk长度（通常256-512 tokens）去重与消歧：相似度聚类去重，对同名实体做消歧标注持续监控检索命中率、答案相关性的人工抽检（每周5%抽样）用户反馈闭环：低分case自动入库，定期review 解决优先级数据层：清洗脏数据…

#字节#RAG 上下文不准确#RAG 诊断

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量，用同一评测集比较证据完整率、召回与成本二、向量化：选型与微调 Embedding模型选择场景 …

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等），…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 字节

RAG 检索与生成流程详解

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（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：…文蕴含" 多模型路由：简单问题用小模型，复杂/高风险问题触发大模型+严格校验关键检查点调优前务必确认：检索片段的格式是否统一（PDF解析残留乱码、表格转文本丢失结构是常见隐形杀手）。

#生成模型调优#上下文利用#RAG 生成不准确

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…ation)，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：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Query向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HN…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：主流多模态RAG框架对比框架核心多模态能力特色 LlamaIndex 原生支持图像、PDF、表格解析数据连接器丰富，MultiModalVectorStoreIndex LangChain 通过Unstructured/Multimodal Embeddings扩展生态灵活，需自行组装多模态链路 Vercel AI SDK / RAGFlow 端到端多模态文档解析侧重工程化落地核心组件拆解 1. 多模态编码器图像：CLIP、OpenAI CLIP、国产Chin…

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…ConversationBufferMemory等上下文持久化方案 LlamaIndex的核心能力数据连接器：100+种数据源（PDF、Notion、数据库、SaaS等）索引策略：VectorStoreIndex、TreeIndex、KGIndex、DocumentSummaryIndex等检索优化：自动检索器选择、混合搜索、重排序（rerank）、递归检索查询引擎：支持子问题分解、多文档对比、结构化数据查询选型决策优先选LangChain 需要调用多个外部工具/…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：一、文档预处理：领域知识结构化核心挑战：专业文档格式复杂（PDF表格、扫描件、法律条款层级）多模态解析：用LayoutLM或专用OCR提取图文混排内容，保留空间位置信息语义切分：按"条款-段落-句子"层级切分，医疗场景用UMLS术语边界，法律用条款编号锚定元数据增强：注入{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM…

#字节#重排与优化#RAG 链路优化

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收益文档解析布局识别（如PDF转Mar…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

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）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：答案要点离线知识库构建（文档解析、分块、向量化）检索阶段的双路召回策略（向量+关键词）重排序优化上下文拼接与提示模板设计生成阶段的引用溯源与幻觉控制 RAG完整工作流程一、离线知识库构建（预处理）文档解析：处理PDF/Word/网页等多格式，提取结构化文本知识分块（Chunking）：按语义/固定长度/递归分割，通常512-1024 token，块间保留重叠防止断句向量化：用Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…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、论文按章节分元数据标注：来源、时间、类别等标签，用于过滤和溯源二、向量索引构建 …

#百度#文档切分与检索#RAG 实现流程