匹配正文：…调用、大模型生成慢正确率挑战：检索不准、上下文噪声、多跳推理失败根因分析：向量检索局限、长上下文稀释、工具链复杂优化思路：预检索策略、重排序、缓存机制、混合检索延迟挑战与根因瓶颈环节具体表现根因检索阶段向量库查询+重排序耗时高大规模向量ANN搜索精度-速度trade-off，跨模态检索更慢工具调用 Agent多轮Planning-Action循环每次LLM调用串行，工具响应不可控生成阶段长上下文导致首token延迟高长序列KV Cache计算量大…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

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

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…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/递归/语义分块；块大小通常256-512 token 向量化将文本块转为稠密向量 Embedding…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“我的订单怎么还没到”，系统需要同时理解“订单延迟”这个语义，又要精确匹配订单号。你实际会怎么设计检索策略？层层追问 RAG里你一般怎么从文档里找答案？……如果只用向量检索，碰到“iPhone15”这种精确型号会不会漏？那你怎么把精确匹配加进来？……两个结果怎么融合？直球架构在RAG系统中，你采用了哪些检索方法？请说明选型原因，并讨论至少两种优化策略，包括索引、查询或重排序方面的具体手段。

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：答案要点能清晰划分RAG的三大核心模块（索引、检索、生成）并说明各自职责理解Embedding模型的选型考量和向量数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"三段式架构说明向量数据库和Embedding的核心作用解释检索策略（相似度搜索、重排序）的关键设计分析RAG缓解幻觉的机理（事实锚定+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token E…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…化点混合检索：稠密向量+稀疏向量+倒排索引，兼顾语义和精确匹配检索缓存：高频Query直接走缓存，降低延迟多路召回融合：不同检索策略结果用RRF（Reciprocal Rank Fusion）合并动态分块：根据Query意图调整chunk粒度（细粒度事实 vs 粗粒度综述）

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：答案要点清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI…

#字节#RAG系统实现#RAG 实现

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…查询预处理查询改写：扩展同义词、纠错、补全上下文（如HyDE生成假设文档）意图识别：区分事实查询/摘要/对比类问题，路由到不同检索策略 2. 向量检索执行索引结构：HNSW（高召回+速度平衡）、IVF-PQ（超大规模）、DiskANN（内存受限）参数调优：ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或Learned Sp…

#字节#向量数据库召回#RAG 向量检索

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配口述回答：…时信息。我特别关注的一个方向是让模型在生成过程中做自我反思，如果发现生成的内容和检索结果矛盾，它能主动发起二次检索。这个思路其实把RAG从被动接收信息变成了主动求证。所以我的判断是，传统RAG最适合那些知识相对静态、查询模式比较固定的场景，比如企业内部的知识库问答。一旦涉及实时数据、长尾查询或者高度依赖上下文的任务，就得在检索策略和生成逻辑上都做改造，不能指望一个固定流程解决所有问题。传统RAG本质是检索+生成的线性拼接，问题出在检索端检索噪声：语义相关但实际无关，电商…

#淘天#Agent#RAG 痛点

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…对了，还有一个容易被忽略的点：多向量表示。比如一个文档既存摘要向量又存详细内容向量，检索时先粗筛再细筛，效果会好很多。这其实涉及到检索策略的层次设计，有兴趣我们可以深入聊。所以整体上，我更倾向把RAG知识库构建看成一套系统工程，每个环节都有明确的边界和取舍。预处理决定下限，分块和Embedding决定上限，向量数据库和索引决定性能。没有银弹，只有针对场景做对权衡。定位RAG本质：检索增强不是万能药，重点在知识库质量和检索精度文档预处理：格式解析和清洗的坑，尤其OCR和表…

#美团#RAG 知识库构建#文档预处理

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Agentic RAG]]，让模型自主决定检索步骤，或者用[[ReAct]]框架把推理和检索交替进行。所以整体上，我会把RAG看成一种低成本、可迭代的知识注入方式，适合知识频繁更新或需要高可信度的场景。但它的天花板在于检索质量，如果知识库本身混乱或检索策略粗糙，效果反而比纯模型更差。我更倾向先用混合检索加Rerank打好基础，再根据业务需求决定是否引入[[Age…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

RAG 召回评估指标对比

匹配口述回答：这道题问的是[[RAG]]里怎么评估召回方法，本质上是在问：你选的检索策略到底能不能把正确答案送到生成器面前，并且以多高的效率送过去。对，不是单纯比谁分数高，而是要跟后面的生成环节联动着看。核心指标我主要看三个。先看 Recall@k，这是底线指标，比如Recall@5或者Recall@10，它决定你漏没漏掉关键信息。如果Recall不够，生成器拿到的上下文里压根没有正确答案，那后面[[Rerank]]也好、LLM推理也好，全是白费。所以任何RAG系统上线，我最先盯的就是R…

#抖音#Recall@k#RAG 召回评估

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…g]]模型把语义相近但任务不相关的片段排到前面时，我们怎么拆解和解决。核心矛盾是，Embedding的训练目标是语义相似度，而[[RAG]]业务要的是任务相关性，这两个东西天然有gap。举个例子，用户搜“苹果手机的电池寿命”，结果召回一段“苹果的营养价值”，因为“苹果”这个词向量靠得近，但用户要的是售后，不是营养学。我会从三个层面去分析。先说查询侧。如果query本身就有歧义，比如“苹果”，我能做的是查询重写：让LLM根据上下文把意图补全，比如改成“苹果公司手机电池寿命”。…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：我觉得这道题本质上在问：[[RAG]] 到底是不是一个拿来就能用的银弹？答案显然不是。它有很多坑，而且不同场景下坑还不一样。所以我的理解是，RAG 适合知识密集但不需要深度推理的场景，比如客服退款政策查询，而微调适合模型需要内化某种能力的场景，比如翻译。真正落地的时候，往往是 RAG 和微调配合着来，或者 RAG 内部几种检索策略混着用。先说检索阶段最大的问题，召回质量不稳定。向量检索有个所谓的语义鸿沟，query 和文档的 [[Embedding]] 空间可能没对齐，比如…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…了，数据怎么反哺到系统里形成闭环？比如你发现Faithfulness分数低的case，能不能自动标记出来，用来做后续的模型微调或者检索策略优化？这个数据飞轮转不转得起来，往往决定了系统能不能持续变好。所以整体上，我更愿意把评估看成一套组合拳：检索端抓Recall，生成端抓Faithfulness，业务端抓延迟和成本，再靠人工抽检兜底。如果只能选一个指标，我会选Faithfulness，因为它是RAG区别于普通对话系统的根本。定位：RAG评估本质是约束生成正确性检索端：R…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配口述回答：…位和不放在第一位，输出可能完全不同。说到这，我顺便提一个我比较关注的方向：动态检索。就是生成过程中根据已生成的token实时调整检索策略，而不是一次检索完。这在多跳推理场景下特别有用，比如用户问“张三在A公司的职位是什么，他后来跳槽去了哪”，一次检索很难覆盖完整信息链。当然这也有代价，就是延迟会明显增加。所以整体上，我会把RAG问题排查看成三步：先用黄金文档锁定责任方，再用指标和人工分析细化根因，最后针对性优化。如果检索和生成单独测都好但合起来差，那就去优化协同，比如改进…

#检索诊断#生成协同#RAG 效果诊断

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配题目：在RAG系统中，选择文本向量编码模型时需要考虑哪些技术指标和性能因素？

#百度#评估与监控#向量检索

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…]。如果发现召回不准，可能要调切块大小、换 Embedding 模型，或者加 [[Rerank]] 层。最后说我的判断：我会把 RAG 看成大模型落地的标配能力，而不是锦上添花。因为只要业务需要事实性，RAG 就是最稳的路径。但前提是你得把知识库当工程做，分块策略、检索策略、过滤策略，每一环都可能翻车。本质是开卷考试，解决知识截止和幻觉离线建库：分块、向量化、存库在线检索：混合检索策略生成：Prompt拼接与置信度过滤落地风险与取舍约4分钟 RAG上线后需要持续…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…你的知识库质量要够高，文档结构清晰，否则检索不准，后面生成再好也没用。我更倾向先做检索评测，再逐步优化生成，这样迭代路径更清晰。 RAG的核心定位与适用边界三阶段流程与关键环节落地风险与优化策略高级变体与工程取舍约4分钟 RAG落地上限在检索质量，而非生成能力。面试官可能会追问：你怎么量化检索质量？有哪些评测指标？如何针对不同业务场景选择检索策略？

#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

匹配口述回答：…骤，端到端训练，对复杂排版效果很好。但代价是计算量更大，而且对纯文本页面的检索精度可能不如传统方法。所以整体上，我更倾向把多模态RAG看成一套组件化的方案，根据业务场景选编码器、定检索策略、挑生成模型，不存在万能框架。关键是把跨模态对齐的坑填好，再平衡好成本和效果。点明本质：多模态RAG解决的是图文混合输入场景下的检索生成问题框架选择：LlamaIndex适合快速集成，LangChain适合灵活定制核心组件：编码器、检索器、生成器的协同与对齐落地风险：模态对齐精度和…

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线