匹配正文：…页，模型会把不同时期、不同部署方式和不同口径的数据混在一起。所以这道面试题会越过概念背诵，直接考一个项目判断：什么问题用普通 RAG 就够，什么问题需要 Agentic RAG，什么问题才值得进入完整的 Deep Research？系统怎样自动分流，又怎样证明分流是对的？先划清三条路线普通 RAG 的典型链路是：用户提问，系统检索一批相关片段，把片段交给模型生成答案。它适合“答案已经存在于某一处资料中”的问题。例如安装方法、字段含义、某条规则的适用条件。工程重点是解…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：📊 学习时长:30-40 分钟 🎯 完成后能力:能用一段零依赖代码演示 RAG 的核心机制,并讲清为什么解析、切分、检索与评估同样关键 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用 20 行不依赖任何库的代码,亲手演示一遍 RAG 的核心机制 ✓ 看懂 3 个核心概念:什么是幻觉、什么是 RAG、什么是"上下文" ✓ 建立 RAG 的"两条链路"心智模型(这张图决定了本书后面 9 章的顺序) ✓ 学会判断…

#RAG#检索#项目实战

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…到什么 ✓ 把第 1 章的"迷你流水线"展开成端到端骨架,亲手跑通"建库 → 提问 → 召回 → 拼上下文 → 回答" ✓ 看懂 RAG 的四大模块(解析切分入库 / Query 理解 / 检索召回重排 / 上下文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + 两阶段(粗排→精排)"的漏斗 ✓ 想通一个关键问题:为什么离线要同时建"向量库 + 倒排索引"两套索引 ✓ 建立"模块联动"的全局视角:一处没做好会顺着链路放大本章按三段式组织,不同基础的读者各取所需: 段落…

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#检索#项目实战

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…回归记录至少应知道：输入文件版本、解析器和配置、处理时间、关键区域结果、异常类型，以及这次结果是否被允许入库。怎样把解析评测和 RAG 问题连起来？解析结果看起来正确，不代表用户一定能搜到答案。但最终答案错误，也不代表一定是解析器的问题。最有效的办法，是给评测问题同时标注参考答案和支持证据。支持证据不能只写文档名。长文档里可能有很多相近段落，找到同一份文件不等于找到回答问题的那一段。最好记录到内容区域、页码或对应 Chunk。有了证据位置，错误就能沿链路拆开。第…

#RAG#解析与入库#RAG 文档解析评估

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：“你们的 Chunk Size 设多少？” 这是 RAG 面试里很常见的一句追问。很多人会马上报出一个数字，再补一句设置了多少 Overlap。听起来很具体，却没有回答最关键的问题：为什么这个数字适合你的文档和用户问题？以下用一个教学示例来说明。一段制度原文依次写了适用条件、办理步骤和例外情况。固定长度切分刚好把“但以下情况不适用”留在前一块，把后面的例外条目放进后一块。用户搜索某个例外条目时，系统可能召回后一块。关键词命中了，前提却不见了。模型拿到的是一句局部事实，…

#RAG#切分与索引#RAG Chunk

面试题·RAG

RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？

匹配正文：…份同内容文件上传到另一个知识库，是复用向量还是保存独立记录，要根据权限与引用需求决定，不能只看哈希相同就跨范围合并。一条增量入库链路应该怎么走？可以把流程拆成七步。第一步，确认知识库范围与文档身份。第二步，解析文档并形成结构化内容。第三步，按确定的切分规则生成 Chunk。第四步，为每个 Chunk 计算稳定 ID，并批量查询哪些 ID 已经存在。第五步，只把新增或变化的 Chunk 送去计算 Embedding。第六步，批量写入文本、向量、来源、版本和状态等…

#RAG#切分与索引#RAG 增量入库

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：面试官问：“RAG 为什么要同时使用 BM25 和向量检索？” 一个常见回答是：“BM25 找关键词，向量检索找语义，两路一起用，召回效果更好。”这个回答讲到了两种检索方式，但还没有回答三个问题：两路分别会漏掉什么、找回的内容怎样排到一起，以及如何证明多跑一路确实有价值。面试官通常会顺着这三个问题继续问：只用 BM25 或只用向量检索，各自会在哪类问题上漏掉正确原文？两路分数不是同一把尺子，结果怎样合并，为什么还要重新排序？你怎样用一批带正确原文的问题，证明混合检索确…

#RAG#检索与重排#RAG 混合检索

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…建议边学边把每章的产出记进一个项目文档,这份文档最后自然长成你的证据链。教程章做完你能拿出的证据面试会怎么追问为什么需要 RAG 需求说明:场景、为什么不用纯大模型/微调 "这个场景为什么选 RAG 不选微调" 整体架构一张能手画的架构图 + 每个模块职责 "把你的链路画一下,数据怎么流" 文档预处理与切分 chunk 策略 + 大小的对比数据 "切多大、为什么、试过别的吗" Embedding 选型选了哪个模型、和备选的对比 "为什么这个 embedding,维…

#求职#职业转型

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总能返回结果，相关和足够怎样区分？阈值应该怎么定，换模型后还能不能继续用？有答案却被拒绝，和没答案却强答，哪个更严重？检索分数过…

#RAG#生成与对话#RAG 无答案检测

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：…，你可能发现员工手册有几十页，相关章节只讲报销范围，没有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，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…

#RAG#生成与对话#RAG 引用溯源

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：大模型八股不该盲背。每个方向面试官真正想验证的东西是固定的:RAG 验证你懂不懂检索链路的取舍,Agent 验证你能不能让多步流程稳定跑,评估验证你怎么证明"效果好"。你按"这个方向想验证什么 → 先看哪个教程/项目 → 代表题型 → 项目里怎么体现"这套结构去准备,比刷一百道零散题有效得多。这一篇是按方向的考点地图,帮你搭准备框架;逐题答案和口语讲法在题库里刷。作者:吴师兄 | 适合:准备大模型面试、想按方向系统过考点的人 | 前置:看过技术栈全景、选好了主线方向本篇和…

#求职#职业转型

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：… 为什么证据不能省？假设系统最终答对了，但没有找到知识库原文，而是依靠模型训练知识碰巧说对。只看答案，这条样本会被判为成功；从 RAG 链路看，检索实际上失败了。反过来，系统找到了正确证据，模型却理解错了。只看最终答案，团队可能误以为需要继续改检索参数。证据把这两种错误拆开了。只有答案与带证据评测样本的区别答案告诉我们“应该说什么”，证据告诉我们“应该从哪里找到，以及这句话为什么成立”。一个问题需要多段原文时，还要标出全部必要证据。比如在一个教学场景中，用户问某…

#RAG#评测与上线#RAG 评测集

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…标记指向的原文是否真的支持这句话”“用户能否回跳到正确页码、段落或时间位置”。答案带了一个看起来合理的出处，不代表引用一定正确。 RAG 指标要跟着证据流走先看证据能否进入候选，再看排序、生成和引用。这张链路图能解释为什么一个总体准确率不够。总体分数只能告诉你结果变了，分层指标才能提示原因可能在哪里。算指标以前，先统一“相关证据”的粒度公式不难，真正容易出错的是计分对象。一份文档可能被切成几十个 Chunk。同一段内容也可能因为 Overlap 出现在相邻 Chun…

#RAG#评测与上线#RAG 评估指标

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…识串起队列等待、召回、重排和生成阶段，才能区分容量不足、外部依赖抖动与模型变慢。把离线、在线与反馈闭环串起来面试收尾时，按“双链路、数据职责、失败退路、反馈回归”把系统连起来：我会把 RAG 拆成离线入库和在线问答两条链路。离线侧从上传、格式路由、解析、清洗、Chunk、Embedding、批量写入、完整性校验到版本发布，每一步都有任务状态和可恢复边界。新版本只有校验通过后才对外可见，失败时旧版本继续服务。在线侧先做身份和知识库范围校验，再进行 Query 处理、过滤、…

#RAG#评测与上线#RAG 系统设计

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：…本书每章的完整可运行代码 + 本附录的简历模板,都在配套 GitHub 仓库: 🔗 github.com/MisterBooo/rag-from-zero 运行前先阅读项目首页的配套代码与运行环境；完整模型/API链路另需依赖、权重与凭据。十章可运行代码 + 本附录的简历填空模板 clone 下来,跟着做、照着填欢迎 Star ⭐ / Issue 反馈写在最后:从第 1 章"为什么做 RAG"到这里"怎么把它写进简历",你已经走完了一条完整的链路:理解原理、动手实现、…

#RAG#检索#项目实战

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…统指令] [工作记忆：最近对话] [RAG检索：相关历史摘要] ← 动态填充 [当前用户输入] 平衡策略：设置token预算上限，RAG结果按相关性截断，确保总上下文<模型上限的80% 工程实现要点存储层：向量库（Milvus/Pinecone）+ 图数据库（Neo4j存关系）+ 时序库（TTL自动过期）实时性：记忆写入异步化，检索路径优先读缓存可观测：记录"检索→使用→反馈"链路，持续优化索引学习建议建议从人类记忆类比入手，理解记忆分层原理；掌握向量检索、摘要抽取…

#高德#Agent#向量检索

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…理服务；用共享内存替代网络传输；流式返回部分结果关键技巧：在阿里云场景下，利用函数计算FC的预留实例预热向量库，结合ARMS做全链路追踪定位瓶颈。二、结果正确率的成因与优化核心矛盾：Agent的"动态性" vs RAG的"静态性" 检索噪声：Agent任务漂移导致Query与知识库语义偏移优化：引入Query改写模块（HyDE/假设文档），结合Agent历史上下文做共指消解上下文碎片化：多轮检索结果拼接破坏逻辑连贯性优化：检索后重排序（ColBERT交叉编码器），…

#阿里云#Agent#RAG Agent 延迟优化

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：完整数据链路：5个关键阶段 1. 文档加载与解析技术要点：支持PDF/Word/HTML/扫描件等多格式，处理版面分析（Layout Parsing）性能影响：解析失败直接导致信息丢失；复杂表格/图文混排需专用工具（如Unstructured、Marker）关键决策：是否保留结构信息（标题层级、表格单元格关系） 2. 文本清洗与标准化去除页眉页脚、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 …

#字节#文档处理#向量检索

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工作原理 RAG 的本质是把「模型参数里的知识」和「外部知识库」解耦。索引侧:把文档切成语义完整的块(避免固定长度一刀切把条款劈成两半,优先按标题/段落等结构边界切分),做 Embedding 后存入向量数据库。检索侧:纯向量检索对订单号、错误码…

#美团#评估与监控#RAG 工作原理

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…：置信度校准、检索内容高亮标记、source attribution强制引用三、系统层面局限 5. 延迟与成本检索+重排+生成链路长，首token延迟高改进：检索缓存、预计算embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…流程（检索层→生成层→数据层）明确三类数据集（开发集、对抗测试集、线上回流数据）数据质量控制需覆盖采集、清洗、标注、持续监控全链路区分"检索不准"与"生成幻觉"两类根因给出可落地的迭代闭环机制诊断流程：三层定位法第一层：判断问题来源检索问题：召回文档不相关或排序靠后生成问题：检索准确但模型未正确利用（幻觉/忽略上下文）数据问题：知识库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…RR、BLEU、ROUGE 理解端到端评估框架RAGAS的核心指标知道人工评估与自动评估的权衡了解业务场景下的定制化评估需求 RAG评估需分检索层、生成层、端到端三个维度展开：一、检索评估（Retrieval Metrics）关注"找得准不准、全不全"： Recall@K：正确答案在Top-K检索结果中的比例，RAG最核心指标 Precision@K：Top-K中相关文档的比例 MRR（平均倒数排名）：正确答案排名的倒数均值，反映排序质量 NDCG：考虑文档相关性分级…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断