匹配正文：答案要点明确多模态RAG的定义（支持文本、图像、视频、音频等多模态输入和检索）技术挑战（跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：…际检索内容，过滤幻觉引用对输出质量的影响策略直接影响精准筛选减少噪声干扰，降低幻觉概率结构化模板提升回答连贯性和格式一致性来源强制标注增强可信度，便于人工审核冲突显式处理避免模型武断选择，体现信息完整性学习建议建议先掌握RAG基本流程，理解检索与生成的衔接机制，结合实际案例练习Prompt设计，关注上下文排序、去噪与信息融合方法。

#字节#Prompt工程#RAG Prompt 设计

面试题·RAG· 美团

RAG 知识库怎么增量更新?

匹配追问：…有索引行不行？……那如果频繁插入，索引性能会不会下降？怎么缓解？……再极端一点，万一插入了错误文档，怎么回滚？直球架构设计一个RAG知识库的动态增量更新方案，要求：支持文档高频新增、低延迟索引生效、资源开销可控。请讲清楚索引选型、工程架构（比如双缓冲、WAL）、以及如何处理一致性、碎片、回滚这些挑战。

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

#美团#知识库增量索引#RAG 增量更新

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…mperature（0.3-0.5），使用重复惩罚避免循环生成四、关键保障机制机制实现幻觉检测检索内容与生成答案的NLI一致性校验；实体链接回标可解释性输出附带引用片段高亮、置信度分数人机协同低置信度案例自动转人工审核，形成数据飞轮五、评测闭环检索评测：Recall@K、MRR、领域特定指标（如法律：法条命中率）生成评测：RAGAS（faithfulness, answer_relevance）+ 专家人工评估线上监控：用户反馈收集、拒答率追踪、时效…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…y的相似度低于阈值时，触发"知识不足"提示，抑制幻觉证据验证：要求模型在生成时显式引用文档片段，用NLI模型核查生成内容与证据的一致性多文档共识：当多文档结论冲突时，输出"存在不同说法"并列出依据，而非强行综合三、关键设计原则偏差无法完全消除，核心目标是可控降级——检索失败时让模型"知道不知道"，而非强行编造。学习建议深入理解RAG流程，掌握检索、重排序与生成协同机制，结合实际案例进行系统性分析。

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配正文：RAG完整工作流程 1. 查询预处理阶段 Query改写：识别用户意图，扩展同义词，澄清指代消解 Query分解：复杂问题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encod…

#美团#评估与监控#RAG 工作流程

面试题·检索· 百度

RAG Query 改写方法

匹配口述回答：…把多查询扩展和子问题分解混着用，线上只用一层改写控制延迟，复杂情况走异步多路召回。这里有个坑：改写过度会导致语义漂移。我上线时会加一致性校验，改写后的query和原query的embedding相似度低于阈值就回退。说白了，改写不是越多越好，得在召回率和速度之间平衡。好，检索到文档后，提示词构建是关键。我的模板核心就三块：角色定义、上下文组织、引用标注。先说角色，比如‘你是电商客服专家，基于参考资料回答’，这能约束模型不瞎编。上下文我会按相关性分数倒序排列，动态截断token…

#百度#小鹏#美团

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

领域 RAG 架构如何控幻觉?

匹配口述回答：这道题问的是专业领域[[RAG]]系统怎么搭，本质上是在考你怎么把通用RAG的能力约束到知识边界内，保证输出准确、可溯源，同时兼顾效率。我以法律场景为例，具体说一下我的方案。先说数据预处理。这块最核心的不是怎么切分，而是[[分块]]策略的取舍。固定切分简单，但法律条款跨块就会丢语义，所以我倾向按段落边界切，保证每个块语义完整。同时我会做多粒度索引：原文段落做粗粒度，拆解后的法条做细粒度，再额外维护一批问答对做应用层，这样不同查询能命中不同粒度的块。还有一个前提是术语对齐，比…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…于以下材料回答，不知道就说不知道" 加入CoT引导："先分析材料，再给出结论" 幻觉抑制要求模型生成引用标记，事后校验答案与原文一致性置信度打分：让模型自评答案可靠性，低置信度转人工常见陷阱检索内容多但生成忽略，需监控context utilization 多文档冲突时无仲裁策略，应提示模型说明分歧四、系统层面延迟优化：向量检索<50ms，重排序并行化，流式生成首token 离线评估：构建黄金测试集，分离评估检索（Recall@K）和生成（F1/人工评分）缓存：…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：…ction/M/nlist/nprobe）精度与效率的权衡策略（分层检索、量化压缩、动态阈值）一、相似度计算方法余弦相似度是RAG中最常用的度量：公式：cos(θ) = (A·B) / (||A|| × ||B||) 核心优势：对向量长度不敏感，只关注方向一致性，适合语义相似性判断工程实践：向量通常已归一化，此时点积等价于余弦相似度，计算更快其他方法包括欧氏距离与内积。内积也可用于已归一化向量，此时等价于余弦；两端单位范数时，平方L2=2−2×内积，排序等价。度量…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配口述回答：…束。面试里如果被问“怎样高效”，我不会只报 QPS，还会说明为了这组 QPS 接受了多少召回损失、内存和更新复杂度。一句话定位：RAG向量匹配本质是延迟与召回率的平衡 ANN算法选型：HNSW vs IVF的边界与混用业务场景举例：企业SOP检索的量化与索引策略落地风险：动态更新与一致性工程师取舍：冷热分层+混合检索约4分钟动态更新场景下，HNSW的增量插入会导致图质量退化，需要双索引加异步重建来保证召回率和一致性。面试官可能会追问双索引的切换时机、一致性保证的…

#安克科技#ANN性能权衡#RAG 向量匹配

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：答案要点区分结构化数据与向量数据的存储场景和查询模式阐述混合检索架构的设计（向量+关键词+结构化过滤）说明数据同步与一致性保障机制讨论选型考量因素（规模、延迟、成本、团队能力）给出具体的集成方案（如PostgreSQL+pgvector或分离架构）核心设计原则 RAG知识库不是"二选一"，而是分层存储 + 混合检索。向量负责语义匹配，结构化负责精确过滤，两者互补。存储层设计数据类型存储方案典型场景向量Embedding 专用向量库（Milvus/Pine…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：…外，必须有失败降级链，比如检索超时就回退到参数知识回答，但标记待核实。这里其实有个延伸点：当知识库频繁更新时，增量索引的实时性和一致性很难同时保证。比如新增文档后，索引还没更新，旧文档被删除了但索引还在，都会影响召回质量。我倾向用双缓冲影子索引，base加delta，查询时合并再按版本过滤，构建完用固定query回放校验，通过才原子切换。所以整体上，我不会追求单一方案最优，而是根据场景做取舍。比如客服场景，我会更看重延迟，把简单查询走缓存，复杂查询走RAG；而风控合同场景…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配口述回答：…窗口和记忆密度三层记忆体系：工作记忆、短期、长期检索策略：语义+时间+重要性混合动态更新与遗忘：摘要压缩、增量更新、冷存储 RAG集成与工程风险约4分钟当记忆规模大到语义漂移时，向量检索召回率下降，可引入图结构显式存储实体关系来提升关联记忆的召回。面试官可能会追问图结构的具体实现方式，比如如何构建图谱、如何与向量检索融合，以及维护图的一致性成本。

#高德#Agent#向量检索

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配题目：在构建RAG系统时，从原始文档到可检索知识库的完整数据处理与索引流程包含哪些关键步骤？请详细说明各阶段的技术要点及其对系统性能的影响。

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配口述回答：…合同，重排后可能还是混淆，我会加元数据过滤，比如版本号、日期，先缩小候选集。还有一个点是，当知识库更新频繁时，增量索引的实时性和一致性很难兼顾。我上面提到用双缓冲，但实际工程中还要考虑索引重建的时机和回滚机制。这块如果做得不好，线上会出现搜不到刚更新的内容，或者搜到旧版本，影响用户信任。所以整体上，我更倾向于把RAG检索看成一个多阶段pipeline，从分块到嵌入到索引到检索，每个环节都有trade-off，而且必须用业务数据验证。如果只让我抓一个关键，那就是分块粒度决定…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[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…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 京东

RAG 分块策略选型

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成小块，既能保证检索的时候命中率高，又不让大模型拿到碎片信息瞎编。说白了就是精度和完整性的一个取舍。先说最直接的方法，固定长度[[分块]]。按token或者字符数一刀切，实现简单，上线快。但问题很明显，可能一句话被拦腰切断，语义就断了。所以它适合ToC场景，比如商品搜索，用户只想要个价格或参数，上下文不完整问题不大。反过来，语义分块是用[[Embedding]]相似度检测主题边界，块内语义完整。但计算成本高，而且依赖e…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配题目：在构建基于RAG的系统时，你是如何设计文本分块策略的？请说明分块的粒度选择、重叠处理以及向向量数据库写入数据的具体流程。

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配题目：在RAG系统中，文档数据如何进行存储和向量化处理？请说明从原始文本到向量数据库的完整流程，包括分块、嵌入模型选择和索引结构设计。

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：好，这道题其实是在问一件事：怎么让大模型在不知道答案的时候，能自己去查资料，然后给出靠谱的回答。[[RAG]]就是干这个的，它本质上不是让模型学会新知识，而是给它配一个外挂知识库。先说整体流程，我习惯把它拆成三段。第一段是索引，把知识文档切成小块，大概几百个token一段，然后用编码模型转成向量，存到[[向量数据库]]里。第二段是检索，用户问一个问题，同样用编码模型转成向量，去库里做近邻搜索，召回最相关的几段。第三段是生成，把问题和召回文档拼在一起，喂给大模型，让它基于这些…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配口述回答：…可信的工程系统，而不是单纯堆模型。从数据切分到检索融合，再到生成约束和评估闭环，每一步都要为可解释和低容错服务。一句话定位：领域RAG本质是知识可信与可解释数据处理：语义分块与知识图谱补充检索系统：混合召回与查询改写生成模型：引用溯源与安全拒答评估与持续优化：专家闭环与Bad Case归因约4分钟知识库频繁更新时，用双缓冲策略加增量索引来保证检索实时性和质量面试官可能会追问增量更新的具体实现细节，比如如何维护删除标记、如何做原子切换，以及一致性校验怎么做。

#字节#专业领域 RAG#RAG 系统设计