匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…在线分离、缓存策略、反馈闭环整体架构用户Query → 查询理解 → 混合检索 → 重排序 → 上下文组装 → 领域生成 → 后处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：PDF/OCR识别表格、Word修订痕迹处理、扫描件版式还原结构化抽取：用LayoutLM或专用模型提取条款层级（章-节-条-款）、案件要素（案号、当事人、判决结果）质量与标准化领域术语对齐：建立法条同义词表（如…

#字节#专业领域RAG#领域 RAG 架构

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？

匹配正文：PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？假设你在做设备借用知识库。一页指南分成两栏：左栏是办理步骤，依次提交申请、审核通过后领取、用完归还；右栏是申请材料，列着工号证明、审批记录和设备清单。人读这页纸，通常会先沿左栏把流程看完，再去右栏找材料。解析后的文本却可能变成“提交借用申请、工号证明、审核通过后领取设备、审批记录、用完后办理归还、设备清单”。每个字都能在原页找到，内容也与设备借用高度相关。办理动作和申请材料已经混成一条队伍。把它切成段落送进知识库…

← 上一页第 2 / 2 页

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#PDF解析#阅读顺序

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配口述回答：…题本质上是问，当用户输入不只有文字，还带着图片、表格、PDF时，怎么把这些[[多模态]]信息检索出来并交给模型生成答案。多模态[[RAG]]不是简单把文本RAG换皮，它要解决的是跨模态的对齐和融合。我先说说主流框架。现在用得多的，一个是LlamaIndex，一个是LangChain。LlamaIndex原生就支持图像、PDF和表格解析，它的MultiModalVectorStoreIndex可以直接把图片和文本的向量存到同一个索引里，开箱即用，适合快速验证。LangChai…

#淘天#多模态#多模态 RAG 实现方案

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配口述回答：…没把规矩立好，模型还是可能跑偏。所以我更倾向用结构清晰、约束明确、且动态适配的模板，而不是一个通用的万能prompt。这道题在问RAG落地时prompt怎么设计才能让模型听话先说结构分层：系统指令、检索上下文、用户查询要隔离再讲防幻觉机制：强制引用、不确定时声明、标注推测然后处理实际坑：长上下文截断、冗余去重、多文档冲突最后动态模板思路，以及我倾向的判断约4分钟当检索文档本身存在矛盾时，prompt约束可能不够，需要考虑引入验证步骤如Self-RAG。面试官可…

#商汤科技#Prompt工程#Prompt 模板设计

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…约束。一个是引用溯源，让答案里的关键结论能对应到来源文档；一个是拒答机制，如果检索分数太低或者资料互相冲突，就不要硬编；还有一个是后处理，比如检查格式、敏感信息、引用是否存在。所以 RAG 不是简单的“搜一下再回答”，而是从文档处理、召回、[[重排]]、上下文组装到生成约束的一整套链路。任何一环出问题，最后答案都会受影响。比如检索没找对，prompt 写得再好也没用；检索找对但上下文塞太多噪声，模型也可能被带偏。我会特别强调一点：RAG 的上限往往先由检索结果决定，再由生…

#百度#RAG三阶段#RAG 工作流程

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…理控制：要求基于证据并使用结构化输出；将计算交给代码、数据库和确定性工具。降低温度只减少采样随机性，不能修复错误知识。知识增强：RAG 提供可更新、可引用证据，并配合混合检索、重排、权限过滤和引用定位。检索错误、文档冲突、提示注入或模型忽略证据时仍会失败。后处理：拆分可验证声明，用权威数据源、规则、专用模型或人工复核。验证器也会出错，并增加延迟与成本。产品策略：展示证据和不确定性，允许澄清与“不知道”，按风险限制自动执行范围。评估应分别测检索命中、引用正确性、证据忠实…

#阿里#幻觉治理#大模型幻觉缓解

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

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…本下的旧方案结果文档类型分层、标注规范、样本版本与评测记录下一步：failure。配套学习：Chunking 策略怎么选?、RAG 数据清洗与 Chunking 怎么选?。 7. failure · failure 请给出一个最难的坏页：失败发生在 OCR、版面、表格还是后处理？修复是否伤害其他文档类型？考察重点：确认候选人见过方案边界，并能完成证据驱动的失败复盘。可复现的输入、链路证据和错误输出根因验证与修复后的固定样本回归需要追加追问时：failure_ca…

#模拟面试#简历项目#连续追问

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：…面分析可以把标题、正文、表格、图片、页眉页脚、印章和水印列为需要区分的区域类型。具体类别要按实际文档调整，关键是让不同内容进入不同后处理逻辑。第三步，恢复阅读顺序。先判断页面有几栏，再在每个栏位内部按纵向顺序组织。标题与紧随其后的正文要保持联系，同一段被拆成多个文字框时需要合并。栏间切换不能只依赖一个坐标，还要结合区域边界、间距和内容类型。第四步，专项处理表格。表格不能只留下单元格文字。要恢复行、列、表头和合并单元格等关系。结构化结果可以保存为 HTML、JSON 或…

#RAG#解析与入库#复杂 PDF 阅读顺序

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：…进 prompt,让模型"做选择题"而不是"做问答题"; 强制输出格式:要求"只输出编号"或输出 JSON,否则模型爱加一堆解释,后处理是噩梦; few-shot 示例:给 1~2 个"问题 → 类别"的范例,准确率立竿见影地涨; 留一个"其他/兜底"类:避免模型硬把不相关问题塞进某一类。业内行话:意图识别最坑的不是"分不准",而是输出不可控:模型今天回"理赔咨询",明天回"这应该属于理赔相关咨询~",下游根本没法用。枚举 + 强制格式 + few-shot 这三件套,先把…

#RAG#检索#项目实战

项目实战·RAG

第 9 章:上下文问答与引用溯源

匹配正文：… 中等 → 【检索对了生成还差】检索已返回相关文档,生成仍不理想,可能的原因有哪些(提示工程/上下文建模/微调)? 中等 → 【RAG 缓解幻觉】 RAG 如何通过引入外部知识缓解幻觉?实现机制和效果边界是什么? 较难 → 【输出真实性验证/溯源】生成后有哪些后处理技术验证回答真实性(事实核查、引用溯源、一致性检测)? 较难 → 【生成控制】生成流程里人工干预与控制机制能起什么作用?怎么用反馈/规则影响准确性与合规性? 中等 → 学完这一章你应该能干嘛跟着做(Part…

#RAG#检索#项目实战

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配正文：…对事实性幻觉效果显著，可追溯来源关键：检索质量决定上限，需解决检索失败和内容冲突美团实践：结合实时业务数据（如商户信息）做领域RAG 3. 解码策略优化方法核心思想适用场景 Contrastive Decoding 对比大/小模型输出，惩罚低置信token 开放生成 CAD（Context-Aware Decoding）降低无上下文时的先验概率影响忠实性幻觉事实核采样对实体类token提高采样阈值事实密集型任务 4. 后处理校验自我一致性（Self-Co…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·模型微调

生成质量差怎么调优?

匹配追问：…相关的知识片段，但生成的回答老是东拼西凑、逻辑不通，用户反馈说读不懂。你觉得问题可能出在哪儿？从哪些方面动手调优？层层追问你的RAG系统生成质量不行，一般先看检索还是生成？……如果确定检索结果没问题，生成侧你会怎么优化？……具体到Prompt、上下文处理、模型微调这些方向，你分别有什么策略？直球架构在一个检索-生成系统中，检索已精准返回相关文档，但生成输出质量差，比如不连贯、偏离主题、信息遗漏。请列出所有你能想到的调优方案，包括Prompt、上下文、微调、后处理等，并…

#RAG 生成质量#指令遵循#生成模块调优

面试题·RAG· OPPO

多信号评分函数原理与陷阱

匹配正文：…排序标签时可用 RankNet 或 LambdaMART；深度模型适合高维交互，但不是由“数据大”自动决定。后置约束：在候选得分后处理去重、多样性、频控、合规与库存等硬约束，并记录每项调整便于归因。一个线性基线可写为 s(x)=Σw_iφ_i(x)，但权重必须用标注、点击日志或实验估计。若日志由旧排序产生，应处理位置和选择偏差，避免把曝光机会误当相关性。离线使用 NDCG、MRR、Recall、校准误差和分桶指标，同时测 P95 延迟与稳定性；线上用受控实验观察业务指标…

#OPPO#多信号排序#评分函数设计

面试题·RAG· 小红书

ROI 问题怎么影响推荐效果?

匹配正文：…：分组搜索+多样性惩罚 Top-p/Nucleus采样：引入随机性，避免贪婪解码 MMR（最大边际相关）：相关性-多样性联合排序后处理/重排行列式点过程（DPP）：建模物品间相似度矩阵，优化子集多样性滑动窗口去重：过滤近期已曝光内容模型结构解耦表示学习：将兴趣表示分解为多个因子，独立控制各维度多样性小红书场景特点内容平台更关注Repetition（同一博主刷屏）和多样性（跨类目发现），通常采用"DPP重排 + 曝光过滤 + 探索流量扶持"的组合策略。学习建议 …

#小红书#推荐多样性#ROI 问题

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配口述回答：…此需要分层数据和独立安全回归。知识密集任务要把答案连接到证据。检索可返回最新文档，计算器、代码执行或数据库可处理确定性事实，但 RAG 不是自动真实。检索可能漏证据，模型可能忽略上下文，文档还可能包含提示注入。系统应区分指令与不可信内容，校验引用是否真的支持对应断言，工具采用最小权限、参数白名单、超时和审计，高风险动作需要确认。【完整展开】解码只能改变候选分布。降低温度或约束 JSON 能提高复现性和格式通过率，不能把错误知识变正确。Contrastive Decodi…

#幻觉检测#内容安全#RLHF

面试题·项目与经历· 360

扫描PDF怎么解析内容?

匹配追问：如何处理复杂表格和跨页表格的识别与还原如果OCR结果存在大量噪声，如何在RAG检索阶段保证召回质量多模态大模型（如Qwen-VL、GPT-4V）与传统OCR方案如何取舍或结合场景切入假设我们公司最近在做合同审核的自动化，用户上传的扫描件PDF纯图像，没有任何文字层。你作为技术负责人，会怎么设计流程把这些PDF里的内容解析出来？层层追问你平时处理过PDF文档吗？……如果是扫描件那种图像PDF呢？……那从图像里提取文字你会用什么技术？……提取完文字之后，怎么知道哪些是…

#文档智能#OCR#版面分析

面试题·Agent· 美团

大模型输出怎么做真实性验证?

匹配正文：大模型后处理的真实性验证，核心思路是**"生成后校验"**——不依赖模型自我约束，而是通过外部信号或交叉验证来确认输出可靠性。主要技术路线： 1. 事实性核查（Fact Verification）检索增强验证将生成内容拆分为原子声明（claim segmentation）对每个声明独立检索权威知识源使用NLI模型判断"检索证据→支持/反驳/无关"生成结论典型工具：RARR、FAC2框架工具调用验证对可验证实体（时间、数值、人物）调用API/Wikipedia查询…

#美团#Agent#大模型真实性验证

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配正文：答案要点能区分幻觉产生的根源（知识边界 vs 推理错误）掌握RAG的核心架构与检索策略优化理解SFT/RLHF在事实性对齐中的作用知道推理阶段如何通过后处理提升准确性能结合实际场景给出权衡方案一、模型架构层面知识解耦设计将"语言生成"与"事实存储"分离，如KGLM、RETRO等架构，显式引入外部记忆模块稀疏注意力机制，让模型学会何时查询外部知识而非依赖参数记忆工具调用能力通过Function Calling架构，让模型自主判断需调用的工具（计算器、搜索引…

#百度#模型微调#评估与监控

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配口述回答：…某个场景错误率突然飙升，我会立刻排查是模型版本变更还是业务规则调整。这里我想提一个延伸点：输出质量校验和模型本身的[[Self-RAG]]或[[Self-Refine]]能力怎么结合？比如让模型自己先检查一遍输出再返回，这能减少很多后处理负担，但代价是延迟和成本。怎么权衡，我觉得值得深入探讨。所以整体上，我更倾向于把输出质量控制看作一个系统工程，不是单靠某一个环节。源头约束要强，校验要分层，异常要有预案，最后用数据反哺。这样上线我才放心。本质定位：输出质量是系统最后一…

#字节#大模型输出过滤#大模型输出检测

面试题·模型架构· 商汤科技

幻觉一致性延迟诊断

匹配口述回答：…是知识本身不在模型里，也可能是召回漏掉、重排错了、上下文被截断，或者模型读到证据后仍越界生成。频繁变化的价格、政策和库存更适合放在RAG或受控数据库中，让答案带来源并做规则或工具验证。知识编辑适合研究或少量、边界清晰的事实修正，但不能取代可追溯数据源。 ROME也要描述准确。它通过定位与事实关联的MLP计算，并对权重矩阵做定向的低秩更新来改变特定关联，不是找到一个神经元后改一个数。连续编辑还可能影响无关知识，因此需要局部性和保持性测试。知识频繁更新时，不断改权重的审计、回滚和…

#幻觉问题#输出一致性#推理延迟

面试题·模型微调· 百度

Prompt Engineering 关键原则有哪些?

匹配口述回答：…键信息容易被淹没，模型反而会忽略后面的指令。我上线前一定会做压力测试，比如用不同表述问同一个问题，看输出是否一致，如果不稳定就得加后处理规则兜底。另外，对于需要实时知识的场景，比如查询最新库存，我其实更倾向把Prompt Engineering和[[RAG]]结合起来，让Prompt负责格式和推理，RAG负责提供事实，这样互补效果更好。所以我的判断是：Prompt Engineering是性价比最高的调优手段，没有之一，但它有明确的天花板。我会把它作为第一选择，如果效果不…

#百度#模型微调#Prompt工程

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配追问：…问 Prompt设计你一般怎么入手？……怎么保证模型每次都按你想要的格式输出？……如果模型偶尔不遵循指令，你是改Prompt还是加后处理？直球架构设计一个Prompt模板，要求能稳定输出JSON格式的意图和实体，并且适应不同业务场景。你用什么结构？怎么处理边缘Case和注入攻击？

#科大讯飞#阿里#Prompt工程