匹配正文：公开教学项目：从文档解析、检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.…

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…缓存也要按租户或可见范围隔离。回答时要覆盖数据访问、候选被无权内容占位、权限变更后的失效与审计记录。面试官：上下文窗口越来越长，RAG 还有必要吗？不要先站队。比较资料规模、更新频率、查询量、引用要求、延迟与成本。小而稳定的资料可能适合长上下文，大规模且持续更新的知识库通常仍需要检索。选型结论应来自约束，而不是来自技术偏好。第三部分 · 用自己的事实完成复盘练完技术追问后，再做一次真实性检查。把项目描述中的每个动词标出来：设计、实现、优化、上线分别是谁做的？把每个…

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…重点：测试约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：垂直领域 RAG 完整架构。评分与复盘 dimension：ownership 0：只会复述团队目标，无法说明本人职责。 1：能说出参与模块，但职责边界和决策权不清。 2：能区分本人、同事和平台职责，并给出实现证据。 3：职责、决策、协作边界和可核验工件完整一致。 dimension：chain-understanding 0：只罗列技术名词，讲不清数据如…

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

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：适合做过 RAG 评测的人，重点练评测数据怎么来、指标怎么算、错误怎么定位，以及怎样持续改进。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 RAG 场景】评测体系，承担【样本、标注、指标或平台模块】。需要准备：个人职责；样本来源；评测工件。建立【真实评测集与指标】，定位【真实失败类型】并验证【真实改动】。需要准备：指标与基线；样本切片；失败分类；验证结果。逐层练习 1. ownership · …

#模拟面试#简历项目#连续追问

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：…：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：为什么这样分块、召回率怎么测、混合检索和重排为什么要加、幻觉怎么归因。背概念挡不住追问，最好把一个完整 RAG 系统亲手做一遍。没做过 RAG 项目，直接背面试题有用吗？用处有限。面试官继续追问时会检查实现、实验与职责。建议先按自己的基础完成公开教程和一个可运行版本，再回来按…

#专题学习#RAG 面试题大全与知识体系

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…视频从头看一遍。更理想的办法，是让系统直接找到讲年假的那几十秒，整理出答案，同时把原视频和时间位置交给你复查。这正是很多人希望 RAG 做到的事。 RAG 这个名字听起来有点技术，其实就是先从指定资料里找内容，再让大模型根据找到的内容回答。它和普通聊天的区别在于，大模型回答之前会先“翻资料”。但找到资料也不代表一定答对，答案最好还能回到原文检查。问题来了：PDF、Word 都可以作为资料，视频也是一个文件，为什么不能直接扔进知识库？因为知识库真正需要的不是一个文件名，而…

#RAG#解析与入库#视频 RAG

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

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

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能用一段端到端代码跑通 RAG 的完整骨架,并讲清四大模块各管什么、怎么联动 🔗 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 ✓ 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 + …

#RAG#检索#项目实战

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

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…深,站内有完整 RAG 教程接住。为什么需要 RAG(一句话回顾) 仅靠模型参数不能可靠覆盖最新或私有知识，生成答案也可能出错。RAG 就是在提问前,先去外部知识库捞出相关资料,塞进上下文,让模型"照着资料答"——把闭卷考试变成开卷考试。三步拆解用户问题 ↓ ① 检索:把问题和知识库都变成向量,找最相似的几段相关片段 ↓ ② 增强:把片段拼进 prompt("根据以下资料回答…") 拼好的 prompt ↓ ③ 生成:让 LLM 基于资料作答带依据的回答最小实现(…

#Agent#AI 编程

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：…住吗追问第二层就"这个我没深究过" 为什么少一环就会被追穿:这 8 项不是并列的清单,而是一条因果链。没有①,你说不清为什么用 RAG;没有④,你的"效果好"是空话;没有⑤⑥,你的技术选择全是"跟着教程";没有⑧,前面做得再实也会在追问的第二层塌掉。面试官的追问方式就是顺着这条链往下戳,戳到第一个没有证据的环节,这个项目在他心里就"水"了。所以做项目不是"把功能实现",而是"把这 8 份证据一份份攒齐"。 RAG 10 章 → 你要产出的证据 → 对应简历/面试点下面这张…

#求职#职业转型

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时，应该…

#RAG#生成与对话#多轮 RAG

面试题·RAG

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

匹配正文：很多人做 RAG 评测时，会先算一个“答案准确率”。如果分数上涨，就认为系统变好了；如果分数下降，就继续换 Embedding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、…

#RAG#评测与上线#RAG 评估指标

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：…,还有"服务多少人、降本多少、处理多少查询"。面试提示:这五条本质是同一件事,让每条项目主张都有证据。可以写"我遇到 X 问题,实现 Y 方案,在 Z 评估设置下得到自己的实测结果",但 X、Y、Z 都必须来自你的项目,不能从教程搬运。 2.2 一份完整的项目经历长什么样完整的 RAG 项目经历结构项目背景(2-3 句):说清规模 + 价值。示例句式:"从 0 到 1 构建 <行业> 领域问答系统,处理 <N> 份多格式文档,服务 <M> 名 <用户> 的 <业务>,日…

#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：…Cross-Encoder精排Top-K结果信息密度筛选：优先选包含实体、动作、结论的片段动态窗口分配：工作记忆固定槽位 + RAG结果弹性槽位 Prompt注入模板 [系统指令] [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…

#高德#Agent#向量检索

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…age）支持流式、异步、并行执行 Agent场景：ReAct、Plan-and-Execute、Self-Ask等推理模式的标准化实现 RAG角色：提供RetrievalQA、ConversationalRetrievalChain等高层封装，但检索本身依赖外部 2. LlamaIndex —— 数据检索框架核心定位：LLM与外部数据的高效连接核心能力：多源数据索引（100+ loaders）、高级检索策略（路由、融合、重排序）、查询引擎技术特点：索引类型丰富（Vect…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 字节

Agent 记忆衰退：为何与如何实现

匹配正文：答案要点明确必要性：历史信息确实会干扰决策，尤其是动态环境中列举2-3种具体实现机制（时间衰减、重要性评分、主动遗忘）说明与RAG/向量检索的结合方式提及实际落地中的权衡（衰减参数调优、计算开销）必要性判断有必要，尤其在两类场景：动态环境：工具API、业务规则频繁变更，旧记忆会误导决策长会话Agent：上下文累积后，早期无关信息稀释有效信号但注意区分：事实性知识（用RAG外挂）vs 交互记忆（会话上下文），后者才是衰减机制的主战场。三种实现方式机制核心…

#字节#Agent#Agent 记忆衰退

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…重排序二、文本分块：粒度与上下文的权衡策略原理适用场景注意点固定长度按token/字符数切分，带重叠窗口通用场景，实现简单固定长度与重叠窗口都只作为候选配置，具体大小由文档结构、Embedding输入限制和同一评测集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Embedding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：一、文本分块（Chunking）核心原则：语义完整性与检索粒度的平衡策略适用场景工具固定长度候选实现简单，参数需评测 LangChain RecursiveCharacterTextSplitter 语义分块文档结构清晰（论文、合同）按标题/段落边界切分递归分块长文档层次化结构先按章节，再按段落滑动窗口需要上下文连贯比较无重叠、短重叠和较长重叠关键细节：chunk size 必须低于实际嵌入模型的输入限制，并在同一评测集比较；过小可能造成语义碎片…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配口述回答：…再按精度、延迟与成本选择。没有绝对最优的方案，最终还是要通过检索召回率和端到端答案质量来联合评估。总的来说，我会把切块策略看成是RAG系统里一个需要反复调优的环节，而不是一劳永逸的决定。一句话定位：本质是检索粒度和语义完整性之间的权衡先讲最直接的方法和它的边界再讲语义切分和它的前提最后讲混合策略和落地风险收尾给出工程师姿态的取舍并给出可延伸点约4分钟切块策略能否动态化，比如让LLM或聚类算法自动判断语义边界。面试官可能会追问动态切块的实现方式、成本控制，以及…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配正文：…要时做指代消解常见Chunking策略策略做法适用场景固定长度按token/字符数硬切（长度作为候选变量）通用场景，实现简单；适合均匀分布的文档递归字符切分优先按段落→句子→单词层级切分需要保持语义完整性；适合技术文档、文章语义切分用embedding模型检测语义边界对语义连贯性要求高；适合对话、叙事文本结构化切分按章节、标题、表格等文档结构切分 PDF/Word等富格式文档；需保留层级关系 Agentic切分用LLM判断最佳切分点高质量要求…

#字节#文档处理#RAG 数据清洗

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：这道题问的是[[RAG]]知识库构建，但我觉得面试官真正想听的是：你怎么在检索质量和工程成本之间做取舍。RAG本质上是个检索增强系统，知识库的质量直接决定了最终回答的上限，所以我会把整个流程拆成几个核心环节来讲，重点说每个环节的权衡和落地坑。先说文档预处理。这一步最容易被低估，但实际踩坑最多。比如PDF解析，用PyMuPDF或者MinerU能搞定大部分，但遇到扫描件就得走[[OCR]]，而OCR的错误率直接影响后面检索的准确性。我一般会保留文档的标题层级和表格结构，因为这对…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：常见分块策略对比 1. 固定长度分块实现：按token数或字符数硬切分（如512 tokens）优点：实现简单、Embedding批次处理高效、便于控制上下文长度缺点：边界可能切断语义（如"深度学习...的优化方法"被拆开），导致检索片段不完整适用：通用场景、对延迟敏感、文档结构松散时 2. 语义边界分割实现：按句子（NLTK/spaCy）、段落（\n\n）、或主题模型（如BERTopic）切分优点：保留语义完整性，检索结果可读性强缺点：块大小不均，可能过长（超…

#腾讯#文档处理#RAG Chunk 划分