页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「RAG 工作流」找到 63 条内容
按专题浏览 →匹配正文：RAG完整工作流程 四阶段架构： 阶段 核心任务 关键组件 索引构建 文档→Chunk→Embedding→向量库 分块策略、Embedding模型、索引结构 检索召回 Query→Embedding→Top-K检索 向量检索、关键词补充、混合检索 精排过滤 粗排结果→相关性打分→筛选 重排序模型、多样性控制、阈值截断 生成合成 上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制 关键瓶颈与优化策略 瓶颈1：检索延迟高（P99>500ms） 根因： 向量…
匹配口述回答：…会选 重排序，因为它直接提升最终生成质量，而且随着 Cross-Encoder 模型越来越轻量，延迟问题在逐步缓解。 一句话定位：RAG检索本质是平衡召回率与精度的工程问题 检索模块的工作流程：索引构建、在线检索、结果组装 提升相关性的三个方法：混合检索、重排序、查询改写 落地风险与取舍：延迟、一致性、场景适配 约4分钟 上下文压缩作为可选模块，在文档长噪声大时启用，但需权衡延迟和成本。 面试官可能会追问上下文压缩的具体实现方式，以及如何评估压缩对生成质量的影响。
匹配口述回答：…案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。 Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评测集上逐步加模块，分别看 Recall@K、MRR 或 NDCG、答案正确性、引用支持率、拒答、P95/P99 …
学习内容与项目面试，在同一条路上。