匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：这道题其实问的是，怎么把通用[[RAG]]改造成能在一个专业领域真正落地，核心挑战就是领域知识怎么结构化、检索怎么精准、生成怎么可控，而且这三环要能闭环迭代。先说数据预处理。专业文档不像通用网页，结构复杂、术语密集，随便切段落肯定不行。我会根据文档类型做不同处理，比如医疗病历有DICOM标准，法律合同有条款边界，先用[[OCR]]或解析器把元信息提出来，像疾病编码、法条编号、时效性这些。然后chunk策略要兼顾语义和结构：一方面用语义模型识别主题边界，另一方面按章节条款切，…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

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

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…，非简单Top-K截断提示工程角色设定：明确"基于提供的参考资料回答，不知道则说不知道" Few-shot示例：展示引用格式和拒答样例思维链：先让模型分析哪些文档相关，再生成答案三、流程层优化自适应RAG 检索判断：LLM先判断是否需要检索（Self-RAG风格）迭代检索：生成中发现信息不足，主动发起二次检索多跳推理：复杂问题拆解子查询，链式检索系统级缓存机制：高频查询结果缓存，embedding结果缓存反馈闭环：用户点赞/点踩数据回流，微调embeddi…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…解析、分块、向量化）检索阶段的双路召回策略（向量+关键词）重排序优化上下文拼接与提示模板设计生成阶段的引用溯源与幻觉控制 RAG完整工作流程一、离线知识库构建（预处理）文档解析：处理PDF/Word/网页等多格式，提取结构化文本知识分块（Chunking）：按语义/固定长度/递归分割，通常512-1024 token，块间保留重叠防止断句向量化：用Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Faiss/…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

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 检索器与知识库怎么搭?

匹配正文：真实性边界问题要求说明“在项目中应用 RAG”的技术细节。检索延迟、端到端延迟、准确率和幻觉率只能来自真实项目；通用架构示意不能包装成个人上线结果。回答框架知识库：数据来源、解析、分块、元数据、权限、版本与更新方式。检索器：稀疏/稠密模型、索引、Top-K、过滤、融合和查询改写。重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。 …

#美团#知识库构建#RAG 检索器设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…ing、向量存储等离线模块准确描述Query理解、检索召回、重排序、上下文融合、LLM生成等在线模块能说明数据流转的完整链路 RAG两阶段架构核心模块与数据流转第一阶段：离线索引（Indexing）目标：将原始文档转化为可检索的向量知识库模块功能输出文档解析处理PDF/Word/网页等多格式，提取结构化文本原始文本文档分块（Chunking）按语义/固定长度/递归等方式切分，平衡粒度与上下文文本块集合 Embedding编码用BGE、M3E等模型将…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…检索侧：证据 Recall@K、MRR/NDCG、重复率、过滤正确性。生成侧：答案正确性、Faithfulness、引用准确率、拒答质量。工程侧：索引新鲜度、吞吐、P50/P95/P99 延迟、成本和失败率。延迟目标必须依据产品 SLO、硬件和模型确定，不能把“向量检索低于 50ms、整体 P99 低于 500ms”作为所有 RAG 系统的通用标准。结论：RAG 的技术实现是一条带版本、权限、评测和回滚能力的证据链，而不是固定的组件清单。图解 RAG 系统核心组件怎…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…冲突、过期和权限不足的证据，并防止检索内容中的提示注入被当作系统指令。 4. 生成与校验模型基于证据生成答案和引用；证据不足时应拒答、继续检索或请求澄清。服务端验证引用是否指向真实候选，并记录查询、索引版本、候选顺序、模型版本和最终输出。结论：RAG 不是简单“外挂知识库”，而是从数据版本、检索、上下文到生成和引用的一条可观测证据链。图解 RAG 三阶段原理与失败场景图解

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…不截断 4. 重排序与过滤 Cross-Encoder 精排：比双塔模型准，但计算重置信度过滤：设置相似度阈值，低置信触发兜底或拒答工程权衡方案延迟效果增益适用场景查询改写 +50-100ms 中等用户 query 口语化严重 Cross-Encoder 重排 +100-300ms 显著对精度要求高，可接受延迟混合检索 +20ms 中等通用场景 baseline 实际落地建议：先上混合检索+轻量重排，再按需叠加复杂模块，同时建立 bad case 回流机…

#字节#检索故障诊断#检索质量优化

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：这道题其实是在问，你怎么把[[RAG]]系统从搭起来到真正好用，核心就是评估和优化两件事。我理解，评估是告诉你哪里有问题，优化是告诉你怎么办，两者是循环的。先说评估。我会分成三层来看。第一层是检索模块，主要看召回率和排序质量。比如Recall@K，还有MRR，这些能反映检索器有没有把相关文档捞回来，以及是不是排在最前面。第二层是生成模块，重点看事实性和[[幻觉]]率。事实性我会用NLI模型或者人工抽检，看答案是不是基于检索内容；幻觉率就是看有没有编造。第三层是端到端，用[[…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配口述回答：…回答固定数值，就要加引用约束、减少噪声、优化 prompt 或换更忠实的模型。最后我会看端到端指标，比如答案正确率、引用准确率、拒答率。因为检索指标提升不一定等于答案提升，必须确认优化真的改善最终回答。核心思路：隔离变量 + 对照实验症状快速分类关键实验：黄金文档替换实际案例：百度智能客服给出可延伸点：检索与生成的耦合问题约4分钟 RAG 错误经常是检索和生成耦合导致的，要通过 gold doc、消融和证据对齐拆开看。如何构造 misleading conte…

#百度#评估与监控#RAG 错误定位

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配题目：在RAG系统中，通过大模型对检索结果进行二次生成，如何有助于减少幻觉现象？请结合提示工程或约束生成策略说明。

#抖音#约束生成#RAG 幻觉

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…成本和观察窗口，不能用一个“准确率”概括全链路。我还会准备【失败案例】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embedding、索引、reranker、Prompt 和模型都版本化，多租户权限和缓存隔离单独验证。这样面试官追问任何一层，都能回到真实 trace 和实验。 RAG本质是让大模型先查后答，不是硬记数据层：多源解析和表格保留检索层：混合召回加重排，型号编码单独倒排生成层：置信度阈值防幻觉，版本冲突处理落地前提和风…

#百度#RAG项目复盘#RAG 项目指标化复盘

项目实战·RAG

第 9 章:上下文问答与引用溯源

匹配正文：📊 学习时长:50-65 分钟 🎯 完成后能力:能讲清 RAG 最后一环怎么把检索结果"翻译"成有据、可溯源的回答,会用 30 行代码实现"带引用 + 会拒答"的问答,并讲清引用溯源两条路线和幻觉检测 🔗 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:用一段零依赖代码,看到"有依据就带出处答、没依据就拒答" ✓ 看懂上下文问答:LLM 是基于检索到的资料作答,而不是凭记忆 ✓ 学会 Prompt 怎么拼(仅依据资…

#RAG#检索#项目实战

学习路线·学习路线

大模型应用开发学习路线

匹配正文：这条路线写给已经会编程，想做大模型应用开发、RAG 或 Agent 工程的人。它不要求你先把所有知识学完。不同背景的学习节奏差别很大，所以这里不按月份排任务，只看五个能检查的结果：我准备投什么岗位？我能不能把一条最小的模型应用链路跑通？我要把 RAG、Agent 还是 Deep Research 做成主项目？我有没有评测、失败案例和技术取舍证明这是自己做的？我能不能脱离稿子说清项目，并接住后续追问？学习路线不是一张课程表。每一步都有完成标准：留下能运行的代码、评测…

#学习路线#RAG#Agent

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…争、核辐射……"进了另一个块。假设用户问:"核辐射在保障范围内吗?" 系统只找回前半块,那块读起来像"本保险承保"。模型如果没有拒答约束,就可能据此回答:"在保障范围内。" 这个演练要说明的不是某次真实损失,而是因果链:一句话被切断 → 检索只返回残缺证据 → 生成阶段依据错误上下文作答。因此,切分策略是 RAG 系统的隐形地基;上层模型无法补回未被检索到的证据。这个失败路径,用一张图就能看明白: 切分前 vs 切分后:错误如何沿链路放大别急着记结论。本章后半会告诉你怎…

#RAG#检索#项目实战

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·评估· 百度

LLM 准确性提升四大路径

匹配正文：…于事实正确。解码参数、验证器和工具执行应按任务选择，代码用测试，数学用可检查计算，不能靠一条统一prompt解决。外部增强方面，RAG能把回答连接到可更新语料，但仍可能召回错误、忽略证据或错误引用。工具调用可以把搜索、计算和数据库查询交给外部系统，同时新增权限与注入风险。检索质量、证据支持率、答案忠实度和拒答都需单独评测。我的实验会先建立无增强基线，再分别加入数据改进、偏好优化、推理提示、检索或工具，每次只改变有限变量。按事实、推理、帮助性、安全、延迟和成本分桶比较，并保…

#数据质量#训练策略#推理优化

面试题·评估· 京东

知识型与行为型错误诊断

匹配正文：机制边界题目的方向成立，但不能把幻觉严格二分。RAG 在推理时检索外部资料，把答案约束到可更新、可引用的证据，适合知识缺失、知识过时、私域信息和需要出处的问答。它不修改模型参数，效果受召回、重排、文档质量和生成忠实度限制。强化学习或偏好优化通过奖励塑造输出策略，适合训练模型遵循指令、在证据不足时拒答、正确调用工具、遵守格式或改进可验证任务的行为。它不是可靠的事实写入机制；奖励可能带偏，策略也可能 reward hacking。只有结果或过程能被可信验证时，训练“推理模式”…

#京东#RAG 与强化学习#知识型与行为型错误诊断

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…不同措施，没有单一方案能保证事实正确。分层缓解训练层：清洗去重、提高来源质量、标注时间与出处；用监督和偏好数据训练引用、澄清与拒答。它能改变行为倾向，但不会把参数变成实时事实库。推理控制：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…

#阿里#幻觉治理#大模型幻觉缓解