匹配正文：…line）步骤功能关键设计文档解析处理PDF/Word/网页等多格式保留结构信息（标题层级、表格位置）文本分块将长文档切分为chunk 策略：固定长度/语义分块/递归分块；chunk size通常256-512 tokens 向量化 Embedding模型编码为稠密向量选用领域适配的模型（如BGE、M3E）；考虑稀疏向量（BM25）做混合索引存储写入向量数据库 Milvus/Pinecone/Elasticsearch；构建HNSW索引加速ANN检索三…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：答案要点清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量…

← 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

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：答案要点清晰描述RAG三阶段流程（索引-检索-生成）说明检索器核心组件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…再用点积、余弦或距离检索。点积同时受方向和模长影响；向量做 L2 归一化后，点积排序与余弦排序等价。模型质量取决于训练域、负样本和文档切分。融合与评估可对两路候选取并集去重后用 RRF 按名次融合；也可校准两路分数后加权，或交给 cross-encoder 重排。RRF 不要求原始分数同尺度，但仍需调节候选深度和常数；分数加权必须防止尺度漂移。应分别报告 BM25、Dense 与 Hybrid 的 Recall@K、MRR/NDCG、无答案率、P95 延迟和成本，并按编…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：RAG完整工作流程 1. 索引阶段（Offline）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、E5等模型生成稠密向量元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配追问：…几百页的技术手册，我们要用它来回答各种细节问题。你会怎么把这本书切成一段段，既保证检索能命中，又让生成器能看懂上下文？层层追问 RAG 里文档切分你一般怎么做？……如果按固定长度切，有什么坑？……那怎么避免句子被切碎？……有没有办法既保留小粒度又给大上下文？……你觉得哪种策略最实用？直球架构设计一个 RAG 系统的文本切块模块，要支持固定长度、语义边界、递归分层三种策略，并且能配置重叠比例。你怎么设计接口和策略选择逻辑？各自适合什么场景？

#字节#文档处理#RAG 文本切块

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：这道题其实问的是[[RAG]]落地的核心工程问题，怎么把非结构化的文档和用户查询，转成计算机能高效检索的向量。说白了，这中间每一步都有取舍，不是一个模型一套流程走到底的。先说文本预处理。很多人觉得就是切切文档，但这里有个挺关键的边界：固定长度切分和语义切分的区别。固定切分简单，但照搬一个固定长度很容易把一句话或者一个逻辑断成两半，检索的时候召回的内容不完整。语义切分就好很多，比如按段落、按标题层级来分，甚至可以用LLM辅助判断自然断点。但语义切分也有代价，就是计算开销大，而…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：…要加 [[Rerank]] 这一步，因为向量相似不等于语义相关，用 [[Cross-Encoder]] 精排能过滤掉很多噪声；三是文档切分策略，固定长度切分经常把语义切碎，我倾向按语义段落或者用 [[Sliding Window]] 加重叠来切。这里有个常见的坑：很多人以为 RAG 跟微调是二选一，其实不是。微调适合让模型学固定格式或风格，比如客服话术；RAG 适合知识频繁更新的场景，比如政策文档。真正落地常常是 RAG 加微调一起上，比如用 RAG 检索最新政策，再用微调…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…有，但文档里写了，检索就能补全。举个例子，电商智能客服场景。用户问'满减优惠能叠加吗'，如果模型凭记忆回答，可能给出过时的政策。RAG会实时从知识库检索最新的满减规则文档，生成答案时附上引用。用户追问'那和店铺券呢'，再检索店铺券规则。整个过程完全动态，而且每个回答都有出处，客服复核也方便。不过落地RAG不是简单的'配个[[向量库]]就行'。有几个风险我特别关注。一是文档切分策略，[[Chunk]]太大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延…

#淘天#事实准确性#RAG 减少幻觉

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…那就适合用SFT去固化这种风格，因为风格是长期稳定的。具体到场景，我重点说两个。第一个是金融政策解读，比如央行突然发了一个新规，RAG能立刻把新规文档索引进去，用户问“房贷利率怎么调”，模型检索后给出带原文引用的回答。第二个是企业内部SOP与合规文档查询，不同部门、不同版本的文件堆在一起，员工问“报销流程”，RAG能精准定位到最新版SOP，并且告诉你是第几章第几条。但这里有个坑，RAG的效果上限取决于检索质量。如果知识库里的文档切分太粗糙，或者[[Embedding]]模…

#美团#模型微调#RAG vs SFT

面试题·RAG· 百度

RAG 索引构建管线

匹配追问：…去年的财报数据”，结果搜出来一堆无关片段。你觉得索引环节可能哪里出了问题？比如文档怎么分块、向量怎么存，才能既快又准？层层追问 RAG里检索这一步，你觉得哪些因素会影响效果？……比如文档切分不对会怎样？……那embedding模型呢？……还有索引结构，像FAISS，有没有什么技巧能让召回更精准？直球架构聊一下RAG索引环节的优化策略，从分块、embedding、索引结构到增量更新，你一般怎么设计才能平衡检索效率和准确性？具体说几个你常用的方法。

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG检索方法选型原因？

匹配题目：在RAG系统中，您采用了哪些检索方法（如密集检索、稀疏检索等）？请说明选择这些方法的原因，并讨论可能的优化策略。

#字节#评估与监控#RAG 检索方法

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：这道题其实是在问，怎么让[[RAG]]系统从知识库里精准捞出有用的信息，本质是个匹配问题。我主要从评估、检索模型、[[重排]]和数据质量几个角度来说。先说评估。检索阶段和生成阶段的关注点不一样，检索阶段我只看召回率，就是正确答案在不在TopK里，用 Recall@K 来衡量。如果场景对顺序敏感，比如客服系统里必须把最相关的退款政策排第一，那我还会看 MRR，也就是第一个正确答案的排名。但端到端评估像[[RAGAS]]那种，是测最终答案好不好，这跟检索评估是两码事，我一般分开…

#360#召回质量评估#RAG 召回优化

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配标题与标签：长文档 Chunking 怎么选? 医学法律领域 RAG 系统文本切分策略对比,5 种方法优缺点分析文档处理字节 RAG Chunking 长文档切分文本切块策略领域 RAG Chunking 方法对比字节

#字节#RAG Chunking#长文档切分

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能在本机用 30 行代码切完一份 PDF,并讲清切分如何决定一个 RAG 系统的天花板 🔗 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 langchain 跑通你的第一份文档切分 ✓ 看懂 3 个核心概念:什么是切分、什么是召回率、什么是 top-k ✓ 亲手重现一个切分失败演练,理解"切分为什么是地基" ✓ 看懂基础方案可能遇到哪些坑,并学会用自己的评估集比…

#RAG#检索#项目实战

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：答案要点 RAG基本原理（检索+生成两阶段流程）传统RAG的局限性（语义碎片化、缺乏全局关联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配正文：答案要点传统RAG的局限性（语义孤立、全局信息缺失） GraphRAG的核心流程（索引阶段构建知识图谱+社区摘要，查询阶段利用图结构检索）社区发现算法在GraphRAG中的作用 GraphRAG相比传统RAG的三类优势（连接性、全局性、可解释性）实际落地时的权衡（成本、延迟、图谱质量）传统RAG的局限传统RAG将文档切分为独立文本块，通过向量相似度检索。问题在于：语义孤立——文本块间的关系丢失；全局信息缺失——无法回答"总结全书主题"这类跨文档问题。 GraphRA…

#字节#知识图谱#GraphRAG

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…估集、错误样例、优化前后对比追问准备出问题时你是否知道边界失败原因、替代方案、下一步优化站内两条项目线对应两种简历打法: RAG 智能问答系统:适合大多数后端、Java、信息系统、企业知识库方向。它覆盖文档切分、向量检索、重排、Query 改写、记忆、引用、评估。 Deep Research Agent:适合想冲 Agent、研究助手、自动化调研、工具调用方向的人。它覆盖 ReAct、长程任务、工具网关、记忆、训练数据、评估。研一/研二如果时间够,可以 RAG 做主…

#求职#职业转型

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…转型,而是计划太散。把目标缩小到“本周把文档切块和向量检索跑通”,比“我要学完大模型”有效得多。看一篇真实案例再校准预期可以读RAG 工程面试教学复原。这类案例的重点不是“别人拿到了什么结果”,而是看面试官怎么追问:文档切分、召回、重排、评估、RRF 参数、项目真实性,每一层都在验证候选人有没有真正做过。你读面经时要做两件事: 把每个追问映射到自己的项目里:如果同样问你,你怎么答? 把答不上来的地方变成项目补丁:补评估、补参数依据、补错误样例。看几个真实反馈:在职转型…

#求职#职业转型

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…:最典型的翻车不是不会讲,而是主线讲得太顺、一往深追就露馅,因为那是背下来的讲法,不是做出来的经验。有个很常见的场面:候选人把 RAG 项目主线讲得行云流水——"我做了文档切分、混合检索、加了 rerank、带了引用溯源",听起来样样都有。面试官挑一个点往下追第二层:"你说加了 rerank,为什么选这个模型?不加它效果会差多少?你是怎么量化这个差距的?"——卡住了。因为 rerank 是照着教程加的,模型是默认的,加不加差多少从来没测过。这一卡,面试官心里立刻给整个项目打…

#求职#职业转型

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…以用户点击反馈作为运行前提；领域偏移与实体匹配效果仍要评估。评估指标我重点看三个。质量上，Recall@k 是首要的，因为 [[RAG]] 里漏检代价最高，你漏了相关文档，后面生成就没了依据。然后是 MRR，它看第一个相关结果排得多靠前，对排序质量敏感。效率上，P99 延迟是红线，向量检索可以选择精确搜索或HNSW等近似索引；延迟、构建、更新与资源成本依实现和负载测量。权重的考量完全由业务场景驱动。举个例子，电商客服的退换货场景：用户问“我买的鞋码不对怎么办”，如果只靠 …

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配口述回答：…AG。高频且事实稳定的场景，比如公司内部SOP查询，我倾向预检索加缓存，减少实时检索延迟。但时效性强的，比如实时政策，那就得上实时RAG加搜索引擎API。具体到检索环节，我一般用[[Hybrid Search]]，向量相似度加[[BM25]]关键字，再结合知识图谱路径。检索完一定要做[[重排]]，用[[Cross-Encoder]]把噪声文档过滤掉。生成的时候，强制模型标注引用来源，这样出了问题能溯源。不过这里有个常见的失败场景：如果文档切分没做好，检索到的片段可能不完整，…

#百度#模型微调#评估与监控