匹配口述回答：…和微调不是二选一，而是互补。比如对高频、固定的知识，微调可以让模型直接记住，省去每次检索的延迟；而对动态更新的知识，比如促销政策，RAG更灵活。所以真正落地的系统，往往是RAG加微调混合用，比如用微调让模型学会理解领域术语，用RAG提供实时知识。最后说下风险。RAG依赖知识库的质量，如果文档本身有错误或过时，检索出来反而误导模型。所以上线前我会特别关注知识库的更新机制和一致性校验。另外，分块策略直接决定检索精度，块太大会漏细节，块太小会丢上下文，需要根据文档类型调参。所以…

#字节#检索生成流程#RAG 实现

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配口述回答：…追问，我会说 RAG 落地时最常见的失败场景是检索召回不够，导致模型接不到有效信息，或者检索结果太多把模型上下文撑爆。所以我会把 RAG 看成检索负责提供事实，生成负责组织表达，两者需要一起调优。本质是开卷考试补知识时效性和私有性降幻觉与可审计区分RAG和微调约2分钟 RAG落地最常见失败场景是检索召回不足或上下文被撑爆，需要检索和生成一起调优面试官可能追问RAG的系统设计难点，比如分块策略、检索精度与上下文窗口的平衡

#入门#基础概念#什么是RAG

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…，混合搜索生成增强：上下文组装与引用溯源落地风险：知识库构建和延迟优化约4分钟组件多时用GraphRAG建模层次关系，提升检索精度面试官可能追问GraphRAG的具体实现，比如如何构建图结构，以及与传统RAG的对比

← 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

#淘天#多模态#多模态 RAG

面试题·RAG· 美团

RAG 知识库怎么增量更新?

匹配口述回答：这道题其实问的是，当你有一个[[RAG]]系统，知识库里的文档在持续新增，你怎么保证索引能跟上，又不把检索质量拖垮。本质是在实时性、检索质量和一致性之间找平衡。先说边界划分。常见的策略有三类：实时增量、批量重建、双缓冲切换。实时增量就是直接往[[HNSW]]这种支持动态插入的索引里加数据，延迟最低，适合高频小批量更新，比如用户实时反馈导致的知识点修正。但代价是频繁插入会让图索引结构退化，检索精度慢慢掉下来，所以得定期重建。批量重建适合低频大批量更新，比如每天凌晨跑一次全量，…

#美团#知识库增量索引#RAG 增量更新

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：这道题问的是[[RAG]]系统里检索模块的完整流程，本质上是在考察「如何把用户的一个自然语言查询，精准、高效地映射到知识库里最相关的文档片段上」。整个链路我拆成四段来说：查询预处理、[[向量化]]、检索、排序。先说查询预处理。用户输入往往很随意，比如在电商客服场景，用户问「这个多少钱」，你得结合上下文补全商品名。这里有个常用手段叫 HyDE，就是让大模型先生成一个假设的答案文档，再拿这个文档去向量化检索，能大幅缓解查询和文档之间的语义鸿沟。另外我还会做查询扩展，比如同义词替…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：这道题其实问的是，当你把一个[[RAG]]系统从能跑到跑好，你会从哪里下手。本质上，RAG的迭代不是把每个环节单独调到最优，而是在检索精度、生成质量和系统延迟之间找平衡。我一般会沿着检索、[[重排序]]、上下文融合、生成这条线走，但真正落地时很多决策是耦合的。先说检索。很多人一上来就堆向量，但实际业务里，向量检索对高频实体和精确匹配反而弱。比如客服场景里，用户问‘订单号12345退款失败’，关键词[[BM25]]直接命中订单号，向量可能因为语义偏移排到后面。所以我会优先做[…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 重排收益与成本

匹配口述回答：这道题其实问的是[[RAG]]系统里检索精度和效率怎么平衡的问题。如果只靠向量检索，也就是用[[Bi-Encoder]]把查询和文档各自编码成向量，再用余弦相似度去匹配，这样做的好处是快，能一次性从百万级文档里捞回几百个候选，但坏处是匹配很粗，它本质上是把语义压缩成一个固定向量，很多细粒度的交互信息就丢了。比如用户问“怎么退换货”，向量检索可能把“换货流程”和“退货政策”都捞上来，但实际答案只需要其中一篇，另一篇就是干扰。所以说，第一阶段是保召回、牺牲精度的，它适合做“粗筛”…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么在保证检索精度的同时，把延迟和成本压下来。本质是个工程平衡问题。我主要从检索、[[重排]]、查询改写、混合方案几个方向来说。先说向量检索层。最常用的索引是 [[HNSW]]，它本质是图索引，在召回率和速度之间做得比较均衡。但有两个关键参数要调：M控制每个节点的邻居数，ef控制搜索宽度。M太小图会不连通，召回会崩；ef太大延迟就上去了。一般我会先拿业务数据跑一下，看Recall@100在什么水平，再决定参数。另一个常见优化是量化压…

#小鹏#检索阶段优化#RAG 检索优化

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配题目：文本分块（Chunking）策略如何影响RAG系统的性能？请系统阐述常见分块方法（如按语义边界分割、滑动窗口、重叠分块、固定长度分块等）的原理、优缺点及适用场景，并结合实际案例对比分析其对检索精度、召回率和生成质量的影响。

#百度#文档处理#Chunking 策略

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配标题与标签：Chunking 策略怎么平衡上下文与精度? RAG 系统中分块大小与重叠窗口的最佳实践文档处理京东 RAG Chunking 策略文本分块最佳实践上下文完整性检索精度京东

#京东#RAG Chunking 策略#文本分块最佳实践

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…。关联面试题(5 道,覆盖 5 个角度) 从预处理一路到评估,刻意避免全是"切分策略"换皮。【预处理/清洗】面向专业领域的 RAG,如何对原始文档做清洗和预处理以提升检索与生成质量? 较难 → 【策略对性能的影响】文本分块策略如何影响 RAG 系统的性能?常见分块方法及适用场景? 较难 → 【粒度与重叠】你是如何设计分块策略的?说明粒度选择、重叠处理以及向量库写入。中等 → 【上下文 vs 精度权衡】分块策略如何设计才能平衡上下文完整性与检索精度? 较难 → 【…

#RAG#检索#项目实战

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…简单对复杂嵌套结构（法律条款层级）处理粗糙通用文档、博客文章语义切块用embedding相似度检测主题边界块内语义一致、检索精度高计算成本高、边界可能漂移长论述性文本、医学综述结构感知切块解析PDF/DOC的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计p…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配正文：…态信息融合模态转换有信息损失（caption瓶颈）原始特征直接对齐，保留细粒度视觉信息模型架构解耦设计：视觉编码器+文本RAG+LLM三阶段统一架构：多模态encoder + 多模态LLM（如LLaVA、Qwen-VL）性能表现依赖caption质量，复杂图表/视频场景效果差；但工程成熟、成本低检索精度高，支持"以图搜文""以文搜图"；但训练数据要求高、推理成本大选型建议伪多模态：文档扫描件、简单商品图等视觉信息可文本化场景，快速落地真多模态：电商穿搭…

#淘天#知识图谱#伪多模态RAG

面试题·Agent· 淘天

架构 vs 模块 vs 工具集成怎么选?

匹配正文：…向量数据库生产适用性 LangChain：社区最大、文档最全，但版本迭代快、API变动大，适合中长期项目 LlamaIndex：RAG场景首选，稳定性较好，非RAG场景有些"杀鸡用牛刀" AutoGPT：实验性质强，token消耗高、延迟大，几乎不用于生产实际选型建议场景推荐框架原因复杂多步骤工作流（审批、数据分析） LangChain 链的可观测性强，便于调试和人工介入企业知识库问答 LlamaIndex 检索精度高，开箱即用的优化策略快速原型验证/创意探索…

#淘天#字节#Agent

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配题目：在构建面向专业领域（如医学、法律）的RAG系统时，如何对长文档进行有效的文本切块（Chunking）？请系统性地列举常见的文本切分策略，分析其原理、优缺点，并结合具体应用场景比较不同策略的适用性。

#字节#RAG Chunking#长文档切分

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…nt-specific）：利用标题、段落等天然边界，适合结构化文档重叠窗口（Overlap）策略缓解边界信息丢失问题文本分块是RAG系统的关键预处理环节，直接影响检索质量和生成效果。常用策略可分为以下几类： 1. 固定长度分块（Fixed-size Chunking）按固定token数或字符数切分，具体长度作为候选变量优点：实现极简，便于批量处理，向量化效率高缺点：硬截断可能切断句子语义，边界信息易丢失适用：快速原型、对语义连贯性要求不高的场景 2. 递归分块（R…

#百度#文本分块策略#RAG chunking

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配正文：…nction Calling、Claude工具使用已较稳定，格式遵循率高短期记忆：上下文窗口扩展至128K-1M tokens，RAG检索增强基本可用关键短板规划稳定性：ReAct/CoT在5步以上任务中错误累积严重，"一步错步步错" 长期记忆：向量数据库检索精度有限，缺乏真正的经验学习与技能沉淀反思能力：多为"伪反思"——LLM生成自我批评文本，而非基于执行反馈的实质性策略更新典型案例对比 AutoGPT：早期过度承诺，实际因循环调用、成本失控、无法终止而难以落地…

#得物#Agent#AI Agent 核心能力

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…召回的是真正相关的内容；二是Agent的指令约束，要明确告诉Agent“只基于检索结果回答，不要自己发挥”，必要时用[[Self-RAG]]让模型自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的判断是，我更倾向数据驱动的思路。因为LLM应用的核心瓶颈往往不是流程复杂，而是数据质量和检索精度。我会把LlamaIndex作为数据底座，LangChain作为上层…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·检索· 小红书

中文知识库检索选型

匹配口述回答：…用对比学习微调，负样本采‘难负例’，比如同batch其他样本或者BM25高分但不相关的文档。还有一个点值得注意：向量的维度选择对检索精度和存储成本影响很大。比如你用768维还是384维，在召回率上差异可能不大，但索引大小和查询延迟能差好几倍。这个取舍在实际工程里特别关键，但不是所有场景都需要高维向量。所以总结下来，我会把RAG检索看成一场‘关键词与语义’的平衡游戏。没有银弹，只有根据场景做取舍。我更倾向于先搭一套混合检索的基线，然后基于badcase分析，看是语义还是关键…

#小红书#稀疏与稠密检索#中文知识库检索选型