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…

#百度#重排与优化#RAG 系统瓶颈

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”…

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 重排收益与成本

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配口述回答：…合。我倾向用[[混合检索]]，把两条路的结果合并再[[重排]]，这样既能抓住语义也能兜底精确匹配。如果面试官追问，我会补充一点：RAG的向量化质量最终要靠端到端评测，不是单看召回率。我常用[[RAGAS]]框架，从[[Faithfulness]]、[[Context Precision]]等维度评估生成质量，再反推索引和检索的瓶颈。这样能避免“召回好但生成差”的脱节问题。一句话定位：RAG向量化本质是给文档做索引，关键在分块粒度、模型选型和落地权衡分块策略：语义边界优先…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配追问：…候到”，系统去知识库检索了物流规则。你怎么评估这次检索和生成的效果？比如你能从哪些层面去度量，又怎么知道哪里需要优化？层层追问 RAG系统上线后，你怎么判断它好不好？……如果只看端到端正确率够吗？……那检索召回和生成质量怎么分开看？……比如检索召回很高但答案还是错的，你会怎么定位和迭代？直球架构请讲一下RAG系统的系统性评估方法，需要覆盖检索层、生成层和端到端指标，以及常见瓶颈对应的迭代优化方法。你直接说框架和具体方法就行。

#字节#评估与监控#RAG 评估

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…题，但前提是知识库本身得可靠、检索链路得精细。我更倾向在架构设计时，就预留好知识库的更新机制和检索质量监控，而不是等上线了再补。 RAG本质是开卷考试解决知识静态与幻觉微调与RAG的边界落地风险与前提工程师取舍约4分钟 RAG的评估难点：既要看生成质量，又要看忠实度和检索召回率，需要自动化加人工结合。面试官可能会追问RAG评估的具体指标或框架，以及如何平衡自动化与人工成本。

#科大讯飞#阿里#RAG 架构

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配口述回答：…里完全没有相关文档，就按 0 算。所有 query 的这个分数取平均，就是 Mean Reciprocal Rank。它在 [[RAG]] 里有特殊意义，是因为 RAG 的生成质量高度依赖前面几条上下文，尤其是排在最前面的文档。很多系统不会把几十条检索结果都塞给大模型，而是取 Top3、Top5，甚至有些强约束场景只取 Top1。这个时候，正确文档排第 1 位和排第 8 位，体验差别非常大。排第 8 位在检索指标上可能算“召回到了”，但对生成模型来说，很可能根本用不上。所…

#百度#评估与监控#MRR 定义

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…注 [[RAGAS]] 评估指标，比如上下文精度和召回率，定期用一批标注 query 做回归。还有一个进阶方向是 [[Self-RAG]]，让模型在生成过程中自己判断是否需要检索、检索结果是否可信，而不是每次都无脑拼接。这能进一步减少噪声引入，但实现复杂度也更高。所以整体上，我把 RAG 看作一个工程系统，核心是在检索质量和生成质量之间做取舍。我更倾向先用混合检索加重排保证召回精度，再通过置信度过滤和降级策略兜底，而不是一味堆高检索召回率。一句话定位：RAG本质是给大模…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：这道题其实是在问，怎么让大模型在需要专业知识时，不靠死记硬背，而是能现场翻书。说白了，[[RAG]]的核心就是把大模型从闭卷考试变成开卷考试。整个流程分三步：索引、检索、生成。索引就是把文档切碎，转成向量存进[[向量库]]；检索是把用户的问题也转成向量，去库里找最像的那几段；生成是把这些段落塞进提示词，让模型基于它们回答。这里有个关键认知，检索质量决定了RAG的上限，生成质量决定了下限，所以我会把大部分精力放在检索上。具体说下索引。文档切分不是随便按字数切，我会按语义段落…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…Reduce模式。还可以训练轻量分类器做噪声过滤，剔除低质量检索结果。这里有个坑：如果文档太多，上下文窗口塞满，模型注意力会分散，生成质量反而下降。所以我会特别关注窗口利用率，不是越多越好。最后是模型微调，这是深度优化。做检索感知 [[SFT]]，训练数据包含 (问题, 检索文档, 答案) 三元组，让模型学会“信文档而不是背知识”。还有负样本挖掘，故意混入不相关文档，训练模型识别和忽略噪声。另外可以做引用生成训练，强制输出 [cite:1] 格式，提升可验证性。但微调的前提…

#上下文压缩#生成调优#RAG 生成优化

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配口述回答：…一组离线 query 做回归测试，确保改动不导致 Recall 掉点。如果只让我选一个方向深耕，我会选重排序，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…

#字节#Query Rewriting#RAG 检索模块

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· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：这道题问的是[[RAG]]的完整流程，我觉得本质上是在问：怎么把外部知识可靠地注入到生成模型里，同时控制住[[幻觉]]。它不是单纯讲检索或者生成，而是两者怎么分工、怎么衔接。具体来说，我会把流程拆成几个阶段。首先是查询理解，用户问的问题可能比较模糊，比如“退款为什么没到账”，我会想用户到底在问退款状态、到账时间还是异常原因。必要的时候做query改写，比如多跳问题拆解成子问题。这一步的难点在于，改写不能偏离原始意图，否则后面检索全是歪的。然后是检索召回。这里我倾向于多路…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配追问：场景切入假设你在做一个电商客服的RAG系统，上线后发现用户经常问“上次说的那款手机还有货吗”，但系统答非所问。你从哪几个方面去排查和迭代优化？层层追问 RAG系统上线后怎么持续优化？……你先说说从哪些维度入手……那检索不准怎么调？重排模型怎么加？……再往后生成质量怎么提升？评估指标要怎么定？直球架构请从检索、重排、生成、评估这几个关键维度，讲讲如何对一个RAG系统做持续迭代和优化，每个维度具体有哪些改进手段？

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配口述回答：这道题其实问的是，怎么让[[RAG]]在真实场景下真正好用，不光是跑通流程。核心就一句话：把所有优化手段看成在检索质量和生成质量之间找平衡，而不是单纯堆技术。我分几个层面讲一下。先说检索层。这里最容易出问题的是[[分块]]策略。很多人上来就固定切512个token，但实际效果很差。比如做客服问答，用户问“退款流程”，如果你把整个退款条款切成一个块，那没问题；但如果问“七天无理由退货的运费谁出”，答案可能散落在不同段落里。所以我会按语义结构来分，比如标题-内容层级，或者用[[…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：我觉得[[RAG]]这道题本质上是在问：当你需要让模型回答它没训练过的新知识时，怎么在知识新鲜度和生成质量之间做平衡。说白了，RAG不是把检索和生成简单拼起来，而是要在信息密度、计算成本和[[幻觉]]风险之间反复取舍。先说离线文档处理这一块。很多人上来就按固定长度[[切块]]，比如512 token一刀切，这在通用场景还行，但遇到代码库或者论文，语义就被拦腰砍断了。我的做法是：先看业务文档的结构，代码按函数切，论文按章节切，普通文档按段落切，然后把零重叠、短窗口与较长窗口作…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…每个环节都要根据业务数据特点做定制，特别是混合检索和重排，几乎是必选项。一句话定位RAG的本质核心流程与组件选型 Naive RAG与Advanced RAG对比落地挑战与工程取舍用可延伸点收尾约4分钟 Self-RAG让模型自己判断是否需要检索，减少不必要的检索开销，但引入额外的判断模块，延迟和训练成本是挑战。面试官可能追问Self-RAG的具体实现、与标准RAG的性能对比、以及如何平衡检索频率和生成质量。

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…，我会把检索和生成分开测，检索用Recall@K，生成用F1或人工评分。但更关键的是在线效果，比如用户满意度或任务完成率。如果发现生成质量差，可能是检索没召回关键信息，也可能是prompt没约束好。这时候我会先分析失败case，定位是检索还是生成的问题，再针对性优化。所以整体上，我会把RAG看成检索和生成的系统工程，不是简单搭个管道就完事。每一步都要有评估和兜底，尤其是幻觉抑制和上下文利用，这两个是RAG落地的核心痛点。 RAG落地核心是检索和生成的平衡检索阶段：分块、…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配口述回答：这道题问的是[[RAG]]系统里召回链路的优化，其实本质上是在问怎么在覆盖、效率和精准之间做平衡。我先说检索器选择。[[稠密检索]]比如 [[Embedding]] 模型，语义匹配强，但对罕见实体和精确匹配很弱；[[稀疏检索]]像 [[BM25]]，关键词匹配稳，可解释性强，但跨表述理解差。所以真正落地时，我倾向双路召回，把稠密和稀疏的结果用倒数排序融合或者学习权重合并，这样能互补。举个例子，客服退款场景里，用户问“怎么退运费”，BM25能精准匹配“运费”这个词，而稠密检索能…

#阿里云#查询重写#RAG 召回优化

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配题目：在构建面向专业领域的RAG系统时，应如何对原始文档数据进行清洗和预处理以提升检索与生成质量？

#字节#RAG 文档清洗#文档预处理

面试题·评估

检索准但生成差，怎么调优？

匹配正文：…对性的生成优化策略能区分"检索准但生成差"的典型场景（如上下文利用不足、指令遵循弱）一、系统性诊断：定位问题模块核心原则：将RAG链路拆分为独立可测的环节，避免"黑盒调试"。 1. 检索模块独立评估离线指标：计算Recall@K、MRR、NDCG，对比Top-K检索结果与人工标注的相关文档快速验证：用固定的人工精选文档替换检索结果，若生成质量显著提升 → 检索是瓶颈 Bad Case分析：抽样失败案例，检查检索结果是否包含答案所需信息 2. 生成模块独立评估上下文…

#上下文压缩#生成调优#RAG 效果诊断

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配题目：请介绍检索增强生成（RAG）的基本原理，并详细解释GraphRAG的技术方案，包括其如何利用图结构来提升检索效果和生成质量。

#字节#知识图谱#GraphRAG

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· 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

伪 vs 真多模态 RAG 优劣在哪？

RAG 瓶颈在哪一步

RAG 重排收益与成本

RAG文本向量化：分块与嵌入陷阱

RAG 评估指标与迭代陷阱

RAG 解决了 LLM 哪些局限?

MRR 在 RAG 中怎么定义?

RAG 端到端工作流程

RAG 技术原理与架构怎么搭?

RAG检索相关但生成差原因

RAG 检索模块怎么提升相关性?

RAG 系统迭代优化方向有哪些?

RAG 完整工作流程怎么跑?

RAG 系统怎么持续迭代?

RAG流程优化：三大层面策略

RAG 技术实现流程怎么走?

RAG 核心实现原理是什么?

RAG 系统有哪些常见陷阱?

RAG检索器与索引结构怎么选？

专业领域文档怎么清洗?

检索准但生成差，怎么调优？

GraphRAG 怎么提升检索效果?

第 3 章:文档预处理与切分

Chunking 策略怎么选?