匹配正文：RAG完整工作流程 1. 查询预处理阶段 Query改写：识别用户意图，扩展同义词，澄清指代消解 Query分解：复杂问题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encod…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：RAG完整工作流程 1. 查询理解与改写查询扩展：识别用户意图，必要时进行query改写（如多跳问题分解）向量化：将query编码为dense/sparse向量，用于相似度检索 2. 检索召回（多路并行）方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声…

#美团#RAG全链路#RAG 工作流程

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…mbedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收…

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

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：…rade-off，跨模态检索更慢工具调用 Agent多轮Planning-Action循环每次LLM调用串行，工具响应不可控生成阶段长上下文导致首token延迟高长序列KV Cache计算量大，Attention复杂度O(n²) 正确率挑战与根因检索不准：向量相似度≠语义相关，用户query与文档表述gap大上下文噪声：Top-K检索结果混入无关文档，稀释有效信号多跳失败：复杂问题需跨文档推理，单轮检索覆盖不全优化思路延迟优化预检索策略：热点query缓…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：答案要点离线知识库构建（文档解析、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…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用BGE、M3E等模型将chunk编码为稠密向量索引存储：写入Milvus/Pinecone/Elasticsear…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

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：答案要点清晰区分离线索引阶段和在线检索生成阶段准确描述文档解析、分块、Embedding、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…

#商汤科技#两阶段文档处理#RAG 系统架构

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…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…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、混合检索与重排上下文处理：去重过滤与动态窗口生成阶段：prompt约束与幻觉抑制系统评估与风险意识约4分钟 RAG评估要分离检索和生成，分别用Reca…

#美团#RAG常见陷阱#RAG 系统陷阱

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·检索· 字节

RAG 为何需要重排序?

匹配正文：…存在语义鸿沟 Embedding模型能力边界导致召回偏差粗排精排的两阶段架构设计必要性大模型具备深层语义理解和上下文感知能力生成阶段需要综合多维度信息做最终决策核心原因：向量相似度存在本质局限 1. 相似度≠相关性向量检索基于Embedding空间距离，只能捕捉浅层语义相似问题："如何防止过拟合" 与文档："过拟合的危害" 向量相近，但可能无法直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Embedding模型的能力边界训练…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

#字节#时间衰减检索#RAG 工作流程

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·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：这道题问的是搭建领域[[RAG]]的完整流程，其实本质就是一件事：把外挂知识库里的信息准确找出来，再让大模型读明白、说人话。它不是微调模型学知识，而是查文档加读文档的工程化。先说数据准备。很多人一上来就[[向量化]]，其实质量天花板在数据清洗和[[分块]]。清洗不难，去重去噪、统一格式就行，但领域数据有个坑：专业术语容易被通用[[分词器]]切碎。比如医学里的“非小细胞肺癌”，拆成“非”“小细胞”“肺癌”就丢语义了。所以前提是建一个领域词典，把这类复合词保留。分块才是真正的…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配口述回答：这道题其实问的是，当[[RAG]]落到医疗、法律这种高价值、高风险的垂直领域时，到底要怎么搭一条能真正跑通的链路。核心已经不是通用RAG那套“文档切一切、向量存一存、召回来拼Prompt”了，而是怎么把领域知识的结构化、查询的复杂意图、还有最终答案的可靠性串起来。我先说知识处理这块，这是最花功夫的。通用RAG里往往一刀切[[Chunk]]，但垂直领域不行。我的做法是把数据分成三层来对待：结构化数据，比如药品库、法条，直接做成[[Knowledge Graph]]，存实体和关…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：这道题其实是在问，当大模型知识不够用或者不准确的时候，怎么用外部知识库去补它的短板。[[RAG]] 和微调是两条不同的路，微调适合让模型学特定风格或固定知识，但你要它回答实时变化的政策，比如电商平台的满减规则，微调一次成本高还跟不上更新，这时候 RAG 就派上用场了。实际落地中，我经常是 RAG 加微调一起上，微调解决回答的语气和格式，RAG 提供最新的事实，两者互补。具体说一下 RAG 的实现流程，核心就是离线建库、在线检索、增强生成三个阶段。离线建库这块，第一步是文档解…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配口述回答：…平衡工程，不是叠技术模块，而是根据业务场景做取舍。本质是领域知识与通用能力的平衡数据分层与边界划分检索召回的多路协同与精排生成阶段的可控性与风险兜底整体协同与取舍判断约4分钟我更倾向用Self-RAG这类方案让模型自己反思检索结果，而不是靠外部规则硬切，但会带来额外开销和延迟。这个延伸点会引向面试官追问Self-RAG的具体实现、与传统RAG的对比、以及如何平衡效果和性能。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：这道题问的是[[RAG]]，我觉得它本质是在问怎么给大模型配一个可以实时更新的知识外挂，而不是让它死记硬背所有东西。因为纯靠参数记忆，模型既记不住新知识，也容易编造，所以RAG的思路就是把外部知识库当成一个随时可查的参考书，生成的时候先查书再回答。具体来说，它分三大块：索引、检索、生成。索引就是把文档切成小块，比如按段落或者固定512个token切，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里，像[[Faiss]]或者Mi…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…多，能把相关度低的文档过滤掉。但Cross-Encoder慢，所以我会控制重排的数量，比如粗排取50个，重排只排前20个。第二步，生成阶段做上下文压缩，用一个小模型把检索结果摘要成几句话，或者动态截断，只保留相关性得分高的段落。这里有个常见失败场景：你重排做得再好，如果原始chunk切分破坏了语义，比如把一个完整条款切成了两半，那重排也救不回来。所以我会在索引阶段就多用语义切分，比如按句子边界或者段落边界切，而不是固定字数。最后说系统级权衡。RAG落地不是单项优化，而是延…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配口述回答：这道题问[[RAG]]的流程和优化，我觉得本质上是问：怎么让大模型在不知道答案的时候，学会自己查资料，而且查得准、用得对。很多人一上来就讲检索、生成，但真正落地你会发现，每个环节都有坑，而且没有银弹。先说文档预处理。很多人觉得[[分块]]很简单，固定切几百个token就行了，但实际场景里，比如企业做客服知识库，退款政策和满减活动经常混在一个文档里，固定切分会把语义切碎，检索时召回一堆不相关的内容。所以我更倾向用语义分块，就是用模型识别主题边界，比如一个政策讲完退款，下一个…

#虾皮#RAG全链路优化#RAG 流程优化