匹配口述回答：这道题其实问的是，怎么把一个通用的[[RAG]]系统真正落地到专业领域。本质上是解决领域知识深度和通用模型能力之间的平衡问题。我理解，核心就三件事：数据怎么管，检索怎么准，生成怎么控。先说数据。专业领域的数据不能一把抓，得分层。我一般分成三层：权威库、案例库、实时库。权威库，比如医疗的诊疗指南、法律的成文法典，这些是黄金标准，我会做结构化抽取加人工审核，更新频率不会太高，按月就行。案例库，比如历史病例或判例，这些需要[[向量化]]加元数据标注，更新可以实时。实时库，像最新文…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 百度

RAG 工作原理与核心组件

匹配口述回答：这道题我觉得核心是在问：你怎么让大模型知道它训练时没见过的东西？[[RAG]] 的思路很简单，用检索代替记忆。模型不需要记住所有知识，需要的时候去外部数据库里查，再把查到的信息塞进 Prompt 让它生成。这样好处很明显：知识更新快，可控，[[幻觉]]也能压下去。具体分三步走。先说离线索引，就是把文档切碎、转成向量存起来。这里有个前提：切分的粒度直接影响后面召回质量。切太粗，一块里面混着好几件事儿，检索容易带偏；切太细，上下文断了，模型看不懂。一般 chunk size 在…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 高德

RAG 组件功能与数据流向?

…不合理，检索结果全是无关的，那LLM再强也白搭。所以我上线前一定会做召回评估，看Recall@K和MRR，确保检索质量达标。另外，RAG和微调不是二选一。微调适合让模型学会特定格式或风格，但知识更新慢。RAG适合动态知识，比如价格、库存、政策。真正落地往往是两者结合：微调让模型理解业务语义，RAG提供实时知识。最后说一下我的判断。我会把RAG看成一套系统工程，而不是简单的检索加生成。它的前提是知识库质量要够高，如果文档本身混乱、噪声多，RAG效果会大打折扣。常见的失败场景是…

← 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

匹配口述回答：

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配口述回答：这道题问的是[[RAG]]的实现架构，其实本质上是在问：你怎么让大模型在回答时能拿到最新、最准确的外部知识，而不是完全依赖它训练时记住的那些东西。RAG和微调的区别就在这里，微调是往模型脑子里塞知识，但更新成本高、容易遗忘；RAG是把知识挂在外面，需要时再查，这样知识更新和模型解耦。整体架构分两条线：离线把知识库建好，在线做检索和生成。先说离线部分，核心就是把文档变成可检索的向量。文档解析这块，PDF、网页、Word格式不一样，我一般会保留标题层级和表格位置，因为这些对后面…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配追问：场景切入我看你之前做过电商客服的项目。假设用户问“我的订单怎么还没到”，系统需要从海量商品文档和物流规则里找到答案。你怎么设计RAG来保证又准又快？具体说说检索和知识库怎么搞。层层追问你在大模型项目里怎么解决知识更新的问题？……是每次重新训练吗？……如果只有几万条业务文档，又要实时检索，你会怎么搭这个系统？……那检索到的东西怎么喂给模型，才能让它准确引用？直球架构聊一下RAG的技术细节。你从检索器选型、知识库分层、到生成模型集成，整个链路怎么设计的？比如双路召回、混…

#美团#知识库构建#RAG 检索器设计

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…索链路提供；“用户正在办理哪一步”“用户已经确认哪个选项”属于会话状态；“用户明确同意长期保存的语言偏好”才可能进入长期记忆。静态知识更新后，不能让一条旧对话记忆继续覆盖新制度。四类上下文不能混成一份聊天记录三层记忆分别解决什么问题短期窗口：保证当前任务连贯短期窗口保存最近的原始消息、当前任务状态和临近上下文，适合按会话 ID 读取。它的优点是信息原始、更新快，模型可以看到用户刚刚确认的对象和条件；缺点是容量有限，窗口外的信息会自然消失。窗口大小不应只用“几轮”定义…

#RAG#生成与对话#RAG 记忆模块

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：答案要点区分知识型错误与推理型错误，针对性选择技术方案 RAG与模型内部知识解耦的设计思想训练数据质量与多样性的关键作用多阶段验证机制（生成-检索-校验）的构建思路模型置信度与不确定性量化的应用提升大模型输出准确性，核心在于区分错误类型、分层治理：一、模型架构层面稀疏激活与专家混合（MoE）：将知识分散到不同专家，减少参数干扰导致的知识混淆可插拔知识模块：分离语言能力与事实知识，知识更新无需全量重训推理时显式规划：如Chain-of-Thought强制模型展…

#百度#评估与监控#大模型准确性提升

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…变化极快（商家上下架、库存波动）。我们采用：实时库兜底：Redis存储当前可用商家ID，向量检索后过滤，避免推荐已下线商家分层RAG：城市级热向量常驻内存，长尾向量按需加载，平衡内存与召回最终效果：分布漂移检测准确率>85%，知识更新后头部badcase下降40%，P99延迟控制在200ms内。学习建议建议先掌握RAG基础架构，理解向量数据库与实时数据流集成原理，结合实际业务场景思考数据更新频率与模型响应延迟的权衡。

#美团#分布漂移#外接数据库增强

求职指南·求职

要不要做微调 / Post-Train 项目,轻量版怎么做

匹配正文：…实习或课题平台 / 推理工程岗低重点在服务化、推理优化,微调只需知道产物怎么部署,不必自己训读这张表的关键:如果你是奔着 RAG/Agent 应用开发去的,微调是选修不是必修;真正非做不可的是应用算法和研究生算法向。别看别人简历上有微调就焦虑,先看你们投的是不是同一类岗。何时该微调,何时该用 RAG 或 Prompt 结论先行:这是面试高频判断题,记住一句话——知识更新问题用 RAG,风格/格式/固定行为问题用微调,简单约束用 Prompt。很多人把这三件事混着用…

#求职#职业转型

面试题·评估· 百度

LLM 准确性提升四大路径

匹配追问：RLHF和DPO在准确性提升上各有什么优劣？实际落地选哪个？ RAG和模型微调在知识更新场景下如何取舍？如何量化评估这些技术路径对准确性的实际提升效果？场景切入假设你在做一个智能客服，用户问“今天天气怎么样”，模型直接回答“今天有雨”，但其实它并不知道当前位置。这种事实错误你一般怎么防？从数据、训练到上线整个链路聊聊。层层追问大模型输出不准，你觉得根源在哪？……那数据层面能做什么？……训练方法呢，比如对齐有什么效果？……还有没有不用改模型就能提升准确性的手段？直球…

#数据质量#训练策略#推理优化

面试题·项目与经历· 京东

面试反问怎么问才加分?

匹配正文：…决定下一轮优先级？这比直接问是否使用某个向量库更有信息。若对方说召回问题多，再追问文档版本、权限、评测集和引用支持率；不会预设所有RAG都必须先做Entity Linking。第二类问题可以聚焦技术决策：在准确率、延迟、成本和安全冲突时，团队最近做过什么取舍，关键方案如何通过离线与线上验证？回答能够反映团队是否有真实基线、回滚机制和评测文化。规则、检索、微调或Agent都可能是答案，不需要先断言纯RAG必然失败。第三类问题关注岗位边界：这个岗位入职后的核心交付是什么，会负…

#面试技巧#职业规划#团队沟通

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配口述回答：…新就得重训。RAG 正好补这个短板，它外挂知识库，检索加生成，知识可以实时更新，回答还能溯源。比如智能客服，政策文档三天两头改，用RAG就能保证回答永远是最新版本，而且用户问为什么这么赔，你可以直接翻到原文。但RAG也有坑，检索质量决定了效果上限，如果 [[Embedding]] 做不好、[[Chunk]] 切得不合理，模型拿到一堆噪音，生成的结果反而更差。所以我的经验是，如果知识更新频繁或者需要可解释性，优先RAG；如果知识稳定、对延迟和深度定制要求高，优先微调。但更常见的…

#滴滴#模型微调#Agent

面试题·RAG

大模型幻觉是什么？怎么缓解？

匹配口述回答：…不知道，它没有知识边界的概念，碰到超纲问题，默认行为是继续流畅地生成，而不是承认不会。实际应用里，我会把手段分成三层。先用 [[RAG]]，回答前先检索外部资料，让答案有原文支撑。比如客服场景，用户问退款什么时候到账，RAG 会先查订单状态、支付渠道规则，再基于具体数据生成回答，这样知识更新改文档就行，不用重新训练模型。生成侧再加提示词约束，要求模型只根据给定资料回答，并标注出处，超出资料就不许发挥。同时要允许它说不知道，在提示词里明确鼓励它回答'资料中没有提到'，给它一个…

#入门#基础概念#大模型幻觉

面试题·知识图谱· 淘天

GraphRAG 增量更新策略与挑战？

匹配正文：… → 采用增量社区发现，仅重计算受影响子图存储膨胀历史版本累积 → 设置TTL策略，保留最近N个版本淘天场景的特殊考量电商知识更新快（商品、价格、库存），建议：实时流：商品属性变更走增量通道（秒级）批量流：类目关系调整走日级全量重建查询降级：更新期间读旧版本，避免阻塞学习建议掌握RAG基础后，学习知识图谱更新机制与增量索引技术，关注工业级系统设计案例。

#淘天#GraphRAG 增量更新#知识图谱动态维护

面试题·Prompt

什么是 Prompt 工程?

匹配口述回答：…某个事实，你prompt写得再好也没用。所以实际落地时，我会先调prompt，这是成本最低的优化手段。如果效果还不行，再考虑上[[RAG]]或者微调。RAG解决知识更新和私有知识的问题，微调改变模型行为风格。真正上线时，常常是prompt加RAG一起上，prompt控制表达，RAG提供事实。我会特别关注prompt的稳定性。同一个prompt，模型版本升级后输出可能变差，所以上线后要持续监控bad case，迭代prompt。总结一下，Prompt工程的核心是：不碰模型参…

#入门#基础概念#Prompt工程

面试题·项目与经历· 商汤科技

实习项目业务场景怎么讲?

匹配口述回答：…说明规则为何覆盖不了长尾、检索是否能提供实时知识、生成是否真的必要。若只需要确定字段，可优先规则或分类模型；若知识频繁变化，可用 RAG；若需要稳定遵循某种回复格式和行为，再考虑 SFT。SFT 常用示范数据做 next-token 训练，它能适配任务分布，但不保证新增事实知识或普遍提升推理。【完整展开】行动部分按证据链描述。数据侧说明来源、许可、切分、防泄漏和质量检查；模型侧给出基线、候选方案、固定评测集与消融；系统侧说明检索、模型、规则、人工和外部工具各自边界；上线侧…

#业务理解#需求分析#技术选型