匹配正文：…充分，以及答案是否解决问题。数据集多久更新一次？没有统一周期。知识库版本变化、出现新 bad case、用户问题分布改变或链路组件升级时，都应该触发复核。更新要有版本和变更记录。把评测集讲成可版本化资产最后把样本结构、指标分层、数据集隔离和版本触发串成一条线： RAG 评测样本至少要有问题、参考答案或答案要点，以及能够直接支持答案的证据位置。证据很关键，因为最终答案可能靠模型常识碰巧说对，只有标出文档、Chunk 和页码，才能把检索失败与生成失败分开。问题来源会混合真…

#RAG#评测与上线#RAG 评测集

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：用户点下发送以后，页面空了很久，随后答案一口气开始出现。遇到这种现象，一种常见判断是大模型太慢，需要换一个更快的模型。但一条 RAG 请求在模型生成第一个字之前，已经经过 Query 处理、Query Embedding、关键词与向量检索、候选融合、Rerank 和上下文构建。真正的等待可能发生在其中任何一段。从调用依赖关系看，模型要等检索证据准备好，才能开始基于证据生成。因此，如果向量检索阶段很慢，流式输出只能改变第一个 Token 之后的展示，不能缩短前面的检索等待…

#RAG#评测与上线#RAG 首字响应

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：一个 RAG Demo 往往只有几步：上传文件，切成 Chunk，写进向量库，然后在同一个接口里提问并生成答案。本机演示时，这样很直观。可一旦真的有用户上传文档，问题就出现了。复杂 PDF 解析可能持续很久，某一页 OCR 失败，部分 Chunk 已经写入，用户却不知道任务进行到哪一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统…

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

#RAG#评测与上线#RAG 系统设计

面试题·Agent· 百度

Agent 组件如何协同完成复杂任务?

匹配正文：…，这才是"智能"所在。学习建议建议从经典Agent架构（如ReAct、Reflexion）入手，理解感知-思考-行动循环，结合RAG与工具调用案例加深对模块协作的理解。

#百度#Agent#Agent 工作原理

面试题·Agent· 商汤科技

Agent 核心组件与工作流程?

匹配正文：答案要点 Agent的定义：大模型作为"大脑"，具备感知、规划、行动、记忆四大能力核心组件：规划模块、记忆模块、工具调用模块、行动执行模块典型架构：ReAct推理-行动循环、Reflexion自我反思实际工作流程：任务理解→拆解规划→工具调用→观察反馈→迭代优化与RAG的区别：Agent强调动态决策和工具交互，RAG侧重静态知识检索基本概念大模型Agent = LLM作为"大脑" + 外部工具/环境交互能力。区别于单次问答，Agent能自主决策、多步执行、动态调整…

#商汤科技#Agent#Agent 核心组件

面试题·Agent· 百度

Agent 核心组件架构

匹配正文：答案要点能清晰拆解Agent的四大核心组件（规划、记忆、工具、行动）理解各组件的交互关系和数据流向能结合具体范式（如ReAct）说明工作原理提到多Agent协作或反思机制等进阶设计 AI Agent的核心架构可拆解为四大组件，形成"感知-规划-执行-记忆"的闭环： 1. 规划模块（Planning）功能：将复杂任务拆解为可执行的子步骤原理：基于LLM的推理能力，常用ReAct（Reasoning + Acting）范式，交替进行"思考→行动→观察" 进阶：多步规划…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

面试题·Agent· 商汤科技

Agent 架构落地看哪些组件?

匹配追问：场景切入假设你在做一个智能客服，用户问“帮我查一下上个月的订单”，然后又说“把销量前十的列出来”。如果只做RAG，查完知识库就停了；但Agent需要去调数据库、跑统计、再出结果。你具体怎么设计这种“能干活”的系统？层层追问你刚才提到RAG，那你能不能讲讲RAG和Agent的核心区别？……好，那Agent的架构里，你觉得最关键的几个组件是什么？……如果我要做一个数据分析助手，自然语言查数据库，你怎么设计它的规划和工具？直球架构请你谈谈对AI Agent技术架构的理解，…

#商汤科技#Agent#AI Agent 架构

面试题·文档处理· 百度

RAG ANN 索引优化

匹配题目：在检索增强生成（RAG）系统中，向量索引是关键组件。请列举并解释可用于提升索引效率与召回率的常见优化策略。

#百度#文档处理#RAG ANN 索引优化

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：核心定位差异维度 RAG RLHF 作用环节推理时提供外部资料，也可训练检索/生成组件后训练时调整策略行为主要目标为回答提供可检索的证据与更新知识学习给定反馈中的帮助性、安全性或风格偏好技术本质信息检索 + 上下文增强策略优化 + 人类偏好对齐 RAG：用外部知识划定"能说什么" 机制：检索相关文档 → 组织上下文 → 生成并检查证据支持；提示不是硬解码约束。优势：可追溯资料并更新知识库；简单实现可复用现有模型而不重新训练，检索器/生成器也可以按任务训练。…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：…、工具链式组合：通过LCEL（LangChain Expression Language）声明式编排流程状态管理：Memory组件维护多轮对话上下文关键组件组件作用典型场景 Chain 预定义的固定执行流程翻译、摘要等单步任务 Agent 动态决策，自主选择工具和步骤复杂多步推理（ReAct、Plan-and-Execute） Tool 外部能力封装（搜索、计算、API）扩展模型边界 Memory 对话历史管理 Buffer、Summary、Vector三种…

#快手#评估与监控#Agent

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：答案要点区分检索评估与生成评估两个层面说明端到端指标（如RAGAS、ARES）与组件级指标的区别强调事实性/幻觉检测的重要性提及业务场景下的实用指标（如延迟、成本）体现对评测方法局限性的认知 RAG评估要分两个层面来看：检索端和生成端，再加上端到端的整体评估。一、检索质量指标（决定上限） Recall@K / MRR：核心看相关文档有没有被召回，RAG的瓶颈往往在检索 NDCG：考虑排序质量，排在前面的文档相关性权重更高精确率：避免引入过多噪声文档干扰生成二、…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配正文：…区分检索评估和生成评估两个层面列举3-5个核心指标（如Recall@K、BLEU、Faithfulness等）说明端到端评估与组件级评估的区别提及实际挑战如标注成本高、主观性、延迟与质量的权衡能结合业务场景举例说明一、评估维度分层 1. 检索层（RAG特有） Recall@K / MRR：衡量检索系统能否召回相关文档 NDCG：考虑排序质量的综合指标 Hit Rate：Top-K是否命中答案所在文档 2. 生成层 Faithfulness / 忠实度：生成内容是否忠…

#安克科技#评估与监控#Agent

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：答案要点 RAG核心原理：检索+生成的两阶段架构系统组件：索引模块、检索模块、生成模块工作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块…

#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 检索与生成流程详解

匹配正文：…量检索 → 重排序 → 上下文组装 → LLM生成 → 输出 ↓ [向量数据库] ← Embedding模型 ← 文档知识库关键组件：Embedding模型、向量数据库、重排序模型、大模型主要应用场景企业知识问答：内部文档、规章制度、产品手册的智能问答客服系统：基于历史工单和FAQ的精准回复，减少幻觉研报/法律分析：长文档信息抽取与综合分析代码助手：结合私有代码库和开源文档的编程辅助核心优势相比微调，RAG无需训练即可更新知识、可追溯来源、成本更低，是知识密集…

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配题目：请详细阐述如何为医疗或法律等专业垂直领域构建一个完整的RAG（检索增强生成）系统链路，包括关键组件设计、领域知识处理、检索策略优化等核心环节。

#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·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…y,w,h], text: "提交", parent: "form_A"}的UI树 2. 多模态知识库构建层级内容索引方式组件层按钮/输入框等标准控件的功能定义文本向量 + 控件图标CLIP编码产品层具体产品的UI规范、设计文档图文对齐索引场景层用户常见问题、操作SOP、报错案例问题-截图-解答三元组关键：用CLIP/SigLIP将组件截图编码为向量，与文档文本共享语义空间 3. 检索增强生成多路召回：视觉相似检索（找同类UI）+ 文本语义检索（找…

#字节#多模态#多模态 RAG

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配正文：…t核心工作原理 Agent = 大模型 + 规划能力 + 工具使用 + 记忆机制，形成"感知→规划→行动→记忆"的闭环。三大核心组件 1. 规划模块（Planning）作用：将复杂任务拆解为可执行的子步骤典型方案： CoT（思维链）：单线推理，适合简单任务 ReAct：推理(Reasoning)与行动(Acting)交错，"我想→我做→我观察"循环 ToT（思维树）：多路径探索，保留多个候选方案关键：让模型自主决定"下一步做什么"，而非固定流程 2. 工具调用模块（T…

#百度#Agent#Agent 核心组件

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：答案要点明确列出Agent的4-5个核心组件（规划、记忆、工具、行动、感知等）每个组件的功能描述准确能说明组件间的协作关系提及主流架构模式（如ReAct、CoT）有实际框架或项目经验加分一个完整的AI Agent系统通常包含以下核心组件： 1. 感知模块（Perception）接收外部环境输入：用户query、多模态数据、工具返回结果等负责信息解析和预处理，转化为模型可理解的格式 2. 规划模块（Planning）任务分解：将复杂目标拆解为可执行的子步骤推…

#百度#Agent#AI Agent 核心组件

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：核心概念 RAG将大模型的参数化记忆（训练学到的权重）与非参数化记忆（外部知识库）结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：RAG核心概念 RAG（Retrieval-Augmented Generation）是一种将外部知识检索与大模型生成相结合的技术范式。核心动机：大模型参数知识存在截止时间和幻觉风险，RAG通过实时检索"开卷考试"。工作原理：三阶段流程阶段动作关键组件索引（Indexing）文档切分→Embedding→入库向量化模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Mil…

#字节#RAG工作原理#RAG 工作原理

面试题·检索· 百度

RAG 瓶颈在哪一步

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· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Prompt → LLM生成答案关键设计：检索结果作为**上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法核心思想适用场景 Dens…

#字节#向量库与重排序#RAG 架构设计