匹配正文：…提出分块候选重叠只解决边界问题，也会带来重复索引与召回冗余用结构边界、父子关系和原文位置保障语义完整性所有参数都要在同一业务评测集上比较，不能把经验范围当结论核心思路文档分段会同时影响召回、重排、生成和引用。真正要优化的不是某个chunk_size，而是让问题能召回完整证据，同时控制噪声、延迟和存储成本。分块长度的权衡候选策略更适合观察的场景主要风险较短分块局部事实、错误码、条款定位上下文断裂、重复召回较长分块总结、比较、跨句推理无关内容增多、重…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：这道题其实问的是[[RAG]]落地的核心工程问题，怎么把非结构化的文档和用户查询，转成计算机能高效检索的向量。说白了，这中间每一步都有取舍，不是一个模型一套流程走到底的。先说文本预处理。很多人觉得就是切切文档，但这里有个挺关键的边界：固定长度切分和语义切分的区别。固定切分简单，但照搬一个固定长度很容易把一句话或者一个逻辑断成两半，检索的时候召回的内容不完整。语义切分就好很多，比如按段落、按标题层级来分，甚至可以用LLM辅助判断自然断点。但语义切分也有代价，就是计算开销大，而…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

这道题问的是[[RAG]]的[[向量化]]过程，其实本质是在问：怎么把非结构化文本转成机器能高效检索的语义表示，并且这个转换要能支撑实际业务。我不会去背一遍原理，而是按我理解的技术选型和工程落地说一下。先说嵌入模型选型。很多人觉得直接拿个通用模型就行，但真正落地会发现，场景不同，选择差异很大。比如通用中文场景，我会用BGE-large-zh或者M3E，它们开源、能私有化部署，维度一般是768到1024，上下文长度够用。但如果业务是多语言，比如要检索中英文混合的文档，那E5-…

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：

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…结合NLP工具递归分块层次化文档（法律、论文）先大段后小段，父子块关联实践经验：只有跨块证据缺失的bad case通过同一评测集验证后，才引入合适的overlap；代码和表格优先按结构分块。 3. Embedding模型选择选型维度：语言覆盖：中文场景优先m3e/bge-chinese，多语言用e5/multilingual-e5 上下文长度：长文档选支持8192+的模型（如gte-large）领域适配：金融/医疗等垂直领域考虑微调或专用模型关键指标：MTEB…

#安克科技#评估与监控#RAG 文档向量化

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：这道题问的是[[RAG]]里文本怎么转成向量，其实核心就是给文档做索引，让检索又快又准。我一般会从[[分块]]策略、模型选型、[[嵌入]]优化和落地评估这几个环节来讲，重点是怎么在效果和工程成本之间做取舍。先说分块。分块的粒度直接影响检索质量。我倾向按语义段落切，优先在标点、换行这些自然边界断，保证一个块是一个完整意思。如果文档结构清晰，比如企业SOP，就按章节切；如果是纯文本，我会把[[滑动窗口]]的chunk_size和overlap设为候选变量，结合文档结构、模型输入…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：… 和线性加权。RRF 只使用结果名次，不要求两路分数同尺度，通常更容易建立基线；线性加权能表达业务偏好，但前提是先校准分数，并通过评测集确定权重。不能脱离数据直接断言某一种一定更好。优化时应按链路定位问题。先检查文档解析和切块是否破坏语义，再看召回是否遗漏，之后才是融合和重排。Query Expansion、HyDE 或意图路由都有额外延迟和生成误差，不应该默认对所有请求开启。Cross-Encoder 只能改善已有候选的排序，不能救回根本没有召回的文档。切块与元数据也是…

#字节#混合检索#RAG 文档检索选型

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

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·模型微调· 字节

领域RAG应用链路怎么搭?

匹配口述回答：…比如按章节或段落，而不是固定长度。医疗场景也不能直接套固定数值；我会按资料结构提出多组 chunk size 与重叠候选，再用同一评测集比较证据完整率、召回和成本。关键是注入元数据，比如文档来源、发布时间、置信度，这样后续检索能按时间或权威度过滤。检索模块。我很少只用向量检索，因为专业领域里关键词匹配往往更精准。所以我会用 [[混合检索]]，把 [[Dense Retrieval]] 和 [[BM25]] 结合起来。比如金融场景，用户搜“第X条”，BM25 能直接命中，向量…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：…0以内，再精排取前3。说到评估，我除了用MS MARCO、Natural Questions这些开源数据集，一定会构建自己的业务评测集，覆盖真实场景的bad case。比如在金融风控场景，我会专门构造一些“相似但不相关”的案例来测试模型的抗噪声能力。最后，我更倾向把整个流程看成一套组合拳，而不是单一技术。数据构建是地基，检索优化是骨架，后处理是精装修。如果只能选一个，我会优先把数据切分和难负样本做好，因为这是最根本的。一句话定位：RAG检索不准的本质是信息源和匹配逻辑不…

#字节#RAG 检索噪声#RAG 数据构建

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：…码或分离编码）检索层面的多模态对齐与融合生成阶段的跨模态上下文整合实际挑战（解析精度、计算成本、模态对齐）核心思路多模态RAG的关键是统一表示 + 按需检索 + 跨模态生成。把表格、图片都转成模型能理解的格式，同时保留结构化信息供精准召回。技术方案 1. 文档解析层类型处理方法表格用专用工具（如Camelot、Table Transformer）提取为HTML/Markdown/JSON，保留行列关系；复杂表格做截图+结构化双路存储图片 OCR提取文本（…

#小鹏#多模态#RAG 表格处理

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 百度

RAG 项目指标化复盘

匹配正文：…】由【日志/标注/回放】发现，采用【真实改动】，结果【真实指标和口径】，代价【】，仍失败【】，回退【】。证据自检准备语料版本、评测集构造、防泄漏、Recall@K/MRR/NDCG、答案支持率、P95/P99、QPS、成本、消融表和失败样本。不能把召回提升直接等同于答案正确，也不能把同期业务增长直接归因于 RAG。追问入口可继续追问表格/OCR、精确标识符、权限过滤、RRF 参数、重排贡献、引用校验、增量索引、缓存隔离和多租户扩展。

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配正文：…构化文档（Markdown/HTML）利用标题/段落边界，效果稳定重叠处理技术滑动窗口：比较零重叠、短窗口与较长窗口，用同一评测集权衡上下文连续性与冗余边界保护：优先在标点、换行处切割，避免截断句子语义去重：对重叠区域做embedding去重，减少存储粒度权衡原则细粒度（小chunk）优势：检索精确度高、噪音少风险：丢失上下文、需要多路召回拼接粗粒度（大chunk）优势：信息完整、减少拼接风险：引入无关信息、压缩有效信号工程实践建议分层索引：短ch…

#小鹏#文本分块优化#RAG 文本分段

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…这些噪声必须去掉，但别把关键信息也误删了。说白了，预处理的目标是让后续分块和[[向量化]]拿到干净的输入。接下来是文本分块，这是RAG里最关键的工程决策之一。固定长度切分与重叠窗口可以作为候选，但不能直接当成默认答案。我会比较多组 chunk size，以及无重叠、短重叠和较长重叠，在同一评测集验证边界召回、答案质量、索引体积和延迟。但固定长度对结构化文档比如合同或者论文就不够用了，这时候得用结构感知分块，按章节、条款边界来切，同时保留元数据，比如标题、段落号，这样检索时能…

#美团#RAG 知识库构建#文档预处理

面试题·评估· 小鹏

RAG 失败场景诊断

匹配口述回答：…S的Faithfulness优化生成质量，最后靠人工抽检兜底。不过这里有个延伸点：如果业务场景里文档更新很频繁，比如政策每周变，那评测集的时效性就成了大问题，Recall@K可能今天准明天就不准了。这时候怎么持续维护评测集，其实比选指标更头疼。总的来说，我更倾向把评估看成一套分层监控体系，而不是单个指标。每个层次选一两个最关键的指标，配上人工分析，才能真的落地。评估RAG要分层，检索和生成分开看检索层核心是Recall@K，业务场景决定用什么生成层用RAGAS框架最实…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。 Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评测集上逐步加模块，分别看 Recall@K、MRR 或 NDCG、答案正确性、引用支持率、拒答、P95/P99 …

#淘天#重排与优化#Naive RAG

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：这道题问[[RAG]]的工作流程，其实本质是在问怎么把大模型的知识边界扩展出去，让它能回答训练数据里没有的东西。我理解RAG不是单一技术，而是一套工程组合拳，核心就三件事：先把外部知识存成索引，再根据问题准确定位到相关片段，最后让模型基于这些片段生成答案，同时还要避免它胡编。先说离线建库。这一步很多人只关注选哪个[[向量数据库]]，但我认为真正的难点在[[分块]]和[[向量化]]。分块不是简单按512 token切，要结合业务场景。比如客服退款场景，一个订单的完整上下文往往…

#高德#RAG#RAG 工作流程

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…询侧使用【召回方案】，再通过【融合与重排】处理候选。我会说明为什么选这个组合，Top-K、RRF 常数或权重、重排候选数都来自固定评测集上的参数扫描。正确证据没进候选时先修召回；候选有答案但排名低才看重排。上下文去重、冲突和预算处理后，由【生成约束】控制引用、拒答与输出校验。效果只报告【真实指标】，并带上数据集、硬件、并发和统计窗口。候选召回、排序质量、答案正确性和引用支持率分开测，同时观察 P95/P99 与成本。线上 trace 保存过滤条件、各路候选、融合名次、重排分…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配口述回答：这道题问 [[RAG]] 的实现流程，其实本质是在问：怎么把外部知识以可控的方式注入到语言模型里，同时保证检索和生成的质量。这不是一个简单搭积木的过程，而是一连串的权衡决策。先说文档处理。很多人一上来就固定切 512 tokens，但实际落地你会发现，[[分块]]粒度决定了检索的下限。固定长度切得快，但容易砍断语义，比如一段退款政策被切到两个块里，用户问“退款时效”时可能只召回一半。我更倾向做语义分块，按段落边界或标题层级切，再把零重叠、短窗口与较长窗口作为候选，用同一评测…

#高德#RAG结果融合#RAG 实现流程

系统教程·评估

大模型评估与监控面试题大全

匹配正文：评估是大模型应用从 demo 走向生产的分水岭。面试官会追问你怎么构造评测集、怎么区分检索问题和生成问题、线上怎么监控成本与质量。这一页把评估与监控题目、项目章节和面试准备路径放在一起。配套教程 RAG 教程第 10 章：从感觉好用到可量化评估 Deep Research 第 8 章：Agent 评估与上线监控知识模块评估指标、评测集与线上监控评估指标、评测集与线上监控常见问题大模型评估面试最容易被追问什么？最常见的是评测集怎么来、指标为什么这样选、badcas…

#专题学习#大模型评估与监控面试题大全

学习路线·学习路线

大模型应用开发学习路线

匹配正文：…t 和 Deep Research 都跑了一遍，但每一条都没有评测、失败和技术取舍。正确做法是选一条主线，沿完整工程链路向下做。 RAG 主线：适合知识库、检索与企业问答按“解析与入库 → 切分与索引 → 检索与重排 → 生成与对话 → 评测与上线”推进。系统学习：RAG 智能问答系统项目验收：25 道 RAG 项目面试题必须留下的证据：资料样本、解析质量检查、评测集构造、基线、对照实验、bad case、引用与权限边界不要把“用了向量库”当项目亮点。面试官更关心的…

#学习路线#RAG#Agent