匹配正文：答案要点明确对比四个维度（知识更新灵活性、推理准确性、部署复杂度、泛化能力）分析各自的性能上限瓶颈给出典型适用场景的判断标准能结合业务场景做选型建议核心对比维度 SFT RAG 知识更新灵活性差。需重新训练，成本高、周期长优。知识库热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…或基于LLM构造对比学习数据关键：术语对齐，如"心肌梗死"和"MI"需映射到同一向量 2. 检索策略：多路召回+精排召回通道适用场景实现稠密向量语义相关、同义表达微调后的Embedding+Faiss/Milvus 稀疏向量（BM25）精确匹配、专有名词 Elasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单…

#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· 阿里

Multi-modal RAG 原理与挑战

…分各模态 Recall@K、跨模态重排、答案忠实度、引用定位、尾延迟和成本。财报图表问答、设备图片诊断、视频定位和商品图文客服都是适用场景，但模型与索引选择必须由目标数据基准决定。图解 Multi-modal RAG 原理与挑战图解

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

匹配正文：

#阿里#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…（如ColPali的ViT+Transformer）检索策略早期融合：图文拼接后统一编码晚期融合：分别检索后加权融合 4. 适用场景文档智能：发票、合同、研报（ColPali优势）电商搜索：商品图+详情页联合检索医疗影像：影像+报告跨模态查询 5. 选型建议场景推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文本RAG 学习建议掌握多模态嵌入与对齐技术，理解RAG中模态融合机制，对比…

#淘天#多模态#多模态 RAG 架构设计

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配正文：核心思路 RAG的降级处理要区分两个层次：检索层无结果 vs 检索结果相关性不足。不同场景需要不同的fallback策略。常见Fallback策略策略适用场景优点缺点大模型直接回答通用知识类问题用户体验连贯幻觉风险，需明确告知用户缩小范围追问问题过于宽泛引导用户明确需求增加交互成本转人工/工单专业/敏感场景兜底可靠人力成本高，时效差推荐热门/相关文档有相似主题内容保持RAG链路可能偏离用户意图网络搜索补充时效性要求高扩展知识边界…

#抖音#RAG降级策略#RAG fallback

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融合专业术语、专有名词多的场景稀疏-密集结合 SPLADE等学习式稀疏向量，弥补纯向量盲区长尾实体、ID类查询图检索基于知识图谱的实体关系扩展需要推理关联的复杂问题三、精排优化（重排序） Cross-Encoder重排：用交互式模型（如bge-reranker）对召回Top-…

#字节#HyDE#RAG 检索质量

面试题·RAG· 美团

RAG 知识库怎么增量更新?

匹配正文：核心策略对比策略适用场景特点实时增量高频小批量更新直接插入HNSW等支持增量的索引，延迟低批量重建低频大批量更新全量重建IVF等分区索引，吞吐高双缓冲切换高可用要求后台构建新索引，原子切换，零停机关键实现手段索引层面的增量支持 HNSW天然支持增量插入，但大量更新会导致图结构退化，需定期rebuild优化 IVF索引可增量添加新voronoi cell，或采用IVF_PQ的增量训练子码本纯内存索引（如faiss）+ 持久化log，重启时重放恢复 …

#美团#知识库增量索引#RAG 增量更新

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…数据增强：注入{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…机制（低置信度时触发）影响：答案准确率提升，但重排增加50-100ms延迟瓶颈4：系统级权衡优化方向延迟准确率成本适用场景缓存优先 ↓↓↓ → ↓ 高频Query主导混合检索 ↑ ↑↑ → 专业领域知识库 LLM重排 ↑↑ ↑↑↑ ↑↑ 高精度要求场景模型蒸馏 ↓ ↓ ↓↓↓ 边缘部署核心原则：先做检索质量（相关性是天花板），再攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结合实际案例理解流程，再学习常见优化技术如重…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：RAG系统五阶段工作流程 1. 查询理解与改写技术要点：Query扩展（同义词、HyDE生成假设文档）、意图识别、多轮对话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混…

#阿里云#重排与优化#向量检索

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· 字节

RAG 重排序怎么选?

匹配正文：…二阶段，用更高精度的模型对候选集（通常100-1000条）精细打分，显著提升最终Top-N的相关性。主流重排序方法方法原理适用场景交叉编码器（Cross-Encoder） Query+Doc拼接输入，Transformer输出相关性分数精度要求高、延迟可接受 ColBERT 延迟交互，token级相似度计算，兼顾效率和精度中等延迟、长文档场景多路融合向量检索 + BM25 + 稀疏向量（如Splade）结果融合数据分布复杂、单一通道不足 LLM-based…

#字节#重排与优化#RAG Re-ranking

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding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. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…检索后处理的技巧（重排序、上下文截断）实际落地中的权衡取舍查询改写策略核心目标：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子问题链，逐层检索（如"2024年X公司营收→其CEO是谁→CEO背景"）历史会话改写多轮对话场景结合上文指代消解，生…

#百度#小鹏#美团

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：答案要点区分密集检索与稀疏检索的适用场景说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval） …

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏智能分块策略语义分块：用领域微调的小模型做句子边界识别，非固定长度结构感知：按章节…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…体的性能优化手段（索引优化、重排序、缓存策略）体现工程权衡思维，而非单纯罗列技术常用检索方法对比方法核心机制优点缺点适用场景稠密向量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解释性好语义鸿沟，同义词失效专业术语、ID类查询混合检索稠密+稀疏融合兼顾语义与精准系统复杂，融合策略需调优通用生产环境首选图检索实体关系…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：答案要点清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：… 法条拆解（细粒度）+ 问答对（应用层）语义完整性：按条款边界切分，避免"第X条"跨块断裂二、检索优化混合检索方式实现适用场景稠密向量领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序 …

#字节#专业领域RAG#领域 RAG 架构

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

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配追问：……如果用户query表述不清晰，比如只说“那个文档”，你怎么处理？直球架构请从向量检索、重排序、查询扩展三个方面，系统性地阐述RAG检索阶段的优化策略。你如何平衡检索效率和准确性？具体讲讲每种策略的核心思路和适用场景。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…）+ 路由层，支持水平扩展预过滤（metadata filter）减少候选集，避免全量扫描二、相关性提升策略多路召回方式适用场景稠密向量（Dense）语义匹配、同义词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶段架构：向量召回Top…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…义鸿沟实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合）二、索引结构优化方法核心思想适用场景 HNSW 图索引，贪心导航百万级，高召回要求 IVF 聚类分桶，减少搜索空间亿级，内存受限 PQ/OPQ 向量量化压缩极致内存优化 DiskANN 内存+磁盘混合十亿级大规模关键调参：efConstruction（建图质量）、M（邻居数）、nprobe（搜索桶数）三、查询重写（Query Rewriting）核心问题：用户原…

#阿里云#查询重写#RAG 召回优化

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