匹配正文：核心差异：专业领域RAG vs 通用RAG 维度通用RAG 医疗/法律领域RAG 准确性可接受一定幻觉零容忍，需精确溯源合规性弱约束强监管，需审计留痕知识更新低频指南/法条频繁修订权威性多源融合需区分证据等级/法律效力数据处理与索引流程设计 1. 数据采集层白名单机制：仅接入权威源（临床指南、裁判文书网、药典等）多模态处理：扫描件→OCR→版式还原→表格/图表结构化提取 2. 清洗与结构化原始文档 → 文档类型识别 → 章节语义拆分 → 实体标…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 百度

RAG 项目指标化复盘

匹配正文：…G、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

专业领域RAG链路优化陷阱

匹配正文：…、文档预处理：领域知识结构化核心挑战：专业文档格式复杂（PDF表格、扫描件、法律条款层级）多模态解析：用LayoutLM或专用OCR提取图文混排内容，保留空间位置信息语义切分：按"条款-段落-句子"层级切分，医疗场景用UMLS术语边界，法律用条款编号锚定元数据增强：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 BM2…

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

#字节#重排与优化#RAG 链路优化

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· AIlab

RAG 流程：检索、融合、生成

匹配正文：…）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256-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…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 + 语义边界检测滑动窗口重叠（保证上下文连贯）标题层级感知（保留文…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/递归/语义分块；块大小通常256-512 token 向量化将文本块转为稠密向量 Embedding…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：… 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：PDF/OCR识别表格、Word修订痕迹处理、扫描件版式还原结构化抽取：用LayoutLM或专用模型提取条款层级（章-节-条-款）、案件要素（案号、当事人、判决结果）质量与标准化领域术语对齐：建立法条同义词表（如"违约金"="滞纳金"需区分场景）时效性标记：标注法律废止/修订状态，设置失效预警分块策略多粒度索引：原文段落（粗粒度）+ 法条拆解（…

#字节#专业领域RAG#领域 RAG 架构

面经·项目面试

面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？”

匹配正文：面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？” 知识库里有一张巡检报价表。用户问工业泵的巡检费用，检索结果很干脆：工业泵，180，260。设备名称对得上，两个数字也都来自原文，模型却还得猜：哪个是常规报价，哪个是加急报价？这是一台设备的价格，还是一次服务的总价？是否还要加上其他费用？原表放在眼前，这些问题并不难。数字上方有表头，右上角写着单位，表下还有说明。切成片段以后，它们可能留在了别处。检索命中了正确的一行，传给模型的却是…

#RAG#表格切分#文档解析

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配题目：在构建RAG系统时，从原始文档到可检索知识库的完整数据处理与索引流程包含哪些关键步骤？请详细说明各阶段的技术要点及其对系统性能的影响。

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配口述回答：这道题其实问的是在[[RAG]]系统里，怎么平衡检索粒度和语义完整性。说白了，你要找的信息有可能散落在文档的不同位置，切太碎可能让关键上下文断裂，切太大又可能把噪声带进来。我从最直接的方法说起吧。最粗暴的当然是固定长度[[切块]]，按token或者字符数硬切。这个方案的好处是简单、可预测，处理日志或者流式数据这种没有强语义结构的场景很合适。但它的致命伤是语义断裂，比如一个完整的段落被拦腰切断，重要的结论前半段在一个块，后半段在另一个块，检索时很容易丢信息。所以它的边界很清楚…

#字节#文档处理#RAG 文本切块

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：这道题问的是[[RAG]]在实际落地时，检索和生成之间那个匹配缺口怎么补。说白了，RAG不是拿回文档就万事大吉，中间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；…

#淘天#知识图谱#RAG 痛点

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：这道题其实问的是，怎么把通用[[RAG]]改造成能在一个专业领域真正落地，核心挑战就是领域知识怎么结构化、检索怎么精准、生成怎么可控，而且这三环要能闭环迭代。先说数据预处理。专业文档不像通用网页，结构复杂、术语密集，随便切段落肯定不行。我会根据文档类型做不同处理，比如医疗病历有DICOM标准，法律合同有条款边界，先用[[OCR]]或解析器把元信息提出来，像疾病编码、法条编号、时效性这些。然后chunk策略要兼顾语义和结构：一方面用语义模型识别主题边界，另一方面按章节条款切，…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：我觉得这道题本质上是在问：怎么让大模型在不知道答案的时候，能自己去查资料，而不是瞎编。[[RAG]]就是干这个的，它不像微调那样改变模型参数，而是给模型外挂一个知识库，每次回答前先检索相关文档，再结合上下文生成答案。具体流程分三步：先建索引，把文档切成小块转成向量存进[[向量数据库]]；然后检索，把用户问题也转成向量，到库里找最相似的Top-K；最后生成，把检索到的文档和问题拼在一起扔给大模型。听起来简单，但每一步都有坑。先说[[切片]]。很多人直接按固定字数切，比如51…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：如果让我设计一个 [[RAG]] 系统，我会把它拆成五个模块：文档处理、索引与检索、[[重排序]]、生成集成，以及评估监控。每个模块都有自己的输入输出，不能只把它理解成“[[向量库]]加大模型”。文档处理是第一层，也经常是最容易被低估的一层。原始文档进来后，先做解析和清洗，比如 PDF、网页、表格、图片 [[OCR]]，各自的处理方式不一样。清洗完以后做[[分块]]，分块要结合文档结构，不能简单按 500 token 硬切。技术文档可以按标题层级切，客服 FAQ 可以一问一…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…OP 文档里新老版本同时存在，模型可能选错。所以我会在生成前加一步 [[Faithfulness]] 校验，或者用 [[Self-RAG]] 让模型自己学会反思。最后说落地风险。前提是文档质量要干净，切分策略要合理。如果文档是扫描件 [[OCR]] 出来的，或者切分把一句话拦腰截断，召回率会崩。常见失败场景是用户问一个很模糊的问题，比如'怎么投诉'，检索器可能捞出一堆不相关的文档。这时候我会在 query 侧做改写，或者加一层意图识别。所以我的判断是，RAG 不是银弹，它更…

#字节#Retriever#RAG Retriever

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…，必须先经过文字识别。三类文件若都粗暴转成一大段纯文本，格式虽然统一，标题、位置、表格关系和图片信息却可能一起消失。这对应一道 RAG 项目面试题： PDF、PPT 和扫描件应该怎样进入同一个知识库？为什么不能只写一个通用解析函数？一种常见但不完整的回答是：“判断文件后缀，调用不同的库，再把文字拼起来。” 这只能算说出了入口。面试官还会追问：不同解析器统一什么？页面只成功一半怎么办？怎样证明内容能够被检索，而不是只拿到一堆字符？为什么“上传成功”不等于“可以检索”？文…

#RAG#解析与入库#RAG 文档解析

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…tall ✅ 能看懂基础 Python(变量、函数、for 循环) ✅ 一份允许处理的测试PDF；可提取文本可直接切分，扫描件需先OCR，空文本要检查解析结果。教学示例不需要真实业务或私人文档完全没接触过 RAG?→ 回看第 1 章:为什么做 RAG? 先做一个失败演练(这是本章的"为什么") 下面的保险条款、用户问题和后果都是为讲解切分风险而构造的教学场景,不是作者或学员的线上事故。有一条保险条款是这么写的:"本保险承保意外伤害导致的身故或残疾,但以下情况除外:(1)战…

#RAG#检索#项目实战

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：…序号。这样用户问某个字段时，检索到的数值不会变成没有列名的孤立文本。图片、流程图和说明应该怎样绑定？图片不等于图片里的文字。 OCR 能读出截图中的标签，却不一定理解箭头从哪个节点指向哪个节点。数据图表中的坐标、图例和趋势也不能只靠把可见文字串起来还原。比较稳妥的做法，是先把图片区域与附近标题、图注和正文说明绑定成一个内容单元，再按图片类型选择处理路线。普通界面截图可以提取文字，并保留原图。流程图可以生成受控描述，但描述要明确标识为模型派生内容，不能覆盖原图事实。数据…

#RAG#解析与入库#复杂 PDF 阅读顺序

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…列代表什么。代码可能从函数中间断开，缩进和上下文一起丢失。流程图虽然识别出所有文字，却看不出箭头关系。这就引出一道很有区分度的 RAG 面试题：表格、代码和图片应该怎样切成 Chunk，既能被检索，又不破坏原来的结构？常见回答是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段…

#RAG#切分与索引#RAG 表格切分

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配正文：…，明确标注来源蚂蚁场景要点金融域合规优先：模糊涉及金额、账户时，必须确认而非推测多模态输入：支持用户上传截图（账单、证件），OCR+RAG联合解析人机协同：置信度极低时主动提供"转人工"选项，而非强行猜测学习建议建议先掌握对话系统的基本流程，再学习上下文建模与RAG技术，结合实际对话案例练习意图识别与追问设计。

#蚂蚁#Agent#Agent意图补全

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…本、医学综述结构感知切块解析PDF/DOC的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配正文：核心区别：是否共享语义空间伪多模态RAG 实现方式：图像/视频经OCR、Caption或视觉编码器（如CLIP）转成文本描述，再入向量库典型链路：图像 → BLIP2生成caption → 文本embedding → 检索 → LLM生成本质：多模态→单模态的有损压缩，检索和生成阶段都是纯文本真多模态RAG 实现方式：图像和文本统一编码到共享语义空间，直接进行跨模态相似度计算典型链路：图像+文本 → 多模态encoder（如CLIP dual encoder/EVA…

#淘天#知识图谱#伪多模态RAG

面试题·多模态· 小红书

多模态大模型面临哪些挑战?

匹配正文：…个总分提高，就断言细粒度对齐或长链推理必然改善。 CoT可能帮助模型组织步骤，但生成的理由不一定由视觉证据支持；Agent可以调用OCR、检测器或搜索，RAG可以补外部知识，却都不能自动修复输入中未被识别的对象。工具返回还可能冲突或被错误引用，需要显示区域、帧和文本证据，并在不足时拒答。跨模态冲突是另一类风险。图像、字幕和用户文字不一致时，模型可能偏向更强的文本先验。需要专门构造冲突样本，测模型是否指出差异，而不是强行融合。医学、身份和内容审核等高风险场景还要做权限控制、隐…

#模态对齐#数据构建#推理一致性