匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总能返回结果，相关和足够怎样区分？阈值应该怎么定，换模型后还能不能继续用？有答案却被拒绝，和没答案却强答，哪个更严重？检索分数过…

#RAG#生成与对话#RAG 无答案检测

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…①面试官真正想验证什么 ②先看哪个教程/项目 ③代表题型 ④项目里怎么体现。题量取自站内各模块真实题数,反映这个方向面试考多密。 RAG 基础(62 题):验证你懂不懂检索链路的取舍 RAG 是应用岗第一主战场,面试官不是要你背定义,而是看你对"分块、embedding、检索、拼 prompt"这条链路的每一环有没有做过取舍。维度内容面试官在验证什么你是否理解 RAG 每一环为什么这么设计、召回和忠实度怎么保证,而不是只会调库先看哪个 RAG 教程:为什么需要 → …

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

#求职#职业转型

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时，应该…

#RAG#生成与对话#多轮 RAG

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…ulness 关注答案中的事实能否由本轮检索证据支持。引用评估还要看引用的原文是否真的支持对应陈述，以及用户能否回到正确位置。 RAG 各层指标与问题定位矩阵检索指标回答“证据找得怎样”，生成指标回答“模型怎样使用证据”，二者不能混成一个总分。举个诊断思路。 Recall@K 下降时，可以检查解析、Chunk、Query、过滤和召回。Recall 正常而 MRR 下降，融合与重排更值得优先检查。正确证据已经排在前面，Faithfulness 却下降时，再看 Prompt…

#RAG#评测与上线#RAG 评测集

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：很多人做 RAG 评测时，会先算一个“答案准确率”。如果分数上涨，就认为系统变好了；如果分数下降，就继续换 Embedding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、…

#RAG#评测与上线#RAG 评估指标

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：…向量召回。两路之间没有结果依赖时，可以并行。第五步，融合候选并做 Rerank，然后按门槛和上下文预算截取证据。第六步，构建 Prompt，发送到模型服务。模型可能还要排队、加载上下文并完成预填充，之后才产生第一个 Token。第七步，通过流式协议把 Token 送到前端。 RAG 首字前的分段计时链路只有给每个阶段独立计时，才能知道优化应该落在缓存、检索、排序还是模型服务。这些步骤不是都能并行。检索需要 Query 或改写后的 Query，向量检索需要 Quer…

#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：…，以及用户反馈。 Trace 连接两层。每次请求使用一个 Trace ID，从网关一路串到 Query 处理、过滤、检索、重排、Prompt、模型和引用。线上出现错误答案时，可以先确认允许范围，再看正确证据是否进入候选，之后检查它有没有被截断，最后检查模型怎样使用原文。如果正确证据根本没找到，bad case 进入解析或检索回归集。如果证据已经在前面，模型仍然错答，则进入生成和引用回归集。可上线 RAG 的监控与反馈闭环线上 Trace 负责定位，bad case 回…

#RAG#评测与上线#RAG 系统设计

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…，替代原始文本增量更新：相同实体的新信息合并更新，保留时间戳链主动遗忘：低频访问+低重要性记忆进入"冷存储"，可配置彻底删除 RAG深度集成：上下文压缩检索后处理重排序（Rerank）：Cross-Encoder精排Top-K结果信息密度筛选：优先选包含实体、动作、结论的片段动态窗口分配：工作记忆固定槽位 + RAG结果弹性槽位 Prompt注入模板 [系统指令] [工作记忆：最近对话] [RAG检索：相关历史摘要] ← 动态填充 [当前用户输入] 平衡策略：设置…

#高德#Agent#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…ge-large-zh、智谱Embedding-2 领域适配：领域数据继续预训练或对比学习微调优化技巧：查询端与文档端使用不同prompt（如"为这个句子生成表示："）维度压缩：PCA或模型蒸馏降低存储成本三、向量存储与索引方案特点适用规模 FAISS 内存索引，HNSW/IVF算法，零成本百万级，单机 Pinecone 全托管，元数据过滤，自动扩缩容千万级+，生产环境 Milvus/Zilliz 开源/云原生，GPU加速十亿级索引优化： HNSW：构建…

#字节#文档处理#向量检索

面试题·文档处理· 京东

RAG 分块策略选型

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成小块，既能保证检索的时候命中率高，又不让大模型拿到碎片信息瞎编。说白了就是精度和完整性的一个取舍。先说最直接的方法，固定长度[[分块]]。按token或者字符数一刀切，实现简单，上线快。但问题很明显，可能一句话被拦腰切断，语义就断了。所以它适合ToC场景，比如商品搜索，用户只想要个价格或参数，上下文不完整问题不大。反过来，语义分块是用[[Embedding]]相似度检测主题边界，块内语义完整。但计算成本高，而且依赖e…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工…

#美团#评估与监控#RAG 工作原理

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：这道题其实是在问，你怎么把[[RAG]]系统从搭起来到真正好用，核心就是评估和优化两件事。我理解，评估是告诉你哪里有问题，优化是告诉你怎么办，两者是循环的。先说评估。我会分成三层来看。第一层是检索模块，主要看召回率和排序质量。比如Recall@K，还有MRR，这些能反映检索器有没有把相关文档捞回来，以及是不是排在最前面。第二层是生成模块，重点看事实性和[[幻觉]]率。事实性我会用NLI模型或者人工抽检，看答案是不是基于检索内容；幻觉率就是看有没有编造。第三层是端到端，用[[…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：RAG缓解幻觉的核心机制 RAG通过**"先检索、后生成"**的工作流程，将大模型从"闭卷考试"转为"开卷考试"：工作流程三阶段阶段作用幻觉缓解机制检索从外部知识库召回相关文档引入权威外部知识，替代模型参数记忆增强将检索结果注入Prompt上下文为生成提供事实锚点，约束自由发挥生成基于上下文生成回答可通过引用溯源验证信息来源关键技术机制 1. 事实锚定（Grounding）将生成内容绑定到检索文档的明确陈述模型被强制"照着说"，而非"编着说" …

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 百度

RAG 错误怎么定位到检索或生成?

匹配正文：核心思路：隔离变量 + 对照实验 RAG错误的根因定位本质是解耦检索与生成的影响，通过控制输入变量观察输出变化。一、黄金文档替换实验（Gold Document Swap）原理：用已知正确的文档强制替换检索结果，消除检索噪声实验组检索输入预期结果实际结论原系统真实检索Top-K - 基线黄金组人工标注的相关文档正确输出若仍错误→生成模块问题随机组随机不相关文档错误输出若仍正确→生成过度依赖先验关键判定：黄金组正确 + 原系统错误：提示原检索…

#百度#评估与监控#RAG 错误定位

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：…e、噪声干扰或上下文截断。 4. 归因矩阵黄金证据召回黄金证据下生成主要结论否能答对检索或排序问题是仍答错生成、prompt 或解析问题否仍答错两侧都可能有问题，需分别修复是能答对但线上错候选顺序、噪声或上下文组装问题结论：用黄金证据、重复对照和证据级指标拆开检索与生成，再报告单一故障或耦合故障，不能仅凭答案表象甩锅。图解 RAG 错误根源怎么定位?图解

#百度#评估与监控#RAG 错误定位

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…梗、PCI，如果不扩展，向量可能匹配不上。所以我会做同义词扩展，把缩写还原成全称。生成优化是最后防线。我会在 [[System Prompt]] 里强制要求引用来源，格式像「根据《XX指南》第X条」这样，不允许无来源输出。同时用约束解码，禁止生成索引里没有的信息，比如设一个医学安全词表，拦截不存在的药品名。另外，检索结果有时很长，我会用 LLM 自己做上下文压缩，去冗余，只保留关键证据链。评估不能只看常规指标。检索质量我关注 Recall@K，生成质量我关注事实准确性，用…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：…练数据未覆盖或已过时。 RAG的有效性依赖三个核心前提：知识库覆盖度外部知识库必须包含问题的正确答案。若知识盲区在库中也不存在，RAG无法解决，模型仍可能幻觉或"检索即编造"。检索准确性Embedding模型需将query与相关文档精准对齐。检索失败（top-k不相关）会直接引入噪声，甚至加剧幻觉。生成可控性LLM需具备"忠实于检索内容"的能力，而非过度依赖参数知识或自由发挥。这涉及prompt设计、上下文窗口利用和指令遵循能力。 RAG的边界：不解决忠实性幻觉能解决…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…召回二、生成阶段的缺陷 3. 上下文利用不足（Lost in the Middle）模型对长上下文中间位置信息遗忘，关键证据在prompt中间时被忽略改进：重排序把关键文档放首尾、压缩/摘要减少长度、显式引用机制 4. 知识冲突与幻觉检索内容与大模型参数知识矛盾时，模型可能"固执己见"或随机选择改进：置信度校准、检索内容高亮标记、source attribution强制引用三、系统层面局限 5. 延迟与成本检索+重排+生成链路长，首token延迟高改进：检索缓…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…先级数据层：清洗脏数据，补充缺失知识（最快见效）检索层：调优embedding（领域微调）、重排序模型、混合检索权重生成层：prompt工程约束引用格式、尝试RAG-specific微调

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…RR、BLEU、ROUGE 理解端到端评估框架RAGAS的核心指标知道人工评估与自动评估的权衡了解业务场景下的定制化评估需求 RAG评估需分检索层、生成层、端到端三个维度展开：一、检索评估（Retrieval Metrics）关注"找得准不准、全不全"： Recall@K：正确答案在Top-K检索结果中的比例，RAG最核心指标 Precision@K：Top-K中相关文档的比例 MRR（平均倒数排名）：正确答案排名的倒数均值，反映排序质量 NDCG：考虑文档相关性分级…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 → 拼接Prompt上下文 → L…

#美团#混合检索#RAG 技术

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：… 识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品的价格"→补全具体产品名）多跳拆解 "A和B哪个更好"→拆分为两个子查询分别检索时效判断识别…

#OPPO#RAG 意图识别#RAG