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· 百度

RAG Query 改写方法

匹配题目：在RAG系统中，如何设计有效的查询改写策略？以及在检索到相关文档后，如何构建合适的提示词来指导大模型生成准确答案？

#百度#小鹏#美团

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│ └────…

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#RAG组件设计#RAG 系统架构

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

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：从系统链路、检索选型到评测与权限，演示面试官怎样验证一段 RAG 项目描述这不是候选人实录，而是一套用于自测的教学对话。请把示例问题换成自己的项目事实，再练回答。本文是教学设计，不对应真实公司、候选人或录用结果。文中不预填项目规模、个人职责与效果数字；练习时只能使用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师 …

#RAG#项目深挖#教学复原

系统教程·Prompt

Prompt 工程面试题大全

匹配正文：… 知识模块提示词设计、结构化输出与 Query Rewrite 提示词设计、结构化输出与 Query Rewrite 常见问题 Prompt 工程面试会不会只考技巧？不会。真正高频的是稳定性、可维护性和评估：如何约束输出、如何处理长上下文、如何做 Query Rewrite、如何让工具调用可控。结构化输出失败怎么处理？先用 schema 和示例约束，再做解析校验、失败重试、局部修复和兜底路径。面试里要讲出工程闭环，而不是只说让模型输出 JSON。 Prompt 和 R…

#专题学习#Prompt 工程面试题大全

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…视频从头看一遍。更理想的办法，是让系统直接找到讲年假的那几十秒，整理出答案，同时把原视频和时间位置交给你复查。这正是很多人希望 RAG 做到的事。 RAG 这个名字听起来有点技术，其实就是先从指定资料里找内容，再让大模型根据找到的内容回答。它和普通聊天的区别在于，大模型回答之前会先“翻资料”。但找到资料也不代表一定答对，答案最好还能回到原文检查。问题来了：PDF、Word 都可以作为资料，视频也是一个文件，为什么不能直接扔进知识库？因为知识库真正需要的不是一个文件名，而…

#RAG#解析与入库#视频 RAG

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…最长任务时间、允许的来源类型和报告长度。预算不是最终停止条件，但它是避免任务失控的硬边界。第四步，执行中允许升级和降级。普通 RAG 如果证据不足，可以升级到补充检索；研究任务如果很快找到唯一权威答案，也不必为了凑步骤继续搜索。因此路由应被设计成可调整的执行策略，而非一次性标签。第五步，记录路由和实际轨迹。系统要知道最初选择了哪条路线、为什么选择、实际调用了多少次工具、最后是否完成。没有这些记录，就无法发现路由器把简单问题送进昂贵链路，或把真正复杂的问题错误压成一次检…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…加上召回回来没重排、Embedding 还是通用的、不认"现金价值""退保费"这些保险黑话,这些毛病各不相同,却都指向同一件事: RAG 不是"写个检索"就完事,它得拆成几个各管一摊的模块,一个个治。这一章,我们先把这套"分工"在代码里跑一遍(Part 1),再逐块讲透每个模块为什么这么设计(Part 2)。 3 个核心概念(先白话,再术语) 概念 1:两条链路,离线建库 + 在线问答 RAG 系统拆开看,就是两条流水线。打个餐厅的比方: 离线建库,像后厨提前备菜、把半成品…

#RAG#检索#项目实战

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：大模型应用开发不是学"一个东西",而是一张地图:RAG、Agent、Prompt 与上下文、评估与监控、重排与检索、模型微调、推理部署几个方向,各自解决不同问题、考察热度也差很多。转行者最该避免的坑是"全都学一遍",正确做法是按面试频率和自己的背景挑一条主线做深。这一页就是全站技术地图的枢纽,帮你先看清全貌再决定学哪条。作者:吴师兄 | 适合:刚决定转大模型、面对一堆名词不知从哪下手的人 | 前置:知道应用岗和算法岗的区别,看过路线图大模型技术栈到底有哪些方向一句话结论…

#求职#职业转型

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：…被放行。用四道门讲清回答边界完整口述按“范围、相关、充分、核验”四道门展开，再把重试、澄清、有限降级和拒答放到对应缺口后面： RAG 的无答案控制不能只判断检索有没有返回结果。当索引非空并要求返回 Top-K 时，向量库通常仍会给出相对更接近的内容，但这些内容未必足以回答。我的设计会分四层：先按用户、知识库、文档状态和版本限定搜索范围，再用相关性门槛筛掉明显无关候选，然后判断候选是否覆盖问题所需的实体、条件和多段证据，最后对生成结果中的事实句做证据核验。阈值不会直接照搬…

#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 → …

#求职#职业转型

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…的站内深挖章节过一遍。题目考察重点站内承接设计一个企业知识库问答系统(RAG) 切块/检索/重排、防幻觉、引用、评估闭环 RAG 系统怎么从零搭起设计一个多步 Agent / 工作流(如深度调研助手) 任务拆解、工具调用、记忆、循环终止、失败重试 Deep Research 这类 Agent 怎么设计设计一个高并发大模型推理服务批处理、KV Cache、并发调度、显存、限流降级服务化章和推理优化题库设计一个带评估的内容审核/分类系统 Prompt 分类 …

#求职#职业转型

面试题·RAG

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

匹配正文：…把几个英文缩写逐个翻译出来，回答还停留在知识点层面。面试官真正想听的是，你能不能沿着证据流解释每个指标，看懂指标组合背后的故障，并设计一套不会被自动裁判误导的评测方法。先画清楚：一个 RAG 回答经过了哪些可评估节点堆更多指标不能直接让评测变专业。每一个分数都要先回答一个明确问题。用户提出问题以后，检索器给出一组候选 Chunk。这里要回答的是“应该找到的证据找到了多少”“返回内容里噪声有多少”“最有用的证据排在哪里”。候选经过融合、重排和截断，真正进入 Prompt…

#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·Agent· 高德

Agent记忆分层与RAG检索

匹配追问：…层层追问 Agent的上下文窗口有限，你怎么管理对话历史？……如果历史有几万轮呢，是不是全部存下来？……那如何既保留有用信息又不让prompt超长？……怎么在需要时快速找到相关的历史片段？直球架构设计一个面向超长对话的Agent记忆管理机制，要求分层架构涵盖短期和长期记忆，支持语义、时间等多维度检索，还要有动态更新和选择性遗忘。结合RAG，你怎么平衡上下文压缩和信息保留？

#高德#Agent#向量检索

面试题·文档处理· 京东

RAG 分块策略选型

匹配题目：在构建检索增强生成（RAG）系统时，如何设计文本分块（chunking）策略以平衡上下文的完整性和检索的精确性？有哪些常用的方法和权衡考量？

#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· 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：…和覆盖度之间找平衡，不能像通用聊天机器人那样瞎编。医疗、法律这种场景，错了就是人命关天或者法律纠纷，所以整个链路都得围绕「可信」来设计。先说文档处理。专业文档不是排版漂亮的网页，很多是扫描件、表格、手写批注。我会先用 [[OCR]] 加 [[Multimodal]] 模型，比如 LayoutLM，把图文混排的内容抽成结构化文本，同时保留章节层级，比如病历里的主诉、检查、诊断这些段落。切分的时候不能按固定字数切，那样会把关键上下文切断。我会按语义边界来切，比如法律条文按条款切…

#字节#RAG 全链路#RAG 技术链路

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

RAG 效果差怎么排查？

匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：答案要点区分检索失败与生成失败的诊断方法关键指标设计（召回率、相关性、忠实度、答案相关性）消融实验与人工分析的结合典型错误模式的识别（检索不准、生成幻觉、协同失效）核心诊断思路：分层定位，逐层验证 RAG故障排查的关键是隔离变量，把端到端问题拆解到具体模块。第一层：判断检索模块是否合格关键指标 Recall@K：正确答案是否在Top-K检索结果中（K通常取5或10） MRR/NDCG：排序质量，相关文档是否排在前面诊断方法人工抽检：随机采样bad case，…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…-1000条测试集公平对比 1000-3000条对抗集压力测试 200-500条高难度问题来源的四种策略 1. 人工专家设计领域专家基于文档直接编写优势：质量高、覆盖边缘场景劣势：成本高、主观性强 2. LLM辅助生成 Prompt模板要点： - 指定角色（"你是领域专家"） - 约束条件（基于给定文档、禁止脑补） - 多样性控制（事实型/推理型/比较型/总结型） 3. 真实用户日志挖掘从生产环境脱敏后的query中采样需配合人工清洗过滤噪声 4. 混合策…

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…沟→用Query改写或HyDE缓解上下文窗口：多文档拼接超限→Rerank精筛+递归摘要知识冲突：检索内容与模型参数知识矛盾→设计冲突消解Prompt 时效性：知识更新后向量未同步→增量索引+版本管理多跳推理：单轮检索无法回答→ReAct循环检索或构建知识图谱五、进阶方向 Agentic RAG：检索作为Tool，由Agent决策何时检索、检索什么 GraphRAG：用知识图谱显式建模实体关系，解决多跳问题 RAG+微调：用检索数据构造SFT数据，提升模型对检索内容的…

#字节#RAG 最佳实践#RAG 技术原理