匹配正文：…3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂直领域领域微调（如法律、医疗）用领域数据微调通用模型关键考量：维度（通常768/1024/1536）、上下文长度（512-8k）、是否支持指令式嵌入（如BGE的Represent this sentence...）二、文本分块策略常见方法：固定长度分块：按token数切分，长度作为候选变量；实现简单但可能切断语义递归分块…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档如何存储、向量化和更新？

匹配正文：…→ 嵌入 → 关键词/向量索引 → 影子验证 → 版本切换 → 更新和删除传播。原始文件或权威业务记录是可追溯真值，向量库保存的是检索派生物，不应成为唯一原文。 1. 接收、原文与权限入库前记录来源、用途、所有者、租户、访问控制、生效/失效时间、内容哈希和版本。文件存储使用稳定 doc_id，避免路径或标题变化产生重复。恶意文件、宏、超大文件和解析器漏洞应在隔离环境处理。权限不是最后的 metadata 装饰。它必须进入索引和查询的服务端候选资格，并在权限变化或删除时传播…

#RAG#文档存储#解析

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…测召回率 3. 嵌入生成与优化批处理推理：GPU批量编码，避免单条推理开销向量归一化：L2归一化后，余弦相似度等价于点积，加速检索维度压缩：必要时用PCA或量化（如1024→256维），权衡精度与存储 4. 质量保障离线评估：Top-K召回率、MRR指标在线验证：人工抽检query-doc相关性，建立bad case闭环

← 上一页第 20 / 27 页下一页 →

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

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配正文：…是两类不同瓶颈，应分别测量排队、计算、存储和网络时间，再做端到端预算。召回阶段用元数据或 BM25 做安全的候选过滤，再用稠密检索补充语义召回；过滤规则必须通过召回回归，避免提前丢失正确文档。 HNSW 通过搜索宽度在延迟与召回间取舍；IVF 通过桶数和探测数取舍；PQ 可减少向量存储与带宽，但会引入量化误差。热点 query、embedding 和结果可以按语料与模型版本缓存；更新后必须正确失效。检索服务独立扩缩容，并记录 Recall@K、P95/P99、缓存命中…

#高德#Agent#Agent 系统延迟优化

面试题·评估· 美团

Agent 训练链路怎么搭建?

匹配正文：…状态机缺陷和评测缺口，再决定改 schema、工作流、数据、SFT 或策略优化。工具文档频繁变化时，优先更新运行时 schema、检索资料和回归集；持续预训练成本高且会把过期细节写入权重，不应作为“定期同步工具文档”的默认方案。

#美团#Agent#Agent 训练链路

面试题·评估· 得物

Agent 上线要检查哪些关键环节？

匹配正文：…法取消的副作用任务要提供状态查询与补偿，而不是继续运行后让页面假装失败。 5. 可观测、评测与发布用同一 trace 关联模型、检索、工具、状态存储和业务结果，但默认不记录完整提示、密钥或用户原文。字段应最小化、脱敏、分级授权，并设置保留期和删除机制。监控既看系统指标，也看任务成功、人工接管、错误副作用和权限拒绝。离线回归集覆盖正常、无权限、工具超时、重复响应、循环、取消和部分成功；线上先灰度，设置错误率、业务失败、成本和延迟护栏。反馈数据必须经过用途确认、去标识和质量审…

#Agent#生产部署#工具调用

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· 美团

RAG 指标权衡与阈值

匹配正文：RAG评估的核心维度一、检索质量指标指标意义实践考量 Recall@K 相关文档是否被召回知识库场景优先保召回，客服场景可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前影响LLM输入质量，但计算成本高上下文相关性召回内容与query的语义匹配度需过滤噪声，避免无关信息干扰生成二、生成质量指标指标意义实践考量答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…复机制 4. 可观测性与调试长链路黑盒，难以定位哪一步规划出错三、与 RAG 的协同设计维度 RAG Agent 定位知识检索增强任务执行与决策融合方式 Agent 将 RAG 作为工具之一，或 RAG 结果注入 Agent 上下文典型架构：用户 query → Agent 规划 → 判断需检索 → 调用 RAG 工具 → 基于检索结果继续规划 → 执行最终动作四、工程落地要点容错设计：工具调用失败重试、降级到预设流程人机协同：关键节点设置确认机制（HIT…

#字节#Agent#Agent 系统优缺点

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：一、系统性评估框架 RAG评估必须分层进行，避免"黑盒优化"： 1. 检索层（Retrieval） Recall@K：正确答案是否在Top-K中（核心指标） MRR/NDCG：排序质量精确率：检索片段的相关性比例 2. 生成层（Generation）事实性：答案是否忠实于检索内容（可用NLI模型自动判）完整性：是否覆盖问题要点流畅性：语言自然度（可用 perplexity 或人工打分） 3. 端到端（End-to-End） Answer Correctness：答案正…

#字节#评估与监控#RAG 评估

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：…答偏题、细节错误或文档外陈述只能作为排查线索，不能直接判定是 Retriever 或 Generator。生成器可能忽略正确证据，检索器也可能召回相关但不足以回答的材料，两者还可能同时失败。 1. 先建立可判定样本为查询标注参考答案、支持答案的黄金证据及可回答性。没有黄金证据时，无法区分“知识库里没有答案”和“检索器没找到答案”。 2. 黄金证据替换实验固定模型、prompt、解码参数和问题，把线上检索结果替换为人工确认的黄金证据：使用黄金证据后稳定答对，说明检索、排序…

#百度#评估与监控#RAG 错误定位

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：RAG是什么检索增强生成（Retrieval-Augmented Generation）是一种将外部知识检索与大语言模型生成结合的架构。核心流程：检索阶段：根据用户Query从知识库中召回相关文档片段生成阶段：将检索结果作为上下文，让LLM生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

RAG 召回评估指标对比

匹配正文：…成质量实际评估要点与生成环节联动：高Recall但低Precision时，需增强重排序或压缩上下文多路召回评估：分别评估向量检索、关键词检索、图谱检索，再测融合后的Recall 业务定制：客服场景重MRR（要快准），研报场景重Recall@20（要全）学习建议建议系统学习该知识点

#抖音#Recall@k#RAG 召回评估

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配正文：幻觉分类事实性幻觉：模型生成与客观事实不符的内容（如错误日期、虚构人物）忠实性幻觉：生成与输入上下文或检索内容不一致的回答主要缓解方法及有效性分析 1. 训练数据优化（源头治理）做法：去重、过滤低质量/冲突数据、知识边界标注、课程学习效果：基础但长尾，无法解决训练截止后新知识问题局限：成本高，且模型仍可能"过度泛化" 2. RAG（检索增强生成）做法：外挂知识库，将检索到的相关文档拼入Prompt 效果：对事实性幻觉效果显著，可追溯来源关键：检索质量决定上限，…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：核心定位差异维度 RAG RLHF 作用环节推理时提供外部资料，也可训练检索/生成组件后训练时调整策略行为主要目标为回答提供可检索的证据与更新知识学习给定反馈中的帮助性、安全性或风格偏好技术本质信息检索 + 上下文增强策略优化 + 人类偏好对齐 RAG：用外部知识划定"能说什么" 机制：检索相关文档 → 组织上下文 → 生成并检查证据支持；提示不是硬解码约束。优势：可追溯资料并更新知识库；简单实现可复用现有模型而不重新训练，检索器/生成器也可以按任务训练。…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配正文：核心机制：检索结果作为"锚定"约束大模型二次生成减少幻觉的本质，是将检索结果作为事实边界，约束模型在知识范围内作答，而非依赖参数化记忆进行外推。提示工程策略 1. 引用标注提示（Citation Prompting） "请基于以下参考资料回答问题，并在答案中标注引用来源编号。若资料不足以回答，请明确说明'根据现有资料无法确定'。" 强制模型建立生成内容与检索片段的显式关联便于后续溯源验证，也增加模型"说谎"的心理成本 2. 上下文优先级提示 "优先依据提供的参考资料，…

#抖音#约束生成#RAG 幻觉

面试题·评估· 美团

召回阶段怎么评估质量?

匹配正文：…问题是否被解决用户停留时长、满意度反馈：直接信号，但样本稀疏 A/B测试：最终金标准，但周期长、成本高 RAG场景的特殊性传统检索评估止步于相关性，但RAG需要**"对生成有用"**的文档。因此出现新方向：端到端评估：检索+生成联合评测（如RAGAS、ARES框架）上下文利用率：评估检索结果是否被生成阶段有效使用美团场景：本地生活业务需考虑时效性（团购信息过期）、地理位置（LBS召回）等额外维度，评估更复杂。学习建议建议系统学习该知识点

#美团#评估与监控#召回评估指标

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配正文：…编排框架 "Chain"为中心，强调组件组合与流程控制 LlamaIndex 数据增强型RAG框架 "Index"为中心，专注知识检索与上下文注入 LangChain 详解核心抽象 Chain：将LLM调用、工具执行、数据转换串联成管道 Agent：ReAct循环，由LLM动态决策工具调用序列 Memory：对话历史的显式管理（Buffer/Window/Summary等）适用场景多步骤复杂工作流（如：先搜索→再分析→最后生成报告）需要灵活工具调用的对话Agent 快…

#阿里云#评估与监控#Agent

面试题·评估· 快手

LangChain 链式调用原理

匹配正文：… 典型组件 Model/IO 统一模型接口 ChatOpenAI、HuggingFacePipeline Retrieval 知识检索 VectorStore、Document Loader、Text Splitter Chains 固定流程编排 LLMChain、RetrievalQA Agents 动态决策执行 ReAct、Plan-and-Execute Memory 状态管理 ConversationBufferMemory Callbacks 可观测性日志、追踪、…

#快手#评估与监控#Agent

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：…、API）扩展模型边界 Memory 对话历史管理 Buffer、Summary、Vector三种策略 Retriever 文档检索接口 RAG知识库问答 Agent工作流程（以ReAct为例）用户输入 → 思考(Thought) → 行动(Action:调用工具) → 观察(Observation) → ... → 最终答案循环直到Agent判断任务完成，核心是推理与行动的交错执行。优缺点优势：上手快、生态丰富、快速验证想法劣势：过度封装导致调试困难、性能开销大、…

#快手#评估与监控#Agent

面试题·评估· 字节

RAG 自动与人工评估

匹配正文：RAG评估的三层架构 1. 检索评估（Retrieval Evaluation） MRR/Hit@K：衡量排序质量，适合粗排阶段快速验证 Recall@K：关注相关性召回，K通常取5或10 NDCG：考虑位置权重，适用于需要精细排序的场景 2. 生成评估（Generation Evaluation） BLEU/ROUGE：n-gram匹配，适合有标准答案的FAQ场景 BERTScore：语义相似度，对同义改写更鲁棒 3. 端到端评估（End-to-End） RAGAS（主流框…

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 字节

Agent 系统优缺点与发展前景

匹配正文：…AP），减少无效探索记忆短期上下文 → 长期记忆机制（向量库+知识图谱+可学习的记忆模型）融合 Agent与RAG深度整合，检索作为工具之一，形成"检索增强的Agent" 关键挑战评估困境：没有ground truth的开放任务，如何量化"好"与"坏" 产品化鸿沟：Demo惊艳 vs 生产可用，容错机制和兜底策略是核心生态标准：工具描述协议、Agent间通信协议尚未统一未来1-2年，Agent会从"技术演示"走向"垂直场景的深度落地"，金融分析、软件研发、科研辅助…

#字节#评估与监控#Agent