匹配正文：…像>特殊token 偏好数据对齐用户目标同一用户画像/对话上下文下比较回复A/B，治理曝光偏差与反馈噪声优化选型比较质量与成本 DPO直接用偏好对训练，不另训显式RM；若选PPO式RLHF，再训练奖励模型并处理在线采样、价值估计与KL约束电商特化技巧：若使用在线奖励，可比较商业指标与用户长期满意；GMV不是用户偏好的通用替代，应设独立约束并检查偏差。标准DPO则使用偏好对目标。更新频率由数据量、漂移、成本与离线/在线回归决定，不预设每日或每周训练必然合适。四、…

#淘天#用户偏好建模#偏好感知对话系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…exical Expansion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语义重写（Semantic Rewriting）做法：用Seq2Seq或LLM直接改写Query，改变句式但保留意图优势：解决口语化、不完整Query（"那个红色…

← 上一页第 21 / 30 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#京东#Query改写#Query 改写

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…对齐收集偏好数据训练Reward Model 关键权衡准确性vs合规性：过度规则化导致"复读机"问题，需保留模型推理能力延迟成本：多层审核影响RT，关键路径上尽量用轻量规则反馈时效：实时干预依赖运营体系，离线反馈用于模型迭代快手场景的特殊性：短视频/直播的实时性要求极高，输入层拦截+生成层轻量控制是核心，输出层更多用于事后追责与模型优化。学习建议建议系统学习该知识点

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控制chunk size（通常2…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配正文：…点踩"，错误案例回流至知识库修正队列 A/B测试监控：跟踪事实性错误率指标，对比不同检索策略的效果关键取舍：严格校验会增加延迟和成本，需按场景分级——客服闲聊可宽松，医疗诊断必须多重校验。

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG· 百度

RAG 项目指标化复盘

匹配正文：… 观测。选型取舍：稀疏/稠密/混合检索、RRF/加权融合、是否重排及参数依据。因果证据：固定评测集上的基线、单变量消融、延迟与成本变化、bad case 和上线边界。事实填空项目服务【真实场景】，语料来自【合法来源】，规模和版本【】。我负责【本人模块】，基线【】。失败切片【】由【日志/标注/回放】发现，采用【真实改动】，结果【真实指标和口径】，代价【】，仍失败【】，回退【】。证据自检准备语料版本、评测集构造、防泄漏、Recall@K/MRR/NDCG、答案支持率、…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·RAG

LLM 封闭标签方法对比

匹配正文：…1. 提示工程 + 输出解析（最简单）做法：Prompt里明确列出可选标签，要求模型单选；用正则/规则过滤非法输出优点：零改造成本，快速验证缺点：不可靠，模型可能幻觉、格式不统一；需兜底逻辑 2. Function Calling / Tool Use（推荐）做法：在所用模型/API支持时启用strict工具schema，把label声明为enum并校验返回（如{"label": "positive"}）。优点：正常完成时可约束支持的schema；普通工具调用或JS…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息覆盖全、推理深度强、可溯源 ❌ 成本高（token消耗大）、耗时长、可能陷入无效循环一句话总结 RAG是"给你一本书查答案"，Deep Research是"派一个研究员去图书馆泡一天写报告"——前者是工具增强，后者是Agent自主行为。

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：…大轮数、停止规则和失败降级都应显式配置。选型时先建立查询分桶与黄金证据集，分别报告召回、排序、引用正确率、忠实度、端到端成功率和成本。不存在对所有项目都必选的单一组合。图解 RAG检索质量提升5法图解

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…）计算层： GPU加速向量计算；Embedding模型轻量化（MiniLM级）影响：延迟从500ms→50ms，但需增加缓存成本、可能损失长尾Query效果瓶颈2：检索相关性不足（Top-K命中率<60%）根因： Query-文档语义鸿沟、Embedding训练域不匹配优化方案：查询改写： HyDE（用LLM生成伪文档再检索）、Query扩展混合检索：向量+BM25融合（RRF排序），关键词兜底领域适配：领域数据微调Embedding模型（如BGE-M3…

#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：…Embedding检索牺牲精度换速度，需Cross-Encoder二次精排实现：ColBERT轻量交互、LLM-based重排（成本高但效果好）质量影响：过滤噪声文档，Top-5重排后准确率可提升15-30% 4. 上下文构建与压缩关键挑战：上下文窗口限制（4K/8K/128K）、信息密度不均技术方案：文本切片策略：按语义段落/滑动窗口，非固定长度上下文压缩：LLMLingua选择性压缩、摘要式压缩引用标记：为生成内容附加来源，便于溯源 5. 生成与后处理提示…

#阿里云#重排与优化#向量检索

面试题·检索· 哔哩哔哩

精排精度高，为何不跳过召回粗排？

匹配正文：…库 N 个候选逐一精排，就需要 O(N) 次 query-document 前向计算和对应的数据读取；在大规模语料上，延迟、吞吐和成本都不适合在线服务。分层漏斗阶段典型方法主要目标召回 BM25、稠密向量 ANN、规则召回用索引快速取得高召回候选粗排（可选）双塔分数、轻量模型、业务特征在较低成本下进一步压缩候选精排 Cross-Encoder 或其他重交互模型对小候选集做精细相关性排序候选数没有通用的“千、百、十”标准，应根据语料规模、召回曲线、模型吞…

#哔哩哔哩#两阶段排序#召回粗排精排

面试题·检索· 哔哩哔哩

直接精排所有候选，为何不可行？

匹配正文：… 深度交叉特征，单次推理 10-100ms 级候选池规模：百万/千万级，精排全量打分 → 单次请求耗时小时级，完全不可接受算力成本精排模型通常是大模型或深度网络，GPU显存和计算密集全量打分成本 = 候选数 × 单次推理成本，业务无法承受 2. 系统架构角度延迟与吞吐的权衡阶段延迟要求候选规模模型复杂度召回 <10ms 百万→千极简粗排 <20ms 千→百轻量精排 <50ms 百→十重度漏斗效应的价值每阶段过滤90%候选，精排只需处理"可能优…

#哔哩哔哩#召回粗排精排#推荐系统架构

面试题·检索· 字节

RAG 为何还要重排?

匹配正文：…-Reranker）高效：ColBERT（延迟交互，平衡速度与精度）重火力：LLM-as-Reranker（直接用大模型打分，成本高但效果最佳）实际部署中，重排是性价比极高的优化点——少量延迟换取显著生成质量提升。学习建议建议系统学习该知识点

#字节#重排与优化#RAG 重排

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…持8K+的模型（如GTE-large）多语言中文场景优先BGE、Piccolo；多语言选 multilingual E5 效率成本端侧部署选轻量模型（BGE-small），云端可用大模型指令理解优先选用经过指令微调的模型（如instructor系列）向量化表示设计文档切分策略按语义切分（句子/段落）优于固定长度，保持上下文完整性对话场景：保留"用户问-Agent答"完整回合作为独立chunk 元信息增强 { "content": "用户询问北京到上海的路线"…

#高德#Agent#向量数据库 Agent

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：…）结果融合数据分布复杂、单一通道不足 LLM-based重排用GPT-4/Claude等直接打分或生成排序理由极高精度需求、成本不敏感工程实践要点候选集大小：通常取向量检索Top-100~200重排，平衡召回与成本级联过滤：先用轻量模型（如bge-reranker-base）粗排，再用大模型精排Top-20 延迟优化：交叉编码器可蒸馏为tiny版本，或用ONNX/TensorRT加速；ColBERT支持PLAID索引进一步提速一句话总结：重排序是RAG从"可用"…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：…点截断策略：重排输入不宜过长，通常对doc做滑动窗口或关键片段提取级联过滤：可先过轻量模型（如ColBERT）再过重模型，控制成本领域适配：通用重排模型在垂直领域往往需微调，可用点击/人工标注数据字节等厂的实际系统中，重排基本是标配，尤其在搜索问答、客服等对准确性要求高的场景。学习建议建议系统学习该知识点

#字节#重排与优化#RAG Re-ranking

面试题·检索· 哔哩哔哩

召回和粗排为什么不能跳过?

匹配正文：…次推理延迟10-100ms级对百万候选集全量打分：延迟从百毫秒级→百秒级，完全无法满足在线 serving 要求 2. 特征获取成本精排依赖实时特征（用户实时行为、上下文），全量候选的特征拼接和存储成本极高召回/粗排可用离线预计算特征（如用户向量、物品向量） 3. 样本选择偏差与训练效率精排训练数据来自曝光样本（即经过召回/粗排筛选后的"被看见"样本）若直接用精排全量打分，训练分布与推理分布严重错位，模型学偏 4. 系统解耦与稳定性分层设计实现计算资源隔离：召回失…

#哔哩哔哩#评估与监控#推荐系统召回

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…问题解决率）五、工程架构要点模块化设计：检索、重排、生成独立服务，便于A/B实验缓存策略：高频query结果缓存，降低延迟和成本失败降级：检索失败时切换纯生成或提示用户澄清实际落地建议：先抓大头，通常检索质量和领域SFTROI最高；评估体系必须先行，否则优化方向模糊。学习建议建议系统学习该知识点

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：…档结构模型：GBDT（LightGBM）、DNN（DIN/DIEN） 4. 大模型作为重排器用LLM直接输出相关性判断或分数（成本高，离线或精排top-K用）工程实践要点级联策略：初检Top-100 → 重排Top-10 → LLM生成缓存优化：高频query的重排结果缓存动态截断：根据分数gap自适应选择K值，非固定Top-K 学习建议建议系统学习该知识点

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：…路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，模型可在受控条件下决定是否再次检索。适合多步或多源任务，但必须限制步骤、权限和预算，避免循环与错误累积。教学假设假设电商政策问答既包含自然语言问题，也包含订单号和时间条件。可以从 Naive 基线开始，再分别加入实体抽取、BM25、向量召回…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…大模型Embedding保证召回，精调用Rerank提升精度延迟 vs 质量：实时性要求高时，可跳过Rerank或用小模型替代成本 vs 效果：HyDE用一次LLM调用换检索质量，需评估ROI

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…环：用户点赞/点踩数据回流，微调embedding或重排序模型离线评估：定期用标准问答集测试召回率、答案相关性关键取舍手段成本收益场景重排序 +10-100ms延迟召回质量差、噪声大 HyDE +1次LLM调用用户query短、表述差多轮检索延迟×2-3 复杂推理、多跳问题微调embedding 高领域术语特殊、通用模型失效实际落地建议：先做好分块和重排序这两个高性价比优化，再视情况上自适应流程。

#AIlab#RAG流程优化#RAG 优化

RAG 二次生成怎么提升安全性?

偏好数据如何收集与建模?

Query 改写有哪些创新方法?

人工干预怎么控制 LLM 生成?

RAG 技术原理与核心组件详解

上下文错误时怎么保证输出准确?

RAG 项目指标化复盘

LLM 封闭标签方法对比

Deep Research vs RAG 怎么选?

RAG检索质量提升5法

RAG 瓶颈在哪一步

RAG流程：检索到生成各阶段陷阱

精排精度高，为何不跳过召回粗排？

直接精排所有候选，为何不可行？

RAG 为何还要重排?

记忆型Agent为何用向量数据库?

RAG 重排序怎么选?

RAG 中 Re-ranking 怎么用?

召回和粗排为什么不能跳过?

RAG 系统怎么持续迭代?

RAG 重排作用与实现

Naive RAG vs Advanced RAG 区别?

RAG 流程各环节优化陷阱

RAG流程优化：三大层面策略