匹配口述回答：… 具体说下索引。文档切分不是随便按字数切，我会按语义段落，块大小与重叠窗口都作为候选变量，再用同一评测集比较边界证据完整率、召回、延迟和索引成本。向量库选型上，如果数据量上亿，我会用Milvus，它分布式做得成熟；如果是几百万级别的轻量场景，Qdrant更轻便，部署成本低。[[Embedding]]模型的话，中文场景我倾向BGE或者M3E，英文用OpenAI那套。检索这块，我会走混合路线。纯向量检索在短文本匹配上不如关键词，纯关键词又抓不住语义，所以我会把[[稠密检索]]和…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…一步。向量召回Top-K后，用轻量[[Cross-Encoder]]比如bge-reranker做精排，能显著提升相关性。但代价是延迟，所以得权衡。另外，查询改写也很有用，用户输入'退款怎么还没到'，LLM可以扩展成'退款到账时间、退款流程、退款进度查询'，提高召回率。最后说维护。知识库不是建完就完了，数据会变、用户query会变。我一般做增量更新，新数据单独建索引，定期合并。但有个坑：删除操作不能原地动图索引，否则召回质量会崩。我倾向软删除加后台异步重建，用base加de…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：…器。还有一个做法是上下文压缩，用一个小模型把长文档摘要成关键信息，减少噪声。这里有个坑：重排序模型本身有计算开销，如果召回量太大，延迟会飙升，所以我会把召回数控制在20以内，再精排取前3。说到评估，我除了用MS MARCO、Natural Questions这些开源数据集，一定会构建自己的业务评测集，覆盖真实场景的bad case。比如在金融风控场景，我会专门构造一些“相似但不相关”的案例来测试模型的抗噪声能力。最后，我更倾向把整个流程看成一套组合拳，而不是单一技术。数据…

← 上一页第 23 / 25 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

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…RAG比人翻几百页快得多。不过，RAG和微调不是二选一，而是互补。比如对高频、固定的知识，微调可以让模型直接记住，省去每次检索的延迟；而对动态更新的知识，比如促销政策，RAG更灵活。所以真正落地的系统，往往是RAG加微调混合用，比如用微调让模型学会理解领域术语，用RAG提供实时知识。最后说下风险。RAG依赖知识库的质量，如果文档本身有错误或过时，检索出来反而误导模型。所以上线前我会特别关注知识库的更新机制和一致性校验。另外，分块策略直接决定检索精度，块太大会漏细节，块太小…

#字节#检索生成流程#RAG 实现

面试题·模型微调

SFT vs RAG 知识更新

匹配口述回答：…单，一个模型推理就行；RAG就复杂多了，需要 [[Vector Database]]、检索、[[重排序]]、生成多个模块，还得保证延迟。泛化能力正好反过来，SFT内化了知识，复杂推理更连贯；RAG就比较弱，依赖检索质量，如果检索片段之间逻辑断裂，推理就容易断掉。举个例子，比如客服退款场景。一个电商平台，退款政策经常变，比如满减规则、运费险赔付标准。如果你用SFT，每次政策调整都得重新训练，而且训练数据里可能有旧政策的矛盾信息，模型容易答错。而RAG呢，你把最新政策文档放到知…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配口述回答：…向用变更日志加版本控制，只处理新增或修改的文档，避免全量重建。但一致性校验很关键，我会用一组固定query回放，对比Recall和延迟，通过才切换。所以我会把GraphRAG看成一把手术刀，不是万能锤。高频复杂查询场景，比如金融风控、医疗诊断，值得做专项图谱；简单问答还是走向量检索更轻量。真正落地常常是混合架构，向量和图共存，按需路由。一句话定位：本质是用结构化语义网络替代扁平向量空间架构核心：索引阶段构建图谱+社区摘要，查询阶段路由到Local或Global 优势落地…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配口述回答：…足够的高质量图文对数据来做 [[SFT]] 或者对齐训练，如果数据质量差，效果反而可能不如伪多模态。而且推理成本高，线上部署要考虑延迟和显存。伪多模态的常见失败场景是：用户问“这张图里的红色按钮是干什么的”，如果 caption 漏掉了“红色”这个属性，检索就偏了。所以我的选择是：先判断视觉信息是否可文本化。如果可文本化，比如合同扫描件、商品参数表，优先用伪多模态快速落地；如果视觉细节是关键，比如工业图纸、医疗影像，必须上真多模态。但实际项目里，我常常两者结合，先用伪多模态…

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…[[Hybrid Search]]，把[[BM25]]和向量检索结合，关键词匹配和语义匹配互补。这里有个坑：重排模型不能太慢，否则延迟受不了，上线前一定要压测P99。还有，如果业务文档本身质量差，比如全是[[OCR]]错字，那重排也救不了，得先清洗数据。再一个，上下文稀释。模型上下文窗口再大，有效信息被一堆无关段落淹没，注意力就散了，典型的就是Lost in the Middle现象。我的做法是动态上下文压缩，用个小模型先过滤一遍，只把高置信度的片段送进生成。另外文档排序也…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 百度

不用图数据库能做 GraphRAG 吗?

匹配口述回答：…SQL 加 pg_graph 插件，或者内存缓存加异步持久化，但必须在架构文档里显式标注约束条件，比如“当前方案在 3 跳以上查询延迟可能超过 2 秒，后续扩展需要迁移”。这样团队心里有数。所以我的看法是，真正的 GraphRAG 不在于用了什么存储，而在于你的系统能不能高效地支持多跳推理和复杂路径查询。如果你只是小规模验证，用传统方案没问题；但一旦到了生产规模，图数据库的优势就体现出来了，不仅是性能，更是开发效率和可维护性。问题本质：是否具备图语义的多跳推理能力功能上…

#百度#知识图谱#GraphRAG 实现

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…，我不会把GraphRAG看作传统RAG的替代，而是看成一个互补工具。它特别适合研报分析、医学文献综述这种需要全局视角的场景，但对延迟敏感、或者知识库实时更新的场景就不太合适。我更倾向于把它定位成“复杂分析场景的深度检索层”，和轻量级的传统RAG一起，构成一个分层检索体系。一句话定位：GraphRAG本质是解决跨文档综合推理问题知识组织方式对比：从切片向量到实体关系社区检索机制差异：局部相似 vs 全局语义+多跳推理真实业务场景：企业合规文档全局查询落地风险与前提：…

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配口述回答：…精度问题，抽错了会带偏下游。上线我会特别关注两点：一是实体抽取的准确率和召回率，二是社区划分的粒度，太粗会丢失细节，太细又增加检索延迟。所以我的判断是：GraphRAG和传统RAG不是替代关系，而是互补。日常简单查询走向量检索，又快又准；遇到复杂推理、跨文档聚合的场景，才启用图检索。实际落地我倾向先上传统RAG兜底，再对高频复杂查询做GraphRAG增强，这样成本和效果能平衡。还有一个有意思的点是，GraphRAG的社区摘要其实可以离线预计算，这样在线只做摘要匹配，延迟可控…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 高德

知识图谱更新怎么保证实时性与一致性?

匹配追问：…来源很多，同时改同一个实体怎么办？……怎么平衡更新速度和数据一致性？直球架构设计一个知识图谱的实时更新和一致性保障方案，要求低延迟更新，同时多源写入时不出现脏数据，你会怎么设计整体架构和核心策略？

#高德#知识图谱#知识图谱实时更新

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配口述回答：…好，太粗了摘要笼统，太细了又退化回局部检索。上线前我会特别关注两点：一是用一批标注 query 评估社区划分的合理性，二是监控查询延迟，全局搜索如果遍历太多社区，速度可能扛不住。所以我的判断是：GraphRAG 不是替代传统 RAG 的，而是补充。我更倾向于把它看作一个"全局分析工具"，用在需要高层洞察的场景，比如竞品分析、技术趋势研判。而传统 RAG 是"精确问答工具"，两者配合才能覆盖更多查询。不过这里有个值得深挖的点：查询路由怎么设计。到底哪些 query 该走图、…

#字节#知识图谱#GraphRAG 原理

面试题·知识图谱· 字节

向量库 vs 知识库 vs 符号记忆？

匹配口述回答：…前提：三层之间的一致性很难保证。如果向量库刚更新了数据，结构化库还没同步，Agent就可能给出矛盾的回答。上线我会特别关注数据同步延迟，通常用事件驱动或定时批处理来协调。常见失败场景是符号记忆写得太随意，导致Agent自己都读不懂，所以我会限制记忆的格式，比如用JSON结构。另外，我最近在关注一个方向：怎么让Agent自主决定用哪种记忆，而不是硬编码。比如根据query的意图，动态选择走向量库还是结构化库，甚至自动写符号记忆。这可能涉及到模型本身的推理能力，比如用 [[Re…

#字节#Agent#Agent 长期记忆

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配口述回答：…对每个事实点问自己“这个数字对吗”，再根据验证结果修正。这个思路说白了就是让模型自己当自己的质检员。但代价是推理成本翻了好几倍，延迟会很高，所以适合离线或对实时性要求不高的场景。最后是外部工具兜底。遇到关键事实，比如金额、日期、法律条款，可以直接调搜索引擎、数据库或者代码执行器来验证。比如在金融风控场景，模型生成一个合同条款，我会让它通过[[Function Calling]]去调用底层的合规数据库，返回真实条文。这相当于给了模型一个“查字典”的能力。但工具调用也有前提，…

#海尔#幻觉治理#大模型幻觉缓解

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：…上的数字，但趋势、拐点、异常点这些视觉信息全丢了，你问“哪个月销量突然下降”，它根本答不对。反过来，真正多模态如果上线，要特别关注延迟和召回质量。多模态编码的向量维度通常很高，检索耗时可能翻倍，而且如果图片质量差、分辨率低，编码器可能提取不到有效特征，召回率反而下降。所以上线前我会用一批典型的query去回放，对比Recall@K，确保延迟和准确率都能接受。另外，真正多模态还有一个容易被忽略的问题：多模态Embedding的存储和检索成本。CLIP这种模型的向量维度通常是5…

#淘天#多模态#伪多模态RAG

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配口述回答：…[[Agentic RAG]] 的思路，让模型先判断还需要什么信息，主动去检索第二轮，而不是一次把所有文档塞进去。这样能更精准，但延迟会高一些，需要做取舍。所以整体上，我更愿意把生成模块看作一个受约束的翻译器，它的核心任务是把检索结果忠实地转成自然语言，不是自由创作。上线前我会特别关注反幻觉指令的效果和引用溯源的覆盖率，这两个点是最容易暴雷的。这道题核心问的是怎么把检索回来的碎片拼成连贯回答先说检索结果怎么整理再讲Prompt模板怎么设计推理策略和生成后处理最后收…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 高德

ReAct 核心思想与多步推理优势

匹配口述回答：…ation支撑，不会一步错步步错。不过落地的时候有个前提：工具本身的质量和响应速度要够。如果搜索API返回一堆噪声，或者计算接口延迟高，那ReAct的推理链会越走越偏。还有一个常见失败场景是推理链太长，模型在中间步骤忘了初衷，比如查了五六个API后，绕到无关问题上去了。所以上线时我会特别关注最大步数限制和每步的置信度阈值，一旦某步Observation和预期偏差太大，就提前终止或回退。另外，ReAct这种线性链在遇到分支决策时其实有点笨，比如同时有多个搜索方向可选。…

#高德#Agent#ReAct 框架

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配口述回答：…多，错误累积的概率越高。所以前提是模型得有基本的推理能力，比如GPT-4或Claude这种级别的。上线我会特别关注token成本和延迟，如果业务对实时性要求高，比如客服实时对话，我会在简单问题上直接回答，只在复杂问题上触发CoT，或者用[[Zero-shot]] CoT，加一句‘Let's think step by step’动态触发。另外，光靠单条CoT路径还不够，因为模型可能走错分支。所以我更倾向用[[Self-Consistency]]，采样多条CoT路径，然后投票…

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配口述回答：…里有个坑：后处理校验不能太死板。比如流式输出场景，模型在生成过程中可能先输出一个不完整的JSON片段，你不能等它全吐完了再校验，那延迟就太大了。我会用增量解析加状态机，实时发现格式错误，提前截断或者修正。还有一个点值得注意：Function Calling虽然好，但它的schema设计其实有讲究，嵌套太深或者可选字段太多，模型反而容易出错。所以我会把schema尽量扁平化，只留必填字段，复杂逻辑放到后处理里做。总的来说，我更倾向于把输出过滤看成一种风险控制，而不是追求完美…

#字节#Prompt工程#大模型输出过滤

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配口述回答：… [[In-Context Learning]] 或者 [[Few-shot]] 就够了，没必要上 ReAct，因为循环调用会增加延迟和成本。说到这，其实有个有意思的点：ReAct 和 [[Function Calling]] 经常被一起用，但它们的角色不一样。ReAct 是决策框架，决定什么时候调用什么工具；Function Calling 是工具调用的具体实现，把自然语言请求转成结构化的 API 调用。所以真正落地的时候，我倾向于用 ReAct 做顶层规划，底层用 Fu…

#商汤科技#Agent#ReAct 范式

面试题·Prompt· 商汤科技

ReAct 之外还有哪些规划方法?

匹配口述回答：…，下次自动加上这个检查。这里有个坑：很多人觉得 ReAct 万能，但其实它对工具调用的质量要求很高。如果工具返回的信息噪声大或者延迟高，ReAct 的实时反馈反而会引入错误。而且 ReAct 每一步都调LLM，成本高、延迟大。所以落地时我通常会组合使用：Plan-and-Execute 做骨架，ReAct 做局部微调，Reflexion 做离线优化。我最近在关注一个方向：当任务依赖多个外部系统时，比如既要查数据库又要调API，ReAct 的规划能力会受限于模型的上下文窗口…

#商汤科技#Agent#ReAct 替代方案

面试题·Prompt

AI Agent 核心概念与架构

匹配口述回答：…之后，用户说“我退款没到账”，Agent可以自动调用订单查询工具，查退款状态，如果显示已处理，再调用支付工具查流水，最后定位到银行延迟，然后给用户解释。这个过程中Agent的价值在于端到端自主处理，不用人工介入。但前提是工具接口稳定，而且Agent有清晰的权限边界，不能让它调用删除订单这种危险操作。常见失败场景是Agent在工具调用循环里出不来，比如查一次失败就反复查，白白浪费token。我会给循环加一个最大步数限制，超时就让步给人工。还有一个方向，就是Agent的记忆管理…

#Agent 架构#工具调用#AI Agent 架构

面试题·Prompt· 美团

ReAct 框架怎么工作？

匹配口述回答：…问答、动态数据查询。但如果是纯知识类问题，比如『牛顿的三大定律是什么』，模型参数里就有，直接生成就行，没必要走ReAct，反而增加延迟。所以落地时常常是ReAct和纯生成混着用，让模型自己判断什么时候需要调用工具。还有一个有意思的延伸，就是ReAct的Thought链天然提供了可解释性，但同时也暴露了模型的推理路径，如果中间某步推理错了，整个答案可能就偏了。我比较关注怎么在ReAct基础上加入自我反思机制，比如让模型在Observation之后多一步校验，确认结果是否合理，…

#美团#Agent#ReAct 框架