匹配正文：核心概念 RAG将大模型的参数化记忆（训练学到的权重）与非参数化记忆（外部知识库）结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序…

#淘天#阿里#RAG 架构

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…ng → 增量更新向量库（Milvus/Pinecone）关键设计：双版本向量库（蓝绿部署），更新时切流量，失败秒级回滚 3. 检索决策层混合检索：向量相似度 + 实时库过滤条件（时间窗口、地域）动态权重：根据漂移强度调节外接知识vs模型参数的权重（门控网络或规则）更新机制的三种模式场景机制延迟一致性高频低危（推荐文案）准实时增量索引 <5min 最终一致中频中危（商品属性）小时级批量重建+热切换 ~1h 强一致（版本控制）低频高危（定价策略）人工…

#美团#分布漂移#外接数据库增强

面试题·RAG· 字节

高风险垂直领域 RAG 如何设计？

匹配正文：…险等级。先写清用户、司法辖区或机构范围、信息用途、允许输出、禁止自动执行的决定、负责复核的人，以及错误时的止损方式。面向公众的信息检索、面向专业人员的资料辅助和诊断/法律决定支持需要不同控制；一句“仅供参考”不能替代这些边界。 2. 数据与知识治理为每份资料记录发布机构、原始链接、版本、生效/废止时间、适用地区、审核状态、许可、患者/客户数据用途与访问控制。更新频率来自来源发布机制和业务时效，不能把指南固定成月更、案例固定成实时、网页固定成小时爬取。患者、客户和案件资料应…

← 上一页第 25 / 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#RAG#高风险应用#医疗

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配正文：核心思路 RAG的降级处理要区分两个层次：检索层无结果 vs 检索结果相关性不足。不同场景需要不同的fallback策略。常见Fallback策略策略适用场景优点缺点大模型直接回答通用知识类问题用户体验连贯幻觉风险，需明确告知用户缩小范围追问问题过于宽泛引导用户明确需求增加交互成本转人工/工单专业/敏感场景兜底可靠人力成本高，时效差推荐热门/相关文档有相似主题内容保持RAG链路可能偏离用户意图网络搜索补充时效性要求高扩展知识边界…

#抖音#RAG降级策略#RAG fallback

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：…司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层上下文组装：按相关性+时效性排序，控制token预算引用生成：强制模型输出引用标记 …

#字节#高精度RAG#高精度 RAG

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配正文：…机制分层记忆（工作记忆/长期记忆）显式存储用户画像、对话摘要状态跟踪对话状态表（DST）结构化跟踪实体、意图、约束条件检索增强 RAG检索历史相关片段动态召回相关上下文，非线性依赖训练优化多轮对话SFT + RLHF 针对性优化连贯性和一致性具体实现要点：摘要压缩：用轻量模型实时生成轮次摘要，替代原始历史一致性约束：在prompt中注入"系统指令"和"已确认事实"列表显式验证：关键决策前让模型自检"是否与之前回答冲突" 学习建议建议系统学习该知识点

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹配：跨越词汇鸿沟稠密向量检索（Dense Retrieval）查询和文档分别编码为向量，用 ANN（近似最近邻）快速检索代表：DPR、Contriever，采用双塔架构——编码器分离，可离线建索引，毫秒级响应三、深度学习精排：BERT 及其变体交互式架构（Cross-Encoder）拼接 [CLS] Query [SEP] Doc [SEP] 输入 BERT…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配正文：…提升点击率更成熟，快手已落地"为你推荐"的个性化话术四、核心挑战与应对挑战应对策略幻觉（推荐不存在item）约束解码+检索增强（RAG），先召回候选集再重排实时性 LLM只做离线特征或粗排，精排保持轻量；或投机解码成本大小模型级联，简单请求走小模型，复杂请求触发LLM 评估困难离线用A/B test，在线关注用户停留时长等长期指标五、快手场景的特殊考量短视频推荐的核心是实时性+多样性： LLM适合做session级别的兴趣总结（如识别用户从"搞笑"转向…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配正文：…G的典型应用场景核心实现思路层级关键设计数据层流式数据接入（Kafka/Flink）→ 增量构建向量索引，避免全量重建检索层多路召回（向量+关键词+规则）+ 实时性加权，新数据优先排序融合层检索结果注入Prompt，标注数据来源时间戳，让模型感知时效性反馈闭环用户点击/转化数据回流，动态调整索引权重和切分策略相比纯模型/静态RAG的优势时效性：分钟级数据可见，解决大模型知识截止问题准确性：数据分布漂移时，检索结果自动跟随变化，无需重训模型成本可控…

#美团#外挂数据库增强#外挂数据库

面试题·RAG· OPPO

搜索评分如何融合点击与停留?

匹配正文：…eep 架构分别记忆和泛化评估验证离线：NDCG@10、MAP 在线：AB测试对比人均点击次数、搜索成功率学习建议掌握信息检索基础，学习排序模型中多特征融合方法，理解点击率与停留时长等行为特征的归一化与加权逻辑。

#OPPO#评分函数归一化#Scoring Function 设计

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：核心区别：从"拼接"到"融合" 1. 架构设计演进维度传统RAG 现代RAG 检索器稀疏检索（BM25）、独立索引稠密检索（DPR、Contriever）、双塔编码生成器固定LLM，仅把检索文本当prompt 可训练或适配的生成模型连接方式字符串拼接，显式上下文窗口潜在空间交互，隐式信息融合典型代表：Facebook的RAG模型（2020）首次将检索器和生成器联合预训练，而非简单拼接。 2. 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配正文：…01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动标注（"根据3天…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 字节

RAG 二次生成怎么提升安全性?

匹配正文：核心结论能提升，但非万能。大模型二次生成是RAG安全防线的重要一环，需配合检索质量、规则拦截等多层防护。作用机制与实例 1. 敏感内容过滤（输入侧净化）场景：用户查询含诱导性提问（如"如何制作违禁品"），检索可能返回边缘知识机制：大模型基于安全对齐训练，识别检索内容的敏感属性，拒绝合成或输出安全提示抖音实例：直播话术RAG中，检索到历史违规案例后，模型生成"该表述存在违规风险，建议替换为..."而非直接复现 2. 事实一致性增强（输出侧校验）机制：利用模型推理能力…

#抖音#RAG输出安全#RAG 二次生成

面试题·RAG· 小红书

生成式推荐的序列原理

匹配正文：…，缓解ID冷启动统一框架支持多任务（推荐+解释+对话）利用预训练LLM的泛化能力挑战：推理延迟：自回归生成 vs 向量内积检索 ID词汇表爆炸：百万级物品需高效Token化（如Semantic ID、分层编码）位置偏差：生成顺序影响多样性小红书场景的思考笔记推荐适合生成式范式——内容属性丰富（标题、标签、图文），可生成"为什么推荐"的解释增强信任。但需解决：① 十亿级笔记的ID压缩 ② 在线P99延迟<100ms的推理优化（推测解码、缓存）。学习建议建议系统…

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：Query改写的核心目标将用户原始Query转化为检索友好的形式，解决语义鸿沟、歧义、上下文依赖等问题，提升召回率和相关性。三类创新方法及优势 1. 同义扩展（Lexical 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…

#京东#Query改写#Query 改写

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配正文：…检测：正则+模型识别PII（手机号、身份证号）合规审核：调用内容审核API（如火山引擎、阿里云绿网）幻觉检测：RAG场景下对比检索片段，计算语义相似度；关键事实要求模型提供引用来源四、异常处理与降级 try: result = parse_and_validate(raw_output) except FormatError: result = retry_with_stricter_prompt() # 重试 except ValidationError: resul…

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-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…

#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：…不确定性表达人机协同兜底机制核心策略：分层防御体系 1. 输入层：上下文质量过滤相关性重排序：用Cross-Encoder对检索结果二次打分，过滤低相关片段时效性校验：标记知识库文档的更新时间，优先使用最新版本来源可信度加权：给权威来源（官方文档、论文）更高权重，用户UGC内容降权 2. 推理层：模型行为约束引用锚定：强制模型在生成时标注信息来源，如"根据[文档A]..."，便于追溯矛盾检测提示：在Prompt中显式要求模型识别上下文中的冲突信息并报告置信度阈…

#字节#错误上下文处理#RAG 上下文错误

面经·项目面试

Reranker 的上限，藏在候选集里

匹配正文：…落可能被过滤条件排除，也可能在粗召回中位于截断位置之后。此时先查它为什么没进入名单，缩小最终K或更换重排器都不会把D补进来。一份检索设计资料将快速召回与Cross-Encoder重排分成前后两步，也提出扩大候选供重排处理。这个设计给了后者选择空间，同时提醒我们：减少候选量是在改入口范围，不能只把它记为一项省时优化。同样四条候选，64字符窗口裁掉尾句第二种状态把N扩大到四，D终于在名单里了。但名单里有D，还不等于Reranker看到了D的完整信息。标题、问题和正文如何拼接…

#RAG#Rerank#候选召回

面经·项目面试

写了 asyncio.gather，8 个研究 Agent 为什么还在排队？

匹配正文：…不是循环被同步调用卡住；循环能继续工作以后，再看名额等待、连接容量或下游限流。不同位置的等待，需要不同的修复。当研究系统包含多路检索与多个专家角色时，角色图说明任务怎样拆，执行轨迹说明它们是否真的重叠。面试里把同步调用的位置、真正让出的等待点、共享预算和取消后的收尾讲清楚，比把并发配置写得更大更有说服力。

#DeepResearch#asyncio#多Agent

面经·项目面试

面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？”

匹配正文：…G 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？” 知识库里有一张巡检报价表。用户问工业泵的巡检费用，检索结果很干脆：工业泵，180，260。设备名称对得上，两个数字也都来自原文，模型却还得猜：哪个是常规报价，哪个是加急报价？这是一台设备的价格，还是一次服务的总价？是否还要加上其他费用？原表放在眼前，这些问题并不难。数字上方有表头，右上角写着单位，表下还有说明。切成片段以后，它们可能留在了别处。检索命中了正确的一行，传给模型的却是一张缺了说明的报…

#RAG#表格切分#文档解析