匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…知道" 关键优化点环节优化手段检索质量查询改写（HyDE）、多路召回、重排序（Cross-Encoder）上下文利用长上下文压缩、信息去重、相关性过滤端到端 Self-RAG（模型自主判断是否需要检索）、RAG-Fusion 一句话总结 RAG的本质是用检索代替记忆，让大模型基于外部实时知识生成，解决知识时效性和幻觉问题。

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…控 Advanced RAG（生产常用） Query → 路由判断 → 多路检索(向量+关键词+图谱) → Rerank精排 → 上下文压缩/摘要 → LLM生成增强点：查询改写、混合检索、检索结果过滤、引用溯源落地关键挑战检索精度：Embedding语义漂移、领域术语匹配差 → 需微调Embedding+RRF融合上下文窗口：检索结果过长 → 采用摘要、分层检索、Map-Reduce策略答案幻觉：模型不忠实于检索内容 → 加引用标注、约束生成Prompt

← 上一页第 3 / 3 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

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

BM25/向量/混合检索选型

匹配正文：… 抖音电商客服（商品/订单查询）混合检索 + 结构化过滤（类目、店铺ID）飞书知识库（长文档问答）向量检索 + 重排序 + 上下文压缩搜索广告（Query-Ad匹配）双塔模型在线向量召回核心原则：没有银弹，先做Badcase分析，再决定加稀疏、加重排还是改Embedding模型。

#字节#检索方法选型#BM25/向量/混合检索选型

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：答案要点分模块阐述数据预处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…相关性、时效性、权威性反馈学习：根据用户点击行为在线优化排序模型 5. 生成与后处理核心问题：幻觉控制和答案质量优化策略：上下文压缩：用LLM提取检索文档的关键片段，减少噪声引用溯源：要求模型标注答案来源，便于事实核查拒绝回答：当检索置信度低时，触发"信息不足"回复系统级优化评估闭环：建立端到端评测（答案相关性、忠实度、上下文召回率）缓存策略：热门查询结果缓存，Embedding结果预计算

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…E（假设文档嵌入）、Query2Doc扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）编码为稠密向量存储：写入向量数据库（…

#字节#RAG系统实现#RAG 实现

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…eranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineering（造好"食材"）→ Prompt Engineering（做好"烹饪"）→ 模型输出 CE是PE的基础：再精妙的提示词，喂给模型的上下文质量差，效果也受限 PE反哺CE：通过PE分析模型失败案例，指导CE优化…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配正文：…ng 模型、不同切分粒度并行召回粗排→精排：先用轻量模型快速筛选，再用 Cross-Encoder 精排 3. 文档侧处理动态上下文压缩：用 LLM 提取关键片段，去除冗余元信息过滤：按时间、来源等标签预过滤索引优化：调整 chunk 大小和重叠策略，关键信息不截断 4. 重排序与过滤 Cross-Encoder 精排：比双塔模型准，但计算重置信度过滤：设置相似度阈值，低置信触发兜底或拒答工程权衡方案延迟效果增益适用场景查询改写 +50-100ms 中等…

#字节#检索故障诊断#检索质量优化

面试题·Agent· 美团

ReAct vs Plan-and-Execute 怎么选?

匹配口述回答：…和恢复率选型约90秒可修改计划与局部观察动作循环可组合，结构化状态应替代原始隐藏推理轨迹。可继续讨论幂等工具、检查点、回滚与上下文压缩。

#美团#Agent#ReAct vs Plan-and-Execute

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配口述回答：…看解决率。不过RAGAS有个隐藏问题：它对上下文相关性的打分经常和人对不上，比如检索文档冗余但答案对，它可能判错，所以我会加一层上下文压缩的评估，看系统剔除无关信息的能力。最后说说落地取舍。我一般先保检索Recall@K，因为检索漏了，生成再好也没用。再针对生成做忠实性过滤，分太低的直接不回答。上线我会特别关注常见失败场景：比如检索返回空集时模型怎么处理，是硬编还是拒绝回答；再比如多轮对话中上下文漂移，检索文档和当前问题脱节。说白了，没有银弹，指标得和业务绑定，客服加解决…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配追问：…么优化？直球架构请从检索器、生成器、整体架构三个层面，讲一下RAG系统提升检索精度和生成质量的有效手段，比如查询改写、重排序、上下文压缩、多路召回这些，你会怎么选型和取舍？

#AIlab#检索器优化#RAG 优化

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配口述回答：…示例的价值不在数量，而在覆盖边界。正常、模糊、拒绝和格式异常都要有样本，并且不能让示例泄露评测答案。Query 改写、摘要记忆和长上下文压缩也不是默认开启，要用 bad case 证明它们解决了什么问题，同时记录新增的延迟和信息损失。迭代时先固定评测集，将错误分成事实性、指令遵循、格式、拒答和安全等类型。每次只改有限变量，记录 Prompt、模型和评测集版本，再跑回归测试。结构化输出失败可以有限重试，但重试仍失败时必须进入明确的降级路径。评测集还要包含历史回归样本与新出现的…

#科大讯飞#阿里#Prompt工程

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…、索引、reranker、Prompt 与模型分别版本化，灰度时同时看质量、拒答、延迟、成本和越权风险。查询改写可能造成意图漂移，上下文压缩可能丢掉限定条件，多轮检索会积累错误；这些都应有专门切片和停止条件。分类的价值就在这里：它帮助团队描述链路复杂度和风险，但最终采用哪一层，仍要由目标数据和可复现实验决定。点题：RAG分类本质是工程取舍 Naive RAG：简单但脆弱，适合文档问答 Advanced RAG三大环节优化，举例客服场景落地选型：重排序性价比最高，注意风险 …

#淘天#重排与优化#Naive RAG

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配追问：…请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现