匹配正文：常见分块策略对比 1. 固定长度分块实现：按token数或字符数硬切分（如512 tokens）优点：实现简单、Embedding批次处理高效、便于控制上下文长度缺点：边界可能切断语义（如"深度学习...的优化方法"被拆开），导致检索片段不完整适用：通用场景、对延迟敏感、文档结构松散时 2. 语义边界分割实现：按句子（NLTK/spaCy）、段落（\n\n）、或主题模型（如BERTopic）切分优点：保留语义完整性，检索结果可读性强缺点：块大小不均，可能过长（超…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：答案要点文本预处理策略（分块、清洗、元数据保留） Embedding模型选型依据（中英双语、上下文长度、领域适配）向量生成与批量优化归一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页…

#安克科技#RAG 向量化流程#Embedding 模型选择

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…

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

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…重排序阈值、答案置信度校准客服系统延迟敏感本地缓存高频Query、预计算热门问题向量、流式生成研报生成长上下文处理文档分块策略（按语义/按标题层级）、递归摘要、多跳检索关键优化方向：检索-生成联合训练（如REPLUG）、自适应检索（判断是否需要检索）、多模态RAG（表格/图像联合检索）。学习建议建议先掌握大模型幻觉成因，再学习RAG流程（检索+重排序+生成），结合开源项目如LangChain动手实践，理解各模块作用。

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：…）二、迭代优化策略检索侧策略具体手段语义增强查询改写（HyDE）、多向量表示（ColBERT）、重排序模型结构优化分块策略迭代（按语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合训练：如REPLUG、RA-DIT，让生成反馈指导…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…战：专业文档格式复杂（PDF扫描件、表格、手写批注）多模态解析：OCR+LayoutLM提取图文混排内容，保留章节层级结构智能分块：按语义边界切分（条款/病例段落），非固定长度；医疗场景保留"主诉-检查-诊断"完整上下文元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）二、索引构建双轨索引策略：类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：… 核心挑战：专业文档结构复杂、术语密集、更新频繁多源接入：医学指南、药品说明书、判例库、法规条文、内部病历/卷宗（需脱敏）智能分块：按语义边界切分（章节、条款、病例段落），非固定长度医疗：保留"症状-诊断-治疗"完整上下文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如Med…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 上下文不准确，如何用数据定位？

匹配正文：…量控制来源准入依据权威性、许可、适用范围、版本和业务用途，不用“只保留两年”这类统一时效阈值；历史法规或旧版本有时正是问题答案。分块长度和 overlap 由结构与评测决定，不固定 256–512 token。监控采集完整率、解析失败、重复、索引版本差、权限/删除传播、候选覆盖、组装证据保留和坏例分布。抽检比例由风险、错误率估计和复核能力决定，不固定每周 5%。低分反馈进入待审队列，核验许可、身份、证据和标签后再进入开发或监控集；不能自动成为训练/评测真值。修复顺序由…

#RAG#上下文诊断#数据质量

面试题·评估

RAG 效果差怎么排查？

匹配正文：…t Precision 检索结果中噪声比例越高越好快速诊断信号用户问题与召回文档语义明显不相关 → Embedding模型或分块策略问题相关文档召回但排名靠后 → 需要重排序（Rerank）或混合检索第二步：判断是否为生成问题生成侧关键指标 Faithfulness（忠实度）：生成内容是否基于context，可用NLI模型或人工抽样 Answer Relevance：答案是否回应问题，可用BERTScore或人工判断 Context Utilization：模型是…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估

检索准但生成差，怎么调优？

匹配正文：…让模型先生成、再自检、后修正三、快速决策口诀现象诊断结论优先动作换人工文档后变好检索问题优化Embedding、调整分块策略人工文档仍差生成问题优化Prompt、微调模型、改进上下文格式长文档效果好、短文档差信息整合不足加CoT、多文档融合Prompt 部分问题好、部分差领域适配不足针对性SFT、RAG-Fusion策略

#上下文压缩#生成调优#RAG 效果诊断

面试题·评估· 字节

知识库更新策略怎么选?

匹配正文：…现对实际工程权衡（成本、延迟、准确性）的理解知识库更新策略按更新粒度分类全量重建：定期（如每天/每周）重新拉取全部数据、重新分块、重新生成embedding 优点：数据一致性最好，可彻底清理脏数据缺点：成本高、耗时长，适合数据量小或低频变更场景增量更新：仅处理变更数据（新增、修改、删除）基于CDC（Change Data Capture）捕获数据库binlog 或基于消息队列（Kafka/Pulsar）消费变更事件适合高频更新、大规模知识库按触发方式方式延…

#字节#评估与监控#RAG 知识库更新

面试题·模型微调· 字节

架构与训练怎么提升多轮一致性?

匹配正文：…n²)降到O(n×w)，保留局部精细交互+全局稀疏聚合 Ring Attention / Striped Attention：序列分块循环计算，支持百万级token，适合超长对话历史分层编码：短窗口做token-level注意力，长历史用sentence/turn-level压缩表示显式记忆机制短期记忆（Context Window）：最近K轮完整对话长期记忆（External Memory）：关键信息向量库（摘要、实体、用户画像）记忆写入：每轮用轻量encoder…

#字节#模型微调#多轮对话一致性

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：检索层先建立可复现基线：固定语料、标注 query、相关性定义和 Recall@K/MRR/NDCG。检查知识覆盖、解析、分块、元数据与权限，再比较查询改写、稀疏/稠密/混合召回。只有正确文档已经进入候选集时，Cross-Encoder 等重排器才可能改善高位排序；否则应先修召回。 Embedding 微调、难负样本和索引参数必须分别做消融，避免同时改动后无法归因。生成层对候选证据做去重、冲突检测、上下文预算和位置安排。 Prompt 明确证据边界、引用格式和证据不…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：…化 → 相似度搜索（Top-K召回）生成模块检索结果+原始查询 → 拼接Prompt → LLM生成工作流程离线准备：文档分块 → 向量化（如BGE、OpenAI Embedding）→ 入库（Milvus/Faiss/Elasticsearch）在线查询：用户问题向量化 → 向量相似度检索 → 取Top-K相关文本块增强生成：将检索结果作为上下文，与问题一起输入LLM，生成最终回答核心优势对比维度纯生成模型 RAG 知识时效性训练数据截止，无法更新知识…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、M3E、O…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…告需OCR+结构化提取，金融财报表格转Markdown 领域标准化：建立术语词典（如ICD-10编码、法律法条编号），统一同义词分块策略按语义边界切分（章节/段落），chunk size 由资料结构、模型输入限制与评测结果决定是否启用重叠窗口及其长度都作为候选，用同一评测集验证边界证据与冗余成本关键元数据注入：文档来源、发布时间、置信度标签二、检索模块：精准召回 Embedding选型基座模型：GTE-large、BGE-M3通用能力强；领域数据充足时微调（如Pu…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：…"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、Elasticsearch） 2. 检索阶段（在线）用户查询同样向量化相似度搜索（余弦相似度/IP），召回 Top-K 相关片段 3. 生成阶段（在线）将检索结果 + 原始查询拼接为 Prompt 大模型…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…的是知识访问链路，不保证自动消除幻觉，也不能替代模型本身的推理、工具执行或权限控制。 1. 知识时效性知识库更新后仍需经过解析、分块、索引和发布，查询才能读到新版本。天气、订单和实时价格等数据更适合通过实时 API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无权访问的内容。 3. 幻觉…

#美团#知识增强#RAG 核心问题

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：…给模型，模型“看着资料回答”，答案自然更准、更新、更可信。入门之后，建议往两个方向继续深入：一是 RAG 的完整链路（文档解析、分块、向量化、检索、重排），二是 RAG 与微调这两条技术路线该怎么选。

#入门#基础概念#什么是RAG

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 GraphRAG 的必选定义。 LLM 抽取和摘要会传播错误，因此需要抽样审核、规则约束…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 字节

GraphRAG 如何支持复杂关系查询？

匹配正文：…候选实体、边与证据；持股比例、时间有效性和聚合应交给图查询或业务代码计算，不能让 LLM 根据路径文本猜。 1. 可追踪的图构建分块策略可以是结构化、固定窗口、父子块或语义分块，应通过关系和证据保留率验证，不把语义分块设为必选。实体和关系保留原文范围、时间、方向、置信度和抽取版本；别名合并与共指消解保留可逆映射。图数据库、关系表、邻接表或混合存储都可能满足需求，选型看约束查询、事务、更新、规模和运维。 2. 候选检索与约束先做实体链接并保留多个候选，结合类型、租户、时…

#字节#知识图谱#GraphRAG 实现