匹配正文：…建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│ └─────────…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…与标准化领域术语对齐：建立法条同义词表（如"违约金"="滞纳金"需区分场景）时效性标记：标注法律废止/修订状态，设置失效预警分块策略多粒度索引：原文段落（粗粒度）+ 法条拆解（细粒度）+ 问答对（应用层）语义完整性：按条款边界切分，避免"第X条"跨块断裂二、检索优化混合检索方式实现适用场景稠密向量领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…本转为稠密向量向量表示向量存储写入Milvus/Faiss/Elasticsearch等，构建索引可检索向量库关键设计：分块策略直接影响检索质量——太粗易噪声，太细丢上下文。第二阶段：在线检索生成（Retrieval & Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → LLM生成 → 返回结果核心模块：检索召回：基于…

← 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

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：…策略）查询优化手段（查询重写、重排序、缓存策略） 1. 文本预处理清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理元数据关联：保留原始ID、时间戳、地理位置等过滤字段，用于后续混合查询 2. 嵌入模型选择考量维度选择建议领域适配通用场景用BGE/M3E，地图/POI场景考虑领域微调多语言高德需支持中英文混合，E5-Multilingu…

#高德#评估与监控#向量数据库构建

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：…能出错，因此整条链路要可评估、可追踪和可回滚。 1. 离线准备解析并清洗文档，保留来源、版本、权限和时间等元数据。按结构或候选分块策略生成 chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。A…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…E）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量内积vs余弦vs欧氏距离的选择，未归一化导致偏差系统层数据分布索引更新延迟、冷热数据分层、租户隔离实践调优要点动态检索：小模型预判所需token数，自适应调整top-k 结果重排：Cross-Encoder精排，或ColBERT轻量级交互反馈闭环：用户点…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

Embedding + 向量数据库怎么搭?

匹配正文：…先级排序。二、向量化流程原始文本 → 文本分块（Chunking） → 嵌入编码 → L2归一化 → 写入向量库关键细节：分块策略：按语义段落切分（200-500 tokens），重叠窗口保证上下文连贯编码方式：使用同一兼容模型的正确query/document模式，或经成对训练/蒸馏对齐的双编码器；不能任意用轻量query模型替换重型文档模型，即使维度相同也未必处于同一向量空间。归一化：若用内积索引模拟余弦，需要query和document两端L2归一化并处理零…

#字节#Embedding向量检索#Embedding 向量数据库

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配追问：…好？……那如果一段话被切断了，比如“如图3所示”跑到了下一块，检索到上一块就废了，这种你怎么处理？直球架构请系统讲一下RAG中分块策略对检索和生成的影响。按固定长度、语义边界、滑动窗口和重叠分块这四种，分别说原理、优缺点，再举个例子对比精度和召回率的变化。

#百度#文档处理#Chunking 策略

面试题·文档处理· 百度

RAG ANN 索引优化

匹配追问：…天才出结果，你一般会用什么策略来优化索引的效率和召回率？层层追问 RAG系统里向量索引做召回，你觉得哪些环节会影响效果？……比如分块策略？嵌入模型？……那具体怎么提升召回率呢，像ANN算法调参或者多路召回这些，你怎么看？直球架构请列举RAG系统中向量索引优化的常见策略，比如分块、嵌入、ANN算法、多路召回等，并解释每个策略为什么能提升效率或召回率。

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配口述回答：…块适合推理总结重叠策略：缓解边界丢失，但增加冗余语义完整性：边界检测与主题分割落地风险与评估约2分钟用Agent动态决定分块策略，但实现复杂且影响延迟，目前只在离线场景尝试过。面试官可能会追问Agent决策的具体实现、离线场景如何评估效果、以及在线部署的延迟优化方案。

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…选对，比如用通用Embedding去处理法律合同，效果就很差。我会先用一批典型query做离线评估，看Recall@K，不达标就调分块策略或换Embedding模型。幻觉多半是检索到的材料不相关或冲突，模型强行编答案。我的做法是加一个置信度阈值，如果Rerank后最高分都低于阈值，就返回“我无法回答”，而不是硬答。还有一个方向是[[Agentic RAG]]，就是让模型不只是查一次，而是根据问题自主决定查哪个库、要不要多步推理，比如用户问“为什么我用了满减券但价格还是不对…

#美团#评估与监控#RAG 工作原理

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，块太小会丢上下文，需要根据文档类型调参。所以我的判断是，RAG不是银弹，但在知识更新频繁、需要可追溯的场景里，它比微调更务实。我更倾向把RAG当成一个可插拔的知识模块，配合微调一起用，而不是二选一。本质是知识外挂，解决大模型知识滞后和幻觉离线建库：分块、向量化、索引，关键在分块粒度在线检索：Quer…

#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?

匹配口述回答：… RAG 看成大模型落地的标配能力，而不是锦上添花。因为只要业务需要事实性，RAG 就是最稳的路径。但前提是你得把知识库当工程做，分块策略、检索策略、过滤策略，每一环都可能翻车。本质是开卷考试，解决知识截止和幻觉离线建库：分块、向量化、存库在线检索：混合检索策略生成：Prompt拼接与置信度过滤落地风险与取舍约4分钟 RAG上线后需要持续监控召回质量，比如用RAGAS评估Faithfulness和Context Recall。面试官可能会追问具体怎么评估Fait…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配口述回答：… 约2分钟 RAG落地最常见失败场景是检索召回不足或上下文被撑爆，需要检索和生成一起调优面试官可能追问RAG的系统设计难点，比如分块策略、检索精度与上下文窗口的平衡

#入门#基础概念#什么是RAG

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…要深度推理或常识性知识，我更倾向结合微调或[[知识图谱]]。总结下来，RAG落地的核心不是哪个环节最酷，而是整个链路的一致性：从分块策略、Embedding选型、检索融合，到生成控制，每一步都要对齐业务场景。 RAG本质是给大模型配外挂知识库离线建库的坑：分块和向量化在线检索：混合检索加重排才是常态生成阶段：引用溯源和拒答机制落地风险：前提和取舍约4分钟 RAG的前提是知识库质量，不适合深度推理场景。面试官可能会追问：那你觉得RAG和微调怎么选？或者，知识库质量…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配追问：…、还能引用来源？直球架构给我讲一下RAG系统的完整架构，从离线的文档处理到在线的检索和生成，每个环节的核心设计要点是什么？包括分块策略、混合检索、上下文组装这些。关键是考虑哪些优化点？

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG检索方法如何优化？

匹配口述回答：…判断：混合检索是基线，迭代靠Badcase 约4分钟检索效果不佳时，问题常出在文档分块粒度，而非检索方法本身。面试官可能会追问分块策略的具体实践，比如固定大小 vs 语义分块、父子文档结构如何设计。

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配口述回答：… [[RAGAS]] 这类工具测答案相关性和忠实度，上线后埋点记录用户反馈，比如点不点赞、有没有追问，这些数据回流用来调排序权重和分块策略。另外，缓存也很关键，热门查询的结果直接缓存，能省掉70%的检索延迟。其实还有一个延伸方向：当知识库更新频繁时，文档和向量之间的一致性怎么保证？比如政策改了，旧的文档要替换，但[[向量库]]里还有旧向量，检索时可能同时召回新旧版本，导致答案矛盾。这个场景下，我会考虑用 [[Parent Document]] 结构，保留父子关系，更新时原子…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…要评估是否在可接受范围。另外，热点查询可以缓存，比如常见问题直接返回预计算结果，不用每次都跑检索。对了，还有一个容易被忽视的点：分块策略对召回影响很大。比如固定切分可能把一句话拆到两块里，导致检索时上下文丢失。我会把零重叠、短窗口与较长窗口作为候选，用同一评测集比较边界证据完整率、召回、存储与去重成本。重叠会增加索引与去重成本，具体增幅取决于窗口和步长，不一律翻倍。这个其实牵涉到文档结构和模型上下文长度，挺有意思的，可以展开聊聊。最后说我的判断：[[RAG]]不是银弹，它…

#字节#向量语义召回#Embedding 语义召回