匹配正文：…型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频更新：新闻问答、产品信息、股价/天气等实时数据长尾知识密集：企业内部文档、专业手册（训练语料覆盖少）可解释性刚需：需给出参考来源的场景（客服溯源、学术辅助）纯LLM更合适的场景：通用创意写作、开放式闲聊（无需外部事实约束）常识推理、代码生成（知识已内化为模型能力）局限性与应对局限…

#淘天#阿里#RAG 架构

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：… 三、效果优劣与核心挑战优势具体表现挑战典型场景生成准确性事实幻觉显著降低，可溯源检索噪声污染（错误文档误导生成）医疗/法律问答知识实时性知识库更新即时生效，无需重训模型检索延迟影响TTFT（首token时间）电商促销信息系统灵活性同一模型适配多领域，仅换知识库领域迁移时检索-生成对齐困难多租户SaaS 可解释性生成内容可关联溯源文档知识冲突时缺乏显式消解机制金融合规四、演进意义：从"记忆"到"查阅" RAG的核心范式跃迁在于知识存储位…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配正文：核心概念区分类型定义典型场景时间窗口固定时间段（如"最近30分钟"）金融客服、医疗问诊时间偏移相对于当前/某事件的时间距离（如"3轮对话前"）多轮任务执行、复杂指令跟随技术层面的影响上下文管理分层存储：热数据（窗口内）→ 温数据（摘要压缩）→ 冷数据（归档/丢弃）时间感知的注意力：对超出窗口的token施加位置编码惩罚或掩码动态窗口滑动：非均匀采样，近期密集、远期稀疏模型推理输入构造时需显式注入时间戳元信息（如[2024-01-15 09:23…

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

#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：…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：利用模型推理能力交叉验证多源检索片段，识别矛盾信息实例：医疗问答RAG中，检索到A文档"药物X每日最大剂量200mg"、B文档"300mg"，模型可标注冲突并保守输出"建议遵医嘱，常见剂量范围为200-300mg" 3. 上下文脱敏与改写自动替换检索内容中的个人隐私信息（用户ID、手机号），再进入生成流程关键局限幻觉反噬：模型可能"自信地"篡改正确检索内容，需引入引用溯源（如要求模型标注答案来源索…

#抖音#RAG输出安全#RAG 二次生成

面试题·RAG· OPPO

搜索排序中时效性特征量化方法

匹配正文：…1-α(t))·相关分，其中α根据意图强度动态调整 3. 行业特例手机/数码：发布会前后7天权重陡增，用分段函数或事件时间对齐医疗/法律：需反向降权，优先权威来源而非最新衡量方法离线指标时效性NDCG：按时间新鲜度重新标注后的排序评估时效性覆盖率：Top-K结果中近N天内容占比在线实验短周期指标：点击率、首条满足率（时效Query）长周期指标：用户留存、搜索频次（验证是否"追新"过度）一句话总结时效性不是越新越好，而是**"在对的时间给对的人看对的新旧程…

#OPPO#时间衰减#时效性特征设计

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…ng场景：思考→行动→观察的循环必须按序执行防止模型"幻觉"调用不存在的工具或跳过观察直接结论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： [分析] 提取题目关键条件 [建模] 建立数学关系或逻辑框架 [计算] 逐步执行运算，展示中间结果 [验证] 检查结果合理性 [结论] 给出最终答案题目：{question}""" 方式二：ReA…

#华为#逻辑推理引导#逻辑引导

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配正文：…A/B测试监控：跟踪事实性错误率指标，对比不同检索策略的效果关键取舍：严格校验会增加延迟和成本，需按场景分级——客服闲聊可宽松，医疗诊断必须多重校验。

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息覆盖全、推理深度强、可溯源 ❌ 成本高（token消耗大）、耗时长、可能陷入无效循环一句话总结 RAG是"给你一本书查答案"，Deep Research是"派一个研究员去图书馆泡一…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG 什么时候需要重排？

匹配正文：…比较重排前后，而不是只看几个展示样例。增加的推理延迟、计算成本和运维复杂度符合业务预算。这些条件不意味着某个行业“必须重排”。医疗、金融等高风险场景首先需要来源、权限、时效、人工复核和责任边界，重排模型不能替代这些控制。如何验证冻结语料、查询集、相关性标注、候选生成配置和权限条件。记录候选 Recall@K，确认排序阶段拥有正确证据。比较 MRR、nDCG、最终上下文中的证据覆盖、逐主张支持与任务正确性；保留无答案和长尾切片。同时测量重排服务的 P50/P95/…

#RAG#重排#Cross-Encoder

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：… 典型应用场景企业知识库：对接内部文档，解决大模型无领域知识问题智能客服：实时检索最新产品信息，避免过时回答专业问答：法律/医疗领域，要求答案可溯源关键权衡：检索质量决定上限，需持续优化切分策略、Embedding质量和召回精度。学习建议建议先掌握大模型基础原理，再学习信息检索与向量数据库技术，结合开源项目如LangChain动手实践RAG流程，加深理解。

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配正文：…下文，缺乏语义关联能力。 Embedding模型选择原则维度考量要点领域适配通用场景用BGE-M3/E5，垂直领域（法律/医疗）需微调或专用模型上下文长度 Agent记忆可能很长，选择支持8K+的模型（如GTE-large）多语言中文场景优先BGE、Piccolo；多语言选 multilingual E5 效率成本端侧部署选轻量模型（BGE-small），云端可用大模型指令理解优先选用经过指令微调的模型（如instructor系列）向量化表示设计文档切…

#高德#Agent#向量数据库 Agent

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：…）做重排，避免全库高成本计算用"便宜"的向量检索先剪枝，"昂贵"的精排做最终决策灵活性与可扩展性可针对业务场景微调（如法律/医疗领域的相关性定义）易于集成多特征（时效性、权威性、用户偏好）典型方案 Cross-Encoder：精度最高，计算开销大（BERT类模型） ColBERT：Late Interaction平衡效率与效果 LLM-as-Reranker：直接用大模型判断相关性（成本更高，用于关键场景）

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：… 数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档多、用户问题口语化 → 稠密向量为主专业领域（医疗/法律）→ 必须混合检索，稀疏兜底延迟与精度的权衡在线场景（<100ms）：HNSW索引 + 粗排截断Top-K 离线/准实时：可接受IVF-PQ的精度损失换内存成本约束向量维度、索引类型直接决定内存占用；百亿级需考虑分片+磁盘索引方案性能优化策略索引层量化压缩（PQ/SQ）：内存降80%，精度损失可控分层索引：高频走内存HNS…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配正文：…依赖模型能力，幻觉风险高选择依据选两阶段架构的场景：知识库规模大（百万级以上文档），必须靠检索缩小范围对事实准确性要求高（医疗、法律、金融），需要可追溯来源需要可解释性，能展示"参考了哪些资料" 预算有限，无法承担全量长上下文推理成本选端到端生成的场景：知识库规模小，可直接塞进上下文（<100k tokens）对延迟极度敏感（实时对话场景）任务偏向创意生成而非事实问答有强基座模型（GPT-4级）且幻觉可控关键权衡两阶段的隐性成本：召回-精排之间的信息…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·检索· 美团

混合检索为什么优于单一检索?

匹配正文：…确匹配场景效果好零成本处理新词（只要词表里有）无法捕捉语义相似性（"苹果手机"≠"iPhone"）适用：商品名称、法律条文、医疗术语等需要精确匹配的场景。稠密检索（Dense Retrieval）原理：用双塔模型将query和doc编码为低维稠密向量，通过向量相似度召回。常用相似度度量：方法公式特点余弦相似度 cos(θ) = A·B/(‖A‖‖B‖) 归一化后只关注方向，适合语义匹配点积 A·B 保留模长信息，训练时更稳定欧氏距离 ‖A-B‖ 对向量…

#美团#稀疏稠密检索#混合检索策略

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…标注"信息过时"后，触发该文档的优先级降级或更新典型场景金融/新闻：强依赖实时数据，需结合API实时拉取 + RAG历史背景医疗/法律：知识更新慢，侧重权威来源的版本控制学习建议建议系统学习该知识点

#字节#时间衰减检索#RAG 工作流程

面试题·模型训练· 美团

合成数据怎么系统构建?

匹配追问：合成数据导致的模型崩溃（Model Collapse）如何检测和缓解如何平衡合成数据与真实数据的比例特定领域（如医疗、法律）合成数据的合规性考量场景切入假设你要做一个金融客服的意图分类数据，但真实标注样本只有几百条，业务方又要求覆盖几十种理财咨询场景。你打算怎么用合成数据把这套分类模型撑起来？层层追问合成数据你一般是怎么搞的？……如果只有几条种子样本，怎么让它变出几万条？……那你怎么保证生成的数据质量，不会把模型带偏？直球架构请系统性地讲一下构建大规模人工合成…

#数据合成#Self-Instruct#指令微调

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配口述回答：…，然后入库建索引。嵌入模型的选择很关键，通用场景我倾向用BGE或E5系列，它们在中文和英文上表现均衡。如果是垂直领域，比如金融或者医疗，最好用领域数据微调一下，用对比学习让模型理解专业术语。向量数据库我用[[Faiss]]或者Milvus，索引类型选[[HNSW]]，参数ef_construction设200，ef_search设100到200，这样召回率高，建索引速度也能接受。距离度量用余弦相似度，最直观。在线阶段，用户提一个问题，同样用嵌入模型编码成向量，然后去向量数据…

#字节#文档处理#向量检索

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配追问：场景切入假设你在做医疗领域的知识库问答，原始文档有各种PDF、网页和扫描件，里面还有不少表格和图注。用户问“青霉素的用量”，结果模型老答不对。你觉得问题可能出在数据清洗上？你会怎么处理这些文档才能让检索和生成靠谱一些？层层追问 RAG里检索质量很关键，你一般怎么清洗文档？……如果文档里有大量专业术语，比如“PM”可能是项目管理也可能颗粒物，你怎么处理？……再比如技术手册，你是一个section一个section切，还是怎么切？怎么保证语义完整？直球架构对于专业领域RA…

#字节#RAG 文档清洗#文档预处理

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：…息，所以要么选支持8K甚至32K的模型，要么先做摘要。领域适配更是个坑，垂直领域比如医学、法律，通用模型的效果可能很差，我见过一个医疗合同检索项目，用通用模型召回率不到60%，换成PubMedBERT微调后直接拉到85%以上。所以选型时我会先拿业务数据跑个benchmark，不盲目跟风。再一个，向量生成和归一化。批量编码是必须的，batch_size设到32到64，能充分利用GPU。但这里有个工程细节：同批次里的文档长度差异太大，短的会被大量padding浪费计算，所以我会…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·评估· 美团

RAG 指标权衡与阈值

匹配口述回答：…ithfulness]] 评估，要么上 NLI 模型，要么人工抽检。我自己的经验是，如果业务场景对准确性要求极高，比如金融风控或者医疗诊断，那事实一致性就是北极星指标，宁可少说，不能乱说。信息覆盖率是另一个维度，看回答是不是完整覆盖了用户问题。在多跳问答场景里，比如用户问“退款政策和满减活动能不能叠加”，你得把两段文档的信息都融合进去，覆盖率就很重要。但在企业合规场景里，覆盖率要适度让步给事实一致性，因为编造条款的风险比说不全更大。不同场景的权衡非常明显。企业知识库，像…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…义相关这一特点，把连续句子对当正样本，随机采样当负样本。好处是训练数据零成本，通用性强，几乎不用调就能用，但坏处是在垂直领域，比如医疗、法律，效果可能不如有监督的DPR。那么落地的时候怎么选呢？我的经验是，如果业务场景比较固定，数据标注成本能接受，DPR是首选；如果场景多变，或者刚起步没什么标注数据，先用Contriever快速验证，等数据积累够了再切到DPR。真正上线时，我几乎一定会把向量检索和关键词检索结合起来，也就是 [[Hybrid Search]]，因为向量擅长语…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…片段和问题拼成Prompt，喂给LLM生成答案。核心优势其实很实在。先说缓解幻觉，因为生成的内容有出处，可以溯源验证，这在金融、医疗这些合规要求高的场景特别重要。再一个是知识时效性，知识库一更新，答案就跟着变，不用重新训练模型，成本低得多。还有就是成本可控，比起全量微调，RAG几乎没什么训练开销，换知识库就行。但落地的时候坑也不少。最关键的瓶颈是检索质量。如果Embedding模型不准，或者Query和文档的语义对不上，召回的内容就是错的，那LLM再强也答不对。另一个是上…

#百度#评估与监控#RAG 架构

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配口述回答：…调。很多开源模型比如BGE、E5都支持微调，但微调需要高质量的query-doc对，而且容易过拟合。我一般只在领域差距特别大，比如医疗、法律，才考虑微调，否则用通用模型加好的检索策略就够了。所以总结一下，我的选型思路是：先拿MTEB初筛，再用业务数据精测，然后根据场景选维度和模型大小，最后用混合检索兜底。不追求单个模型最强，而是追求系统整体最稳。这道题本质是成本和效果的平衡先看语义质量，用MTEB初筛+业务数据精测再看工程性能，维度、速度、模型大小要一起考虑最后说落…

#百度#评估与监控#向量检索