匹配正文：…如BERT-based分割）而非固定token数重叠窗口：比较无重叠、短重叠和较长重叠候选，验证跨块召回与冗余成本四、元数据与向量化增强元数据保留：来源文档、章节层级、发布时间、版本号，用于检索过滤和重排序多向量表示：长文档同时存储文档级摘要向量 + 细粒度段落向量领域适配：用领域语料微调embedding模型，或训练领域特定的BGE/M3E 五、质量闭环建立清洗效果指标：分块语义完整性评分、术语覆盖率、信息密度通过检索命中率和生成事实性反向驱动清洗规则迭代学…

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 文档清洗

#文档预处理

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、位置、类型） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写入向量库 ↓ 按需建立倒排索引，用于混合检索工程注意点： batch si…

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…块（Fixed-size Chunking）按固定token数或字符数切分，具体长度作为候选变量优点：实现极简，便于批量处理，向量化效率高缺点：硬截断可能切断句子语义，边界信息易丢失适用：快速原型、对语义连贯性要求不高的场景 2. 递归分块（Recursive/Hierarchical）按段落→句子→词的层级递归切分，优先在天然边界（换行、句号）处分割优点：保留文档层级结构，块内语义相对完整缺点：块大小不均匀，可能产生过短块适用：Markdown、HTML等有…

#百度#文本分块策略#RAG chunking

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：… 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度计算 2. 分层检索策略层级内容权重动态调整当前轮用户最新query 意图切换时↑ 近轮上下文前2-3轮关键信息追问场景↑ 全局摘要历史对话压缩长对话时↑ 3. 查询重写与扩展共指消解：将"它"、"这个"替换为具体实体意图感知扩展：根据对话状态补充隐含条件时间衰减：早期轮次信息权重指数下降 4. 检索结…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…(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作原理 RAG …

#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：…幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片策略重排…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…装各厂商LLM接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入多轮对话、长期个性化关键集成机制工具绑定（Tools）工具 = 函数签名描述（…

#快手#评估与监控#Agent

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 → 拼接Prompt上下文 → LLM生成答案关键优势：知识可实时更新，无需重新训练模型。我项目中解决的3个核心问题问题具体场景 RAG解决方案效果知识幻觉客服系统回答产品参数错误强制从官方文档检索生成事实准确率从72% → 94% 时效性政策解读系统需跟进最新法规增量索引新文件，无需微调新…

#美团#混合检索#RAG 技术

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（离线）文档切分（Chunking） Embedding模型编码 → 存入向量数据库（如Milvus、Faiss） 2. 检索阶段（在线） Query向量化，计算相似度，召回Top-K相关片段 3. 生成阶段将检索结果作为上下文，与Que…

#百度#评估与监控#RAG 架构

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…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 + 检索上下文 → LLM生成最终回答二、系统架构要点模块关键技术文档处理分块策略（固定长度/语义切分/递归切分）、元数据保留 Embedding模型通用场景用BGE/M3E，垂直领域需微调；多向量表示（ColBERT）向量数据库 Milvus、Faiss、Pineco…

#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：答案要点 RAG核心原理：检索+生成的两阶段架构系统组件：索引模块、检索模块、生成模块工作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块…

#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

RAG 技术原理与架构怎么搭?

匹配正文：… 标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Generation）：将检索结果拼入Prompt→LLM生成答案关键洞察：检索质量决定RAG上限，生成能力决定下限。二、系统架构用户Query → Query理解/改写 → 多路检索（向量+关键词+图谱） ↓ 重排序（Rerank）→ 上下文压缩 → 构建Prompt ↓ LLM生成 + 引用溯源 …

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…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、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等），建立索引加速检索 2. 检索阶段（在线）查询向量化：用户问题同样转为Embedding向量相似度搜索：用ANN（近似最近邻）算法快速召回Top-K相关块重…

#商汤科技#检索生成流程#RAG 技术流程

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：…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 大模型基于"上下文"生成答…

#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

匹配正文：…，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· 美团

GraphRAG 架构原理与优势

匹配正文：核心思想 GraphRAG的本质是用"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配正文：…NER/关系抽取→与现有图谱对齐（实体链接）→增量写入图数据库社区摘要层：识别受影响的社区→仅重新生成这些社区的摘要，而非全图向量化层：新社区摘要增量Embedding，旧向量保留；支持新旧版本共存 2. 关键实现要点使用时间戳版本控制：每个社区/摘要带版本号，查询时可指定时间窗口变更传播范围控制：通过图算法（如Personalized PageRank）计算新文档的影响半径，限制重计算范围图结构演化处理场景处理策略新增实体/关系直接插入，触发关联社区摘要更…

#淘天#GraphRAG 增量更新#动态知识图谱

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Query向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 …

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（离线）实体抽取：用LLM从文档中提取实体（人、组织、…

#字节#知识图谱#GraphRAG

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：…编码（CLIP/SigLIP）；图表类需解析为结构化数据版面分析 LayoutLM、YOLO等检测文档结构，建立阅读顺序 2. 向量化策略分离编码：文本走BERT/Embedding模型，图片走Vision Encoder，各自建索引，检索时做 late fusion 联合编码：用多模态模型（如CLIP、Qwen-VL）生成统一向量，单索引检索混合方案：表格存结构化文本+截图双向量，问答类图片存OCR文本+视觉向量 3. 检索与生成检索阶段：Query可能需模态扩展（…

#小鹏#多模态#RAG 表格处理

RAG 向量索引构建流程详解

RAG 文本分块与向量索引流程

专业领域文档怎么清洗?

RAG分块策略：粒度、重叠与写入

常用分块方法有哪些?

RAG多轮对话怎么防知识遗忘?

RAG 工作原理与局限怎么分析?

RAG 缓解幻觉的机制

RAG 怎么减少幻觉?

LLM 如何集成外部工具与记忆?

RAG 解决了哪些问题?

RAG 架构怎么工作?

RAG 工作原理与架构怎么搭?

RAG 端到端工作流程

RAG 技术原理与架构怎么搭?

RAG 技术流程怎么跑?

RAG 检索与生成流程详解

RAG 基本工作流程是什么?

什么是 RAG？一句话讲清检索增强生成

GraphRAG 架构原理与优势

GraphRAG 如何保证时效性与一致性？

RAG 技术原理和实现流程

GraphRAG 怎么提升检索质量?

RAG 中表格图片怎么处理?