匹配正文：…理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：… 用户问题：{query} 生成优化：引用溯源：要求模型标注答案来源片段置信度判断：检索分数阈值过滤，低置信触发"我不知道" 多轮RAG：迭代检索补充信息典型痛点问题解法检索失效混合检索 + Query扩展 + 重排序上下文过长摘要压缩、分层检索幻觉严格引用约束、答案后校验

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：…er消息中动态截断按token预算动态选择能容纳的最相关文档数置信度过滤 Rerank分数低于阈值时，触发"知识不足"回复多轮协同多轮对话中维护检索历史，避免重复检索关键优化方向查询侧：Query2Doc、Step-back prompting扩展查询语义检索侧：稀疏+稠密混合召回（BM25 + Dense），多索引融合生成侧：Self-RAG、Corrective RAG让模型主动判断检索质量实际落地中，检索质量决定RAG上限，建议优先投入Rerank和…

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

#美团#检索器生成器协同#RAG 架构

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发"未知"回答迭代检索：多轮检索-生成，逐步细化答案（如Self-RAG）关键权衡点召回 vs 精确：分块粒度、检索Top-K数量延迟 vs 质量：是否做重排序、模型大小选择成本：Embedding调用、向量存储、生成token消耗

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…c 生成伪文档扩展query Step-back 抽象出高层概念再检索子查询分解复杂query拆成多个子问题历史上下文补全多轮对话中补全指代消解四、进阶优化重排序（Rerank）：Cross-encoder精排，如ColBERT、BGE-Reranker 迭代检索：根据中间结果动态调整query（IRCOT）元数据过滤：先结构化过滤，再向量检索，减少搜索空间一句话总结：召回链路优化 = 多路召回扩覆盖 + 索引结构保效率 + 查询重写对齐语义 + 重排序保精准…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再用该文档embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到…

#百度#小鹏#美团

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…容、自己瞎编，这是常见的失败场景。说到幻觉控制，我最近在关注一个方向：让大模型在生成时能主动判断检索内容是否足够，如果不够就触发多轮检索，而不是硬凑答案。比如[[Self-RAG]]那种思路，让模型自己决定要不要搜、搜什么。这其实又回到了[[Agentic RAG]]的范畴。所以总结一下，我的判断是：向量检索解决“找得到”，大模型生成解决“说得对、说得通、说得完整”。两者缺一不可，但落地时得根据场景做取舍，比如对时效性要求高的场景，我会更依赖大模型自己的知识，减少检索延迟…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配口述回答：…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，客服加解决率，知识问答加信息完整性。我更倾向把评估看成持续监控，上线后跑离线集，定期看趋势，不追求单次完美。一句话定位：RAG评估本质是两段式质量验证检索质量：召回率和排序，业务场景决定指标侧重生成质量：忠实性和相关性，LLM打分有坑端到端框架：RAGAS自动…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配题目：在RAG系统中，生成模块（Generator）如何有效整合检索到的上下文信息来构建输入Prompt，并驱动大模型生成准确、连贯的答案？请详细说明Prompt构造的关键要素及其对生成质量的影响机制。

#字节#Prompt工程#RAG Generator Prompt

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配口述回答：这道题问的是[[RAG]]检索模块，其实本质是问怎么在召回率和精度之间做工程取舍，而不是单纯讲流程。我按自己的理解来拆解一下。先说检索模块怎么工作。核心就三步：第一步，离线把文档切碎，然后用 [[Embedding]] 模型编码成向量，存到 [[Vector Database]] 里。第二步，用户来了一个查询，同样编码成向量，然后做 [[ANN]] 近似最近邻搜索，召回 TopK 候选。第三步，把结果和元数据拼起来，送到生成模块。这里面有个容易忽略的细节：切分策略直接影响检…

#字节#Query Rewriting#RAG 检索模块

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…rompt 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，注意风险收尾：我倾向渐进式演进，给出…

#淘天#重排与优化#Naive RAG

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配标题与标签：…摘要和长期记忆怎么分工？把短期会话状态、历史摘要、语义记忆和持久化用户信息拆开，说明不同存储与检索方式的边界、成本和隐私风险。 RAG RAG 生成与对话 RAG 记忆模块对话历史管理长期记忆滑动窗口摘要多轮对话面试

#RAG#生成与对话#RAG 记忆模块

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配题目：…输入请求不完整或模糊时，Agent应如何通过上下文理解、对话状态追踪、主动追问及知识增强等技术手段识别并补全用户的真实意图？请结合RAG与Agent系统的工作机制，阐述多轮交互中的意图推断与信息补全策略。

#蚂蚁#Agent#Agent意图补全

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：扫描PDF怎么解析内容?、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么选择当前 OCR、版面模型和表格方案？规则、专用模型、视觉大模型和人工复核各在什么边界使用？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：RAG 中…

#模拟面试#简历项目#连续追问

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：… 需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：RAG 文档检索选型。 2. ownership · ownership-proof 请用一次参数变更、离线实验或线上回滚说明你的决策如何进入生产。考察重点：用可脱敏工件交叉验证职责，而不是继续听抽象表述。能对应到本人动作的变更、评审或设计记录本人负责的参数变更、离线实验、配置 diff 或线上回滚记录下一步：design。配套学习：项目…

#模拟面试#简历项目#连续追问

系统教程·Prompt

Prompt 工程面试题大全

匹配正文：…和示例约束，再做解析校验、失败重试、局部修复和兜底路径。面试里要讲出工程闭环，而不是只说让模型输出 JSON。 Prompt 和 RAG、Agent 是什么关系？ Prompt 是 RAG 和 Agent 的接口层：RAG 用它组织上下文和引用，Agent 用它定义任务、工具与停止条件。好的 Prompt 工程必须和系统设计一起看。继续学习大模型技术栈全景：Prompt 在应用岗里考多少做一个 Agent 项目怎么做：Prompt 与工具协同

#专题学习#Prompt 工程面试题大全

项目实战·Agent

第 1 章:为什么需要 Deep Research

匹配正文：…Research 全流程。把贵的算力只花在真正需要的问题上,这套「先分诊、再调度」的思路,在 RAG 项目的文档解析里也用过(见 RAG 系列第 3 章「分类器前置 + 动态调度」),是通用的工程审美。 2.3 Deep Research 的能力边界:能做什么、不能做什么面试官常追问「它的局限是什么」,这是在看你有没有真用过、有没有踩过坑。诚实地划清边界: Deep Research 能力边界:能做 vs 不能/不应该做能做(它的主场): 信息检索与综合:多轮迭代搜索、多…

#Agent#Deep Research#项目实战

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：…数据集本书每章的完整可运行代码 + 测试样本,都在配套 GitHub 仓库: 🔗 github.com/MisterBooo/rag-from-zero clone后先阅读项目首页的配套代码与运行环境，把零依赖演练与完整模型/API链路分开验证本章的重写 + 扩写 demo(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:重排与检索优化 | 下一章:多轮对话与记忆管理 → | 回到项目首页

#RAG#检索#项目实战

项目实战·RAG

第 9 章:上下文问答与引用溯源

匹配正文：…数据集本书每章的完整可运行代码 + 测试样本,都在配套 GitHub 仓库: 🔗 github.com/MisterBooo/rag-from-zero clone后先阅读项目首页的配套代码与运行环境，把零依赖演练与完整模型/API链路分开验证本章的"带引用 + 会拒答"问答 demo(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:多轮对话与记忆管理 | 下一章:系统评估与上线优化 → | 回到项目首页

#RAG#检索#项目实战

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…一条问题，扩写覆盖多种说法，HyDE 用假设文档辅助语义检索。三者都只是检索代理。这三种方法可能同时出现，但不应该无条件叠加。多轮指代问题先做重写，已经得到清晰独立问题后，未必还需要 HyDE。明确术语只是文档措辞不同，可以扩写同义词，不必让模型重新编一段答案。短而抽象的问题如果原词也很重要，可以让原 Query 与 HyDE 并行，而不是只保留假设文本。 Query 重写最容易改错什么？重写听起来只是换一种表达，实际会触碰用户意图。第一类风险是指代补错。上一轮…

#RAG#检索与重排#RAG Query 重写

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…区分短期记忆（上下文窗口）与长期记忆（外部存储）的技术路径至少提及2-3种具体架构方案（如Memory Bank、MemGPT、RAG-based Memory）说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制）体现对Agent任务持续性的理解（多轮状态保持、目标追踪）有实际落地考量（延迟、存储成本、一致性）核心思路大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开：一、架构层：原生上下文扩展长上下文模型 …

#得物#Agent#大模型记忆机制

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配正文：产品选择：阿里通义千问（C端）+ 科大讯飞星火（B端场景）一、技术架构对比维度通义千问讯飞星火核心架构 RAG为主，轻量Agent能力 Agent为主，深度RAG融合技术侧重搜索增强生成（实时信息）任务规划+工具调用（办公自动化）典型能力联网搜索、文档解析、代码生成插件生态、API编排、多轮任务执行关键差异：通义的RAG强调"知识广度"（覆盖全网+上传文档），星火的Agent强调"行动深度"（理解意图→拆解步骤→调用工具→完成闭环）。二、场景与体验分…

#阿里#科大讯飞#Agent

面试题·Agent· 字节

Agent 架构的取舍与适用条件

匹配正文：…限制动态决策根据中间结果调整策略，而非固定流程可解释性思考链（CoT）和动作轨迹可追溯，便于调试二、主要局限性延迟高：多轮LLM调用+工具执行，RT常达秒级甚至10s+ 错误累积：单步错误会级联放大，"一步错步步错" 系统复杂：状态管理、工具注册、异常处理工程量大成本不可控：Token消耗和工具调用费用难以预估三、与RAG的关系：协同而非替代 RAG是Agent的一种工具，Agent是RAG的增强形态场景方案原因单次检索即可回答纯RAG 延迟低、成本…

#字节#Agent#Agent 架构

面试题·Agent· 小红书

冷启动新用户怎么推荐?

匹配正文：…D（幻觉风险），而是生成兴趣标签组合或自然语言描述，再经语义索引召回真实item。二、探索-利用的Agent化设计将推荐建模为多轮对话式Agent： State: 当前已知用户信息 + 本轮反馈 Action: 选择探索策略（兴趣试探/社交跟随/热门保底/主动询问） Reward: 点击率 + 满意度信号 + 信息增益（新兴趣维度发现） ε-贪心变体：以p=0.3概率触发"主动询问"动作，用自然语言提问（"你对旅行更感兴趣还是美食？"），答案解析后更新画像 UCB上界修正…

#小红书#Agent#冷启动推荐