匹配正文：…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置的转…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· OPPO

搜索排序中时效性特征量化方法

匹配正文：…(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度"*…

#OPPO#时间衰减#时效性特征设计

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…置过滤与引导敏感Query识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审…

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

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…AG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天写报…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…策略）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：…短期上下文，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 …

#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：…→20）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

专业领域RAG数据与检索优化？

匹配正文：…用递归检索扩展上下文引用溯源：生成时强制标注来源chunk_id，支持答案验证生成策略领域Prompt模板：定义输出格式（如法律场景的法条引用格式）不确定性处理：检索置信度低时触发"需补充信息"话术，而非幻觉生成四、评估与迭代离线：Recall@K、答案相关性（LLM-as-judge）在线：用户满意度、答案采纳率、人工标注badcase回流持续更新：增量索引+版本管理，支持数据回溯

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…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HNSW，低…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：… 场景主导方法原因代码生成、创意写作 Prompt Engineering 依赖模型内化知识，需精确引导输出格式客服问答、法律检索 Context Engineering 依赖外部实时/私有知识，需精准定位相关信息复杂多跳推理两者深度结合既需要高质量上下文，也需要思维链提示一句话总结 Prompt Engineering 是说话的艺术，Context Engineering 是选材的艺术；大模型应用从"调提示词"走向"建上下文系统"，是工程化成熟的标志。

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配正文：…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-精排之间的信息损失（…

#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：…性强，对精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…

#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：…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·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…景混合检索架构：BM25做粗排召回 + 向量模型做精排重排稀疏检索基线：与稠密向量形成互补，捕获精确匹配信号关键词敏感场景：法律条文、医学术语等需要字面精确匹配的领域实时检索：无需神经网络推理，毫秒级响应局限性无法处理语义鸿沟（"苹果"→公司/水果）需配合同义词扩展或向量检索补足语义能力

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：答案有来源引用，便于人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garbage in, garbage out"）多跳推理、跨文档关联能力弱上下文窗口限制，过…

#字节#RAG应用场景#RAG 技术实现

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·项目与经历· 商汤科技

大模型项目缺陷修复

匹配口述回答：…样多条推理链并对最终答案投票，它能在部分数学或符号推理任务上减少单路径偶然错误，但多数答案一致不代表事实正确。涉及公司制度、医学、法律或实时数据时，仍要检索权威来源、调用确定性工具并核对引用。可靠性修复还要覆盖提示注入、越权工具、敏感信息和有害输出。系统层可限制最小权限、隔离不可信内容、校验工具参数、记录审计日志，并为高风险结果设置拒答和人工升级。验收时固定模型、硬件、并发、输入输出长度和质量门槛，同时报告 TTFT、TPOT、吞吐、任务成功率、事实支持率与安全失败率。只有…

#过拟合#推理优化#输出稳定性

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配口述回答：…而是看场景里知识密度高还是行动流程重。再深入一点，通义的RAG有一个很实用的点，就是支持超长上下文，能处理1000万字文档，这对法律、金融这种需要读大量材料的场景特别有用。但这里有个坑，长文档问答容易「找不准」，因为RAG的检索粒度太粗，可能只匹配到段落，但答案需要跨段落推理。我的改进思路是多级索引，先摘要，再段落，最后句子，加上图结构增强，让模型能关联不同地方的信息。星火的Agent也有问题，复杂任务容易中断，比如用户说「帮我做一个Q3销售分析PPT，包含图表和文字」，如…

#阿里#科大讯飞#Agent

面试题·Agent· 百度

Reflection vs Memory 怎么分工?

匹配口述回答：…分类规则写入记忆；Agent2在生成回复时检索到这条规则，回复就更精准。同时Agent2也会反思自己回复的措辞，比如发现客户对某些法律术语反感，它就把替换成大白话的经验也写回记忆。两个Agent互相学习，协作效率就上去了。不过这里有个坑，就是记忆的一致性问题。如果多个智能体同时往记忆池里写经验，可能产生冲突，比如Agent1说某个场景用A策略好，Agent2说用B策略好，后续检索时该信谁？所以上线时我会特别关注记忆的版本控制和冲突解决机制。说到底，我会把反思和记忆看成多智…

#百度#Agent#多智能体系统

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配口述回答：…，用 OpenAI 的 text-embedding-3 也可以，但要注意数据隐私。这里有个边界：如果任务对细粒度匹配要求高，比如法律合同条款比对，那 [[ColBERT]] 这种延迟交互模型会更合适，但代价是检索延迟会高一些。实际工程中，我倾向于用开源模型做主力，用 OpenAI 做兜底或快速原型，不会只押一边。再来看向量数据库。选型核心看数据规模和延迟要求。数据量在千万级以下，用 pgvector 就够了，因为它能复用 PostgreSQL 的事务能力，运维成本低；如果…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配口述回答：…退款政策段落，包括申请条件、审核流程和例外情况，这样模型生成的回答才完整。这里有个常见的失败场景：如果文档本身是高度嵌套的，比如法律合同或者技术手册，纯按段落切可能把跨节的逻辑拆散。我的处理方式是结构化感知切块，优先按标题层级切，保证每个块在逻辑上是自包含的。比如一份产品说明书，按‘第一章-第一节-1.1’这样的层级切，每个块内部不依赖其他块的信息。另外，重叠策略也很关键。我会比较零重叠、短窗口与较长窗口，验证共享边界内容是否真的补回了跨块证据。这对QA类任务特别重要，因…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 百度

常用分块方法有哪些?

匹配追问：…AG里文本分块一般怎么做？……那如果文档是Markdown或者PDF带标题的呢，你会怎么切？……好，那要是对检索质量要求很高，比如法律合同问答，你又怎么选？直球架构说说文本分块的常用策略，比较一下固定长度、递归、语义、文档结构感知这几种的优缺点和适用场景。

#百度#文本分块策略#RAG chunking

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：…档块超过模型支持的长度，直接截断会丢失信息，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…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG 文档如何存储、向量化和更新？

匹配追问：…步骤说一下吧。层层追问 RAG系统里文档数据怎么处理才能检索？……那原始文本读进来之后，分块你一般怎么分？……如果文档很长，比如法律条文，怎么保证语义连贯？……嵌入模型选型要考虑哪些因素？……最后存到向量库，索引结构你怎么选？直球架构讲一下RAG系统中从原始文本到向量数据库的完整数据流，包括文档解析、分块策略、嵌入模型选型以及向量索引结构设计，每一步的关键考量是什么？

#RAG#文档存储#解析