匹配正文：…排，以较小在线成本恢复部分精度。表示与分块：选对 embedding、距离函数和归一化方式；文档分块应通过查询集验证边界与重叠。领域微调、多向量表示只有在评测改善时采用。工程维护：分片与副本、冷热分层、批量写入、删除墓碑与周期压缩、索引版本化和原子切换。高选择性过滤要评估 pre-filter 与 post-filter 的召回和延迟差异。量化节省多少内存取决于原始精度、码本和元数据；DiskANN 也不只用于某个固定数量级。任何“提升召回”的策略都应相对精确近邻和端到…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：这道题问的是[[RAG]]知识库构建，但我觉得面试官真正想听的是：你怎么在检索质量和工程成本之间做取舍。RAG本质上是个检索增强系统，知识库的质量直接决定了最终回答的上限，所以我会把整个流程拆成几个核心环节来讲，重点说每个环节的权衡和落地坑。先说文档预处理。这一步最容易被低估，但实际踩坑最多。比如PDF解析，用PyMuPDF或者MinerU能搞定大部分，但遇到扫描件就得走[[OCR]]，而OCR的错误率直接影响后面检索的准确性。我一般会保留文档的标题层级和表格结构，因为这对…

#美团#RAG 知识库构建#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

…参数调不好，召回率再高，延迟超标也上不了线。这块其实可以深挖一下。所以整体上，我会把向量化流程看成一个根据业务场景不断迭代的工程系统，而不是一套固定的脚本。预处理、模型选择、归一化、版本管理，每一步都要和业务数据对齐，上线后持续观测，才不至于变成'离线跑分高、线上效果差'的尴尬局面。一句话定位：RAG落地的核心工程问题文本预处理：分块与元数据保留嵌入模型选择：业务场景决定模型向量生成与归一化：批量与缓存优化风险与取舍：版本管理、维度对齐约4分钟检索延迟和存储成…

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

匹配口述回答：

#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向量化：分块与Embedding

匹配题目：请详细说明RAG系统中文档和查询的向量化过程，包括使用的嵌入模型、文本分块策略、向量归一化等处理方式，并解释向量匹配（如余弦相似度）的实现原理及优化手段。

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配题目：在RAG系统中，文档数据如何进行存储和向量化处理？请说明从原始文本到向量数据库的完整流程，包括分块、嵌入模型选择和索引结构设计。

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解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…

#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· 淘天

RAG编码模型评估指标与对比

匹配正文：…：特定领域可能不如有监督模型检索能力评估指标含义适用场景 Recall@K Top-K中命中正样本的比例关注召回完整性，RAG首选 MRR 首个正样本排名的倒数均值关注排序首位准确性 NDCG 考虑相关度等级的加权排序多等级相关性场景 RAG场景关键：优先看Recall@K（如Recall@5/10），因为生成阶段能处理少量噪声，但漏召回无法弥补。学习建议建议系统学习该知识点

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：…控性LLM需具备"忠实于检索内容"的能力，而非过度依赖参数知识或自由发挥。这涉及prompt设计、上下文窗口利用和指令遵循能力。 RAG的边界：不解决忠实性幻觉能解决：编造不存在的事实、过时信息、专业领域知识盲区不能解决：逻辑矛盾、推理错误、对检索内容的曲解或过度推断典型反例：检索内容正确，但模型错误拼接信息得出荒谬结论——这是忠实性问题，需靠训练或推理优化解决。学习建议建议系统学习该知识点

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…低分case自动入库，定期review 解决优先级数据层：清洗脏数据，补充缺失知识（最快见效）检索层：调优embedding（领域微调）、重排序模型、混合检索权重生成层：prompt工程约束引用格式、尝试RAG-specific微调

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配正文：…E、Faithfulness 了解端到端评估框架RAGAS的核心指标理解人工评估与自动评估的权衡知道业务场景下的实用评估策略 RAG评估要分检索层和生成层两个维度，最后才是端到端评估。一、检索质量评估经典指标 Recall@K：Top-K中相关文档数 / 已标注相关文档总数，通常先逐query计算再汇总；分母不是K。必须说明文档/片段粒度及相关性标注覆盖。 MRR（平均倒数排名）：对每个query取第一个相关结果排名的倒数，再求均值；没有命中记0，并说明截断K。 Hi…

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…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，无需微调新法规上线当天可用领域知识医疗问诊需专业医学知识构建医学知识库作为外部记忆专业术语理解准确率提升35% 关键工程实践召回策略：向量检索 + 关键词BM25混合，解决…

#美团#混合检索#RAG 技术

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…档直接编写优势：质量高、覆盖边缘场景劣势：成本高、主观性强 2. LLM辅助生成 Prompt模板要点： - 指定角色（"你是领域专家"） - 约束条件（基于给定文档、禁止脑补） - 多样性控制（事实型/推理型/比较型/总结型） 3. 真实用户日志挖掘从生产环境脱敏后的query中采样需配合人工清洗过滤噪声 4. 混合策略（推荐） 70% LLM生成 + 20% 真实日志 + 10% 人工设计对抗样本答案标注流程 Step 1: 候选答案生成使用多个不同RAG系统…

#安克科技#评估与监控#RAG 问答金标构建

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配口述回答：这道题其实是在问，你怎么设计一套评估数据集，能真正衡量一个[[Agent]]或[[RAG]]系统的能力边界。说白了，就是你怎么给它出一份有区分度的考卷，而不是随便找几个问题测一下就完事了。首先得明确，RAG和Agent的评估目标完全不同。RAG重的是事实准确性，你得看它有没有[[幻觉]]、有没有漏掉关键信息；Agent重的是任务完成度和工具调用正确性，比如它有没有按正确顺序调API、参数传没传对。所以评估数据集必须分开设计，不能混在一起。数据采集这块，我会优先用真实用户日…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签，推理时检测query分布，动态调整检索策略监控新文档的检索占比，低于阈值时触发告警落地关键监控看板：新文档命中率、头部结果多样性指标 A/B实验：灰度验证策略效果，避免全量风险学习建议建议掌握RAG基础架构，理解检索偏差成因，学习持续学习、向量重排序、数据分布监控等技术，结合实际案例思考系统优化。

#美团#模型微调#RAG检索偏差

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配追问：…商客服系统做RAG，用户问“这款手机怎么样”，需要检索相关产品文档。你会选哪个Embedding模型？从哪些方面考虑？层层追问 RAG里Embedding模型怎么选？……你觉得主要看哪些因素？……如果文档很长，比如产品说明书有几千字，模型长度不够怎么办？…… 直球架构让你为一个RAG系统选Embedding模型，给出选型的关键因素和评估方法，从语义能力、效率、领域适配这些方面讲。注意结合具体业务场景。

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配追问：场景切入假设你在做一个电商客服RAG，用户问‘退货运费谁出’，系统要检索相关规则。你会怎么选文本编码模型？比如考虑领域术语和长描述怎么处理？层层追问 RAG里文本编码模型怎么选？……除了精度，工程上还要看哪些指标？……如果业务有大量长文档，向量维度和存储成本怎么权衡？直球架构请列出在RAG系统中选择文本向量编码模型时，需要考虑的技术指标和性能因素，包括语义质量、工程性能和系统兼容性等方面。

#百度#评估与监控#向量检索

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配题目：当RAG系统出现检索上下文不准确或噪声干扰时，有哪些有效的解决策略？请从数据构建、检索优化和后处理等角度阐述，并说明常用的训练和评估数据集。

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…层：上下文工程检索结果按相关性重排序，关键信息置首尾（利用位置偏置）上下文压缩：用更小模型提取关键句，缓解长上下文噪声 4. 系统层：反馈闭环用户点赞/点踩数据回流，微调Embedding模型（领域适配）检索失败检测：当置信度低于阈值，触发主动澄清或转人工技术边界与选型 RAG不是万能解，需与SFT、Agent协同：高频稳定知识 → SFT内化到模型参数动态/海量知识 → RAG外挂复杂任务执行 → Agent+RAG（检索作为工具之一）美团场景示例：外卖菜…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…理想上下文，测试生成上限。如果上限还差，说明模型本身能力不够，需要微调；如果上限好，那优化提示和上下文工程空间还大。所以我会把[[RAG]]和微调看成互补，而不是二选一。比如企业SOP场景，文档更新频繁，RAG更灵活；但如果是垂直领域，比如法律合同，微调一个领域模型效果更好。真正落地常常是RAG加微调一起上。总结一下，遇到检索相关但生成差，我会先诊断是信息过载、碎片化还是歧义，然后从提示工程快速试，不行再动上下文建模和微调。关键是要有系统思维，不能单点修复。一句话点题：检…

#上下文压缩#生成调优#RAG 生成优化

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无权访问的内容。 3. 幻觉与可追溯性检索证据、引用和“资料不足时拒答”可以降低部分无依据生成，但前提是证据正确、完整且生成器忠实使用。错误召回、冲突文档或过期索引也可能让答案更差，因此需要分别评估证据召回、忠实度和答案正确性。与 SFT 的边界 RAG 更适合注入经常变化的事实与可引用…

#美团#知识增强#RAG 核心问题

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场景医疗诊断：症状→疾病→药物→禁忌的多跳约束法律分析：法条→案例→判决→适用条件的链条推理企业知识：组织架构、项目关联、决策影响的网络分析关键权…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：… 关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs 局部匹配传统RAG：依赖向量相似度，擅长"找相似"，弱于"综合推理" GraphRAG：社区摘要检索——先定位相关社区，再展开细节解决"XX领域发展趋势"类全局查询（传统RAG无法回答，因答案分散在多文档）支持多跳推理：通过图遍历显式追踪关系链 3. 检索路径优化利用图算法（如Leiden社区发现）预计算语义聚类查询时：社区摘要→相关子图→原始文本，由…

#美团#GraphRAG#传统 RAG 对比

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配口述回答：这道题问的是怎么让大模型稳定输出高质量结果，其实本质是控制沟通。模型不是你肚子里的蛔虫，你给的提示词就是唯一通道，所以系统性设计提示词的核心就是把这个通道管好，减少歧义和随机波动。我常用的基础模板是四层结构。先说角色层，给模型一个身份，比如资深数据分析师，这能激活它领域相关的知识，让输出更专业。然后是任务层，把输入是什么、要做什么处理、输出什么目标写清楚，避免模糊指令。再一个约束层，硬性规则比如长度限制、不能用某些词，软性偏好比如风格、详略程度，都要写进去。最后格式层，强制…

#脉脉#评估与监控#Agent