匹配正文：…（矛盾融合失败）检索文档冗余导致关键信息被淹没（信噪比问题）诊断方法注意力可视化：分析生成时对不同文档片段的注意力权重文档去重/压缩实验：测试去除冗余后的效果变化多文档排序敏感性：打乱文档顺序，观察输出稳定性（位置偏见检测）快速决策流程端到端效果差 │ ├── 黄金文档测试 ──→ 仍差 ──→ 优化生成模型（SFT数据、上下文长度） │ │ │ 变好 ──→ 检索问题 │ │ │ 查询理解差？→ 优化query改写/embedding │ 文档切分碎？→ 调整…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估· 得物

AI Agent 四大瓶颈怎么破?

匹配正文：…文档人机协同确认：高风险操作前请求用户确认，暴露决策逻辑长期记忆瓶颈与改进核心问题上下文窗口硬限制，历史会话无法全量加载向量检索召回率低，关键记忆"丢失" 记忆更新与遗忘策略粗糙改进方向分层记忆架构：工作记忆（上下文）+ 短期记忆（session级向量库）+ 长期记忆（知识图谱+摘要）记忆重要性评分：基于访问频率、用户显式标记、时间衰减综合打分主动记忆整理：离线任务定期合并、摘要、去重历史记忆多步推理瓶颈与改进核心问题错误累积：前期规划偏差导致后续步骤…

#得物#评估与监控#Agent

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…、稀疏/稠密/混合召回。只有正确文档已经进入候选集时，Cross-Encoder 等重排器才可能改善高位排序；否则应先修召回。 Embedding 微调、难负样本和索引参数必须分别做消融，避免同时改动后无法归因。生成层对候选证据做去重、冲突检测、上下文预算和位置安排。 Prompt 明确证据边界、引用格式和证据不足时的行为。分开测答案正确性、引用支持率、faithfulness、覆盖率与拒答，不能只看语言流畅度。高风险输出可增加规则、NLI/验证器或人工确认。系统…

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

#AIlab#检索器优化#RAG 优化

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…长上下文模型对中间位置信息召回弱（Lost in the Middle）改进：动态上下文压缩，用更小模型做摘要过滤；检索结果聚类去重，减少冗余；调整文档排序策略，将高置信度结果放首尾 3. 语义鸿沟（Semantic Gap）表现：用户问题与文档表述方式差异大，字面匹配失败根源：Embedding的语义空间对齐不足；跨领域、跨粒度（词级vs概念级）匹配困难改进：领域微调Embedding模型；HyDE（假设文档嵌入）用生成式查询替代原始问题；引入知识图谱做实体链接和关…

#淘天#知识图谱#RAG 痛点

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配正文：…块时保留页码、区域和时间戳；查询做模态识别与改写；多路召回、跨模态重排；最后编排上下文、生成并验证引用。索引可将多模态对齐到共享向量空间，也可为各模态分别建索引后用 RRF、分数校准或重排器晚融合。共享空间便于跨模态检索但可能损失模态细节；分索引保留专用能力却增加路由和校准复杂度。关键挑战包括：细粒度区域或时间片对齐；OCR/ASR 错误和域偏移；有限上下文内的证据去重与排序；版权、隐私、提示注入和访问控制。评估要拆分各模态 Recall@K、跨模态重排、答案忠实度、引用…

#阿里#多模态#多模态 RAG

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：…：四层Prompt架构 1. 上下文预处理层筛选：按相关性分数阈值过滤，保留Top-K（通常3-5篇）排序：综合BM25分数、向量相似度、时效性加权排序去重：语义去重（embedding聚类）+ 精确去重（URL/ID去重）冲突标记：对矛盾信息打标签，提示模型"存在不同观点" 2. 上下文注入结构 [系统指令] 你是基于检索文档回答的助手，必须引用来源 [检索上下文] [文档1] 内容...【来源：URL1】 [文档2] 内容...【来源：URL2】 [用户查询] 原…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：答案要点 query改写的常见策略（扩展、分解、澄清、假设文档嵌入）提示词构建的核心要素（系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询…

#百度#小鹏#美团

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：Embedding模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模型严格基于检索内容回答，拒绝无关Query 与微调对比 RAG优势在于知识可解释、更新即时、成本可控；适合知识频繁变更、需溯源的场景。微调更适合改变模型行为风格或需要内化复杂推理模式的任务。学习…

#字节#外部知识检索#RAG 原理

面试题·RAG· OPPO

多信号评分函数原理与陷阱

匹配正文：设计步骤定义目标与约束：明确相关性、点击、转化、停留、多样性或时效性，并区分预测目标与展示约束。构造信号：文本或向量相关度、质量、流行度、新鲜度、用户偏好和上下文等；检查缺失值、时间穿越和在线可用性。统一尺度：BM25、余弦、概率和计数不能直接相加。可使用分位数、z-score、Platt 或 isotonic 校准，也可在学习排序模型中共同学习。学习组合：数据少且需要解释时可用带约束线性或逻辑模型；有排序标签时可用 RankNet 或 LambdaMART；深度模型…

#OPPO#多信号排序#评分函数设计

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：…：查询理解与扩展查询改写：消除指代、纠错或补全约束，使 query 自包含。多查询/子问题分解：从不同表述或子任务召回候选，再去重融合。 HyDE：先生成假设文档表示再检索，适合原查询与目标文档表述差异较大的场景，但假设内容偏差也可能带来噪声。伪相关反馈：利用首轮结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 擅长字面、实体和编号匹配，稠密向量擅长语义近似，可用 RRF、归一化加权或学习排序融合。随后只对有限候选使用 …

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…ry→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量库规模大、索引结构低效、网络IO 优化方案：索引层： HNSW换IVF-PQ（牺牲1-2%召回换10x速度）；分片+路由缓存层：热点Query结果缓存（Query哈希去重）计算层： GPU加速向量计算；Embedding模型轻量化（MiniLM级）影响：延迟从500ms→50ms，但需增加缓存成本、可能损失长尾Query效果瓶颈2…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Encoder精排Top10 动态重排：结合用户反馈的在线学习排序上下文融合优化上下文压缩：LLMLingua选择性压缩、重排序后截断关键片段多文档处理：去重合并、按相关性加权融合、构建结构化上下文（表格/树状）长上下文利用：Lost in Middle问题缓解，关键信息放首尾生成环…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配正文：…uery编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encoder：Query+Document拼接输入，输出相关性分数，精度高但计算慢精排Top-N：从粗排结果中选出最终5-10篇送入生成去重与多样性控制：MMR算法避免内容重复，保证信息覆盖度 4. 上下文构建文档截断/压缩：按相关性加权拼接，超长时优先保留高…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…编码器（Cross-Encoder）或轻量重排模型对召回文档精细打分，筛选Top-N（通常3-10）送入生成关键作用：弥补双塔向量检索的语义鸿沟 4. 上下文构造格式组装：按相关性排序，添加文档标识（如[Doc 1]）长度控制：截断、摘要压缩、或分层检索（摘要→全文）去重与连贯性：处理重复段落，保证上下文逻辑流畅 5. 生成答案构造Prompt：系统指令 + 检索上下文 + 用户问题模型生成时结合上下文约束，输出带引用的答案 6. 后处理（可选）答案与来源的归…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top-K重排，比向量相似度更准多路融合：不同召回源（KG、向量、倒排）按置信度加权动态截断：根据query难度自适应调整送入LLM的文档数三、生成层优化（最终输出）上下文压缩：检索结果去重、摘要提取，避免超长context稀释注意力引用生成：强制模型输出引用标记，便于溯源和事实校验领域微调：用高质量RAG数据对基座模型SFT，提升利用检索信息的能力四…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：…）追求效率，用点积/余弦快速近似，牺牲语义精细度多路召回（BM25+向量+关键词）结果混杂，缺乏统一相关性度量存在"伪相关"：向量相似≠真实答案相关解耦设计的好处召回阶段：广撒网，保召回率，毫秒级响应重排阶段：精筛，保准确率，接受百毫秒级延迟重排的核心作用作用说明语义精排用交互式模型捕捉query与doc的细粒度匹配多路融合统一打分不同来源的候选（向量/BM25/图谱）业务过滤加入时效性、权威性、用户偏好等特征去重截断合并相似片段，控制上下文长…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子问题链，逐层检索（如"2024年X公司营收→其CEO是谁→CEO背景"）历史会话改写多轮对话场景结合上文指代消解，生成独立完整的 standalone query 关键取舍：改写次数 vs 延迟——通…

#百度#小鹏#美团

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…、Qdrant）二、在线检索生成（Retrieval & Generation）用户Query → Query改写/扩展 → 向量化 → 向量检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展、多跳查询分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序（Rerank）：Cross-Encoder模型精排，提升相关性上下文组装：检索结果去重、截断、按相关性排序注…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏智能分块策略语义分块：…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启用，因为它们也可能引入偏移。三、生成器集成候选去重、裁…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱