匹配正文：…势：突破上下文长度限制，信息密度高劣势：摘要失真（信息损失），生成成本高适用：超长对话归档、核心事件提炼关键权衡矩阵维度向量DB KV Store 摘要记忆检索延迟高极低低（预计算）存储扩展性差（维度膨胀）优优检索质量语义相关但可能漏关键精确但无泛化宏观连贯但细节丢失工业界实践：分层混合架构 L1 工作记忆：当前对话窗口（2-4K tokens） L2 向量检索：近期相关片段（Chroma/Milvus） L3 摘要归档：压缩后的长期历史（…

#字节#百度#Agent

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…序） Cross-Encoder重排：用交互式模型（如bge-reranker）对召回Top-K精细打分，精度高但慢多阶段级联：向量召回→BM25过滤→Cross-Encoder精排，平衡效率与效果四、索引层面优化分块策略：按语义切分（而非固定长度），保证chunk内语义完整元数据过滤：先按时间、类别等标签过滤，缩小检索范围摘要索引：存储chunk摘要+原文，用摘要做向量检索减少噪声一句话总结：检索质量 = 查询理解（改写）× 召回广度（混合检索）× 排序精度（重…

#字节#HyDE#RAG 检索质量

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…G系统五阶段工作流程 1. 查询理解与改写技术要点：Query扩展（同义词、HyDE生成假设文档）、意图识别、多轮对话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混合检…

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

#阿里云#重排与优化#向量检索

面试题·检索· OPPO

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：适合写过 PDF、表格或 OCR 解析的人，重点练处理流程、质量评估、错误页面和失败兜底。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实文档类型】解析链路，承担【解析或质量模块】，处理【真实规模与约束】。需要准备：文档类型与规模；个人负责模块；交付证据。通过【真实改动】改善【字段、表格或版面指标】，结果由【真实评测集】验证。需要准备：指标定义；评测集；基线与结果；失败样本。逐层练习 1. owne…

#模拟面试#简历项目#连续追问

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：…有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：为什么这样分块、召回率怎么测、混合检索和重排为什么要加、幻觉怎么归因。背概念挡不住追问，最好把一个完整 RAG 系统亲手做一遍。没做过 RAG 项目，直接背面试题有用吗？用处有限。面试官继续追问时会检查实现、实验与职责。…

#专题学习#RAG 面试题大全与知识体系

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…但引用只有 0.50、还有幻觉(0.40) 若只看单一维度,危险的报告会被「读着不错」蒙混过去 rubric 多维加权打分:把开放质量拆成带权重的维度,汇总成一个分看懂了关键:这份报告读着很流畅(结构 0.90),但它引用不准、还有幻觉。想象这是一份「中小规模 RAG 项目向量库选型」的报告——读着头头是道,但它引的 Milvus 性能数字是错的、还编了个 Qdrant 根本没有的特性,你照着它选型就踩坑了。如果只用「读着顺不顺」这一个维度评,它能拿高分蒙混过去;一旦拆成多…

#Agent#Deep Research#项目实战

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：…相同的“第一与第二”。如果某一路的分数经过可靠校准，且分数差距确实表达置信度，加权融合可以利用这些信息，RRF 则会丢掉。一条低质量召回路也会贡献名次如果向量检索在某类专有编号问题上几乎随机，它仍然会产生第一名、第二名。标准 RRF 不知道这一路此刻不可信，噪声结果照样得到排名贡献。可以对召回路设置权重，形成加权 RRF；也可以根据查询路由关闭明显不适用的一路。但这样又引入权重或路由判断，需要评测和监控，不能再把方案描述成“完全不用调”。候选深度不一致会造成不公平如…

#RAG#检索与重排#RRF

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…思路，不是给每次请求固定堆满组件。 Rerank 模型应该怎么选？本题只保留和“成本”直接相关的判断：在固定粗召回候选上比较排序质量、候选截断、批量吞吐和尾延迟。Embedding 与 Rerank 的完整候选筛选、榜单边界、部署约束和迁移流程，单独放在模型选型题中展开。 Embedding 与 Rerank 的选型矩阵 Embedding 先看召回覆盖和索引成本，Rerank 再看排序质量与成对推理成本。榜单只能缩小候选范围。这张图在本题里的用途，是提醒你把“排序收…

#RAG#检索与重排#RAG Rerank

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…大概率已经可用，问题更可能出在上下文组织、Prompt 约束、答案生成或事实归因。要查看模型实际收到的 Prompt，而不是只看向量库返回结果。检查关键证据是否在拼接时被截断，多个片段是否相互冲突，模型是否把外部常识写进答案。情况四：Faithfulness 高，答案正确性低模型忠实使用了上下文，但上下文本身可能错误、过期或不充分。也可能是参考答案和知识库版本不一致。优先核对证据质量、版本、必要证据清单和 Ground Truth，不要直接把责任推给生成模型。答案正…

#RAG#评测与上线#RAG 评估指标

面试题·模型架构· 百度

VQ-VAE 原理与完整结构

匹配正文：… 把输入 x 映射为连续 latent 网格 z_e(x)。对每个位置，在 codebook E={e_1,…,e_K} 中找最近向量，得到离散索引 k 和 z_q(x)=e_k；Decoder 再从 z_q(x) 重建输入。离散索引可交给自回归或其他先验模型学习。最近邻选择不可导，原始 VQ-VAE 用 straight-through estimator，把重建损失对 z_q 的梯度近似传给 encoder。原始目标包含：重建损失，训练 encoder/decoder…

#VQ-VAE#向量量化#离散表示学习

面试题·模型训练· 美团

合成数据怎么系统构建?

匹配正文：…相同答案只能作为弱信号，因为它们可能共享训练数据、知识盲点和表达捷径。困惑度可以反映文本在某个语言模型下的可预测程度，却不是通用质量分数。低困惑度可能只是模板重复，高困惑度也可能来自专业术语。它可以用于异常筛选，但不能代替事实、相关性与任务正确性。强模型打分同样要用人工gold校准。分布治理要保留真实数据锚点，并按来源、意图、难度、长度和语言检查覆盖。只按embedding分散也不保证业务多样性，还要限制单种子与单模板贡献，做近重复和基准污染检测。涉及用户或专业数据时，合…

#数据合成#Self-Instruct#指令微调

面试题·模型架构· 字节

自回归生成用 token id 还是概率分布?

匹配口述回答：…本较高，并会改变模型语义，不能当作标准解码的等价替换。 KV Cache也不强制输入必须是离散token。如果下一步只接收一个期望embedding，计算图仍只有一条路径，也只需要一份对应K/V。只有想精确保留多个离散候选并分别继续生成时，才像Beam Search那样为每个分支维护状态。不能说使用soft分布就必然为词表每个token缓存一份。所以工程上默认选择一个token id，是因为训练数据、输出协议和搜索目标都定义在离散序列上。是否用贪婪或采样由质量、多样性和可复…

#自回归生成#softmax采样#梯度传播

面试题·项目与经历· 京东

面试反问怎么问才加分?

匹配正文：…nt，我会继续问：线上错误通常来自召回、生成、工具执行还是数据更新，团队怎样收集失败样本并决定下一轮优先级？这比直接问是否使用某个向量库更有信息。若对方说召回问题多，再追问文档版本、权限、评测集和引用支持率；不会预设所有RAG都必须先做Entity Linking。第二类问题可以聚焦技术决策：在准确率、延迟、成本和安全冲突时，团队最近做过什么取舍，关键方案如何通过离线与线上验证？回答能够反映团队是否有真实基线、回滚机制和评测文化。规则、检索、微调或Agent都可能是答案，不…

#面试技巧#职业规划#团队沟通

面试题·模型架构· 百度

VQ-VAE 损失与码本更新

匹配正文：VQ-VAE 的结构 Encoder 将输入 x 映射为连续 latent 网格 z_e(x)。向量量化层对每个 latent 位置寻找最近的 codebook 向量 e_k，得到离散索引 k 和量化表示 z_q(x)。 Decoder 从 z_q(x) 重建输入。训练时用 straight-through estimator，让重建损失的梯度近似传回 encoder。损失与码本更新原始 VQ-VAE 常写为：重建损失 + codebook loss + commitm…

#VQ-VAE#向量量化#离散表示学习

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配正文：…义记忆（冷数据）压缩后的知识图谱/用户画像，存图数据库或宽表定期摘要生成，淘汰低价值细节检索优化手段手段实现混合索引向量相似度 + 倒排索引（关键词）+ 时间索引，三路召回后精排分层检索先粗筛（量化向量/聚类中心），再精排（原始向量）记忆摘要长会话→LLM提取关键事件，存储"摘要向量+原始链接" 动态衰减重要性分数 = 初始权重 × 时间衰减因子 × 访问频次加成关键取舍存储成本 vs 召回质量：高频访问的记忆保留原始文本，冷数据仅保留摘要实时性…

#字节#蚂蚁#Agent

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：这道题其实问的是[[RAG]]在真实业务中，怎么平衡响应速度和结果质量。我理解它本质上是检索和生成两条线的协同问题，但落地时每条线都有自己的瓶颈，而且还会互相放大。先说检索层。延迟主要来自两个地方：一是向量检索的 [[HNSW]] 索引构建，尤其是数据频繁更新时；二是 [[重排]]，[[Cross-Encoder]] 虽然精度高，但延迟太高，不能每个请求都用。精度方面，常见问题是 [[Embedding]] 的语义漂移，比如用户说“退款”，客服系统里可能对应多个政策，向量相…

#阿里云#Agent#Agent RAG 瓶颈

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…、表格单元格关系） 2. 文本清洗与标准化去除页眉页脚、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 3. 分块（Chunking）——核心环节策略适用场景权衡固定长度（多组候选）结构较弱或需要快速建立基线的场景可能切断语义单元语义分块（Sentence-BERT断句）长文档计算开销大结构感知（按段落/标题）技术文档/论文依赖解析质量重叠策略：把零重叠、短窗口和较长窗口作为…

#字节#文档处理#向量检索

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…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端问答质量验…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…衡：块太小可能缺上下文，块太大可能引入噪声。应把多组 chunk size 与 overlap 组合放进同一评测集，比较召回、答案质量和成本。 3. 向量化与存储 Embedding选型：中文用BGE、M3E，多语言用E5、OpenAI text-embedding-3 向量数据库：Milvus（大规模）、Qdrant（易用）、Elasticsearch（混合检索方便）索引构建：HNSW（图索引，召回率高）、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 字节

专业领域文档怎么清洗?

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…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…关注（漏召回=无法生成） Precision@K：召回结果中相关文档占比，控制噪声干扰LLM F1-Score：平衡场景使用排序质量指标 MRR（平均倒数排名）：关注首个相关文档位置，适合单文档即可回答的场景 NDCG@K：考虑文档相关性分级，适合需要综合多文档生成的复杂Query MAP（平均精度均值）：评估整体排序质量多路召回特有指标覆盖率（Coverage）：Query被至少一路召回的比例互补性（Complementarity）：各路召回结果的重叠度，理想状态是…

#美团#评估与监控#多路召回评估

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…标记，便于人工核验形成"生成-验证"的闭环有效性边界（什么情况下仍会幻觉）失效场景原因典型表现检索失败知识库未覆盖、Embedding语义漂移问最新事件、冷门知识时编造文档冲突多条检索结果互相矛盾模型选择错误或综合出错推理幻觉检索信息正确，但组合推理错误数学计算、因果推断失误上下文截断长文档超出窗口，关键信息丢失后半部分被截断导致断章取义关键结论 RAG将幻觉从**"无中生有"转化为"有据可依"，但无法根治"理解有误"和"推理出错"类幻觉。…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：一、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：…

#字节#评估与监控#RAG 性能瓶颈

Agent 长期记忆存哪里?

RAG 检索增强技术有哪些？

RAG流程：检索到生成各阶段陷阱

推荐不准的算法改进

PDF、表格、OCR 与文档解析项目模拟面试

RAG 面试题大全与知识体系

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

Rerank 为什么更准，却不能对整个知识库运行？

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

VQ-VAE 原理与完整结构

合成数据怎么系统构建?

自回归生成用 token id 还是概率分布?

面试反问怎么问才加分?

VQ-VAE 损失与码本更新

海量历史记录怎么索引优化？

Agent 中 RAG 瓶颈怎么破?

RAG 数据处理与索引流程?

RAG ANN 索引优化

RAG 知识库搭建流程?

专业领域文档怎么清洗?

多路召回评估指标与RAG场景

RAG 仍会幻觉的原因

RAG 三大瓶颈与迭代策略