匹配口述回答：…义相近的文档。但这里有个坑：如果只靠向量，遇到订单号、政策编号这种精确信息就容易翻车。所以真正落地我不会只用向量检索，而是做 [[Hybrid Search]]，把向量和关键词结合起来，再配合 [[Rerank]]，这样精确匹配和语义匹配都能覆盖。不过要注意，ANN 索引在数据频繁更新时表现会变差，因为图结构或聚类中心需要重建。我会特别关注写入延迟和索引重建策略，如果业务对实时性要求高，可能得用 delta 加 base 双索引的方案，查询时合并结果，这样新增数据能准实时生…

#入门#基础概念#向量数据库

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配口述回答：…：在需要因果推理、关联挖掘的场景，比如企业SOP与合规文档、风控合同审查，我会用GraphRAG；在简单的FAQ匹配场景，传统[[Hybrid Search]]加[[Rerank]]就够用了。真正的落地往往是两者结合，先用向量召回初筛，再用图做精排或上下文扩展。说到结合，我最近在关注一个方向：怎么让GraphRAG的图结构动态更新。因为业务数据是流式的，实体和关系会变，如果图不能增量更新，每次都要全量重建，成本太高。我初步的想法是用事件驱动的图更新框架，配合版本控制，但一致…

#百度#知识图谱#评估与监控

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配口述回答：…怎么映射到图上？一种做法是把查询转成 Cypher 或者子图模式，但这对复杂问题不太够。实际落地我倾向用 [[混合检索]]，就是 Hybrid Search 把向量检索和结构检索结合起来。举个例子，电商退款场景，用户问「退款超过3天没到账」，向量部分抓语义相似的退款流程片段，图结构部分沿着「订单-退款-状态」的拓扑关系找到关联实体，两者融合排序。光靠向量容易语义漂移，光靠图结构又太刚性，合在一起才稳。还有个关键点是全局和局部的联合召回。全局层用社区摘要回答「这家公司整体怎么…

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

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；另一条是[[Hybrid Search]]，把[[BM25]]和向量检索结合，关键词匹配和语义匹配互补。这里有个坑：重排模型不能太慢，否则延迟受不了，上线前一定要压测P99。还有，如果业务文档本身质量差，比如全是[[OCR]]错字，那重排也救不了，得先清洗数据。再一个，上下文稀释。模型上下文窗口再大，有效信息被一堆无关段落淹没，注意力就散了，典型的就是Los…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…稳定，不频繁更新，而且你的查询里有相当一部分是全局性、分析性的问题。如果只是简单FAQ，比如查订单号、查错误码，传统RAG加上[[Hybrid Search]]或者[[BM25]]就够了，根本用不上图。真正落地时，我通常会把它们搭配着用：简单事实查询走传统RAG，复杂推理走GraphRAG，甚至还可以用个路由层，根据问题类型动态选择。还有一个有意思的延伸点：GraphRAG的社区摘要本身是LLM生成的，这其实引入了[[Hallucination]]风险，摘要可能不准确，导致…

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…关文档作为上下文，把生成约束在检索内容里。但 RAG 不是万能的，检索失败时生成会崩。所以我会做两件事：一是提升检索质量，用 [[Hybrid Search]] 结合 [[BM25]] 和 [[Embedding]]，再加 [[Rerank]] 精排；二是优雅降级，检索不到就明确说“没有相关信息”，而不是瞎编。 [[Knowledge Graph]] 适合复杂推理，比如“这个客户和哪个供应商有纠纷”，需要多跳验证。[[Function Calling]] 对时效性信息很有效，…

#海尔#外部知识集成#大模型幻觉

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配口述回答：…一张产品瑕疵图，如果光搜图，可能搜到一堆相似外观但没问题的图片，但加上文字描述“划痕”才能精准定位。所以实际落地时，我倾向于用[[Hybrid Search]]，把文本和视觉特征结合起来检索，而不是只靠单一模态。技术挑战主要有三个。第一是数据处理，图片要[[OCR]]或目标检测，视频要抽关键帧，预处理链路很重。第二就是刚才说的模态对齐，图文语义可能不对齐，比如一张产品图配的文案是营销话术，直接拼接会引入噪声。第三是上下文长度，一帧高清图可能顶几百个token，多帧视频更夸张…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配口述回答：…强相关；但一张风景图和一段无关的描述，强行做多模态检索反而引入噪声。上线前我会特别关注召回率，尤其是不同模态的权重怎么调，用 [[Hybrid Search]] 把向量和关键词结合起来，避免纯向量检索在冷门词上翻车。另外，有一个方向我最近在关注，就是多模态RAG里的重排序怎么做。现在大部分方案还是用简单的加权融合，但其实可以用一个小的跨模态 [[Cross-Encoder]] 做二次排序，效果提升明显，不过会增加延迟。这块我还没完全想好怎么平衡，面试官您怎么看？所以整体上…

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…果用户框选了某个组件，我就用多模态向量去召回最相关的产品文档或设计规范。但实际落地，我不会只用向量搜索，而是结合关键词和向量做[[Hybrid Search]]，因为用户问题里可能直接提到组件上的文字，比如“立即购买”，这时候[[BM25]]召回比向量更准。所以我会先粗筛组件类型，再精排功能说明，确保召回率。生成增强这一步，我把组件的结构化信息、检索到的文档片段和用户问题拼成一个prompt，让大模型生成回答。这里有个坑：大模型容易[[Hallucination]]，所以我…

#淘天#多模态#多模态 RAG

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配口述回答：…检索置信度低于0.7就回复信息不足。还有一个坑是，如果检索结果里一堆无关内容，模型会被带偏。所以我上线前会特别关注召回质量，用[[Hybrid Search]]把关键词和向量结合起来，再做个[[Rerank]]，把最相关的排前面。评估体系我分三层。第一层规则层，用正则或JSON Schema检查格式对不对，比如字段有没有缺失。第二层模型层，用更强的模型比如GPT-4当裁判，按评分规则打分。第三层业务层，埋点看用户满意度、任务完成率，还要抽检人工复核准确率。迭代时我会建一个提…

#脉脉#评估与监控#Agent

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配口述回答：…。但落地时有个常见坑：长期记忆的召回精度不够。如果只靠向量相似度，经常召不回真正关键的信息。我一般会结合关键词和结构化标签做 [[Hybrid Search]]，先过滤再排序。另外，记忆更新时机也很关键，是每次对话结束都写，还是等用户确认？写错了反而污染。工具模块，说白了就是给模型配的“手脚”。搜索引擎、数据库、代码解释器、API 都算。关键是把接口标准化，让模型知道什么时候该调哪个。这里有个设计原则：工具描述要足够清晰，包括参数、返回值、典型使用场景。模型是靠描述来选工具…

#百度#Agent#Agent 系统组件

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配口述回答：…个挑战是延迟，检索会增加首token时间，尤其知识库大的时候，不满足实时性需求。我的做法是缓存高频query的检索结果，或者用[[Hybrid Search]]先粗筛再精排。从架构演进角度看，RAG的本质是把知识从模型参数里搬到了外部存储。传统LLM知识固化在参数里，更新一次就要全量微调，成本极高。RAG让模型能力保持稳定，知识动态更新，这对电商这种有千万级SKU、价格分钟级变动的场景特别关键。说白了，RAG实现了模型能力和知识存储的解耦。不过这里有一个值得深入的点：当检…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…这里最关键的其实是检索质量，它决定了生成的上限。如果检索回来的东西不相关，LLM再强也白搭。所以落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百条，再用 [[Cross-Encoder]] 精排一遍，把最相关的前几条送进生成，能显著减少噪声。说个真实业务场景吧，比如电商客服的退款政策问答。用户问“七天无理由退货的运费谁…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配口述回答：…景是，用户问了一个需要多步推理的问题，但检索只返回了零散片段，模型推理能力弱就答错了。所以我上线时会特别关注检索的召回率，用 [[Hybrid Search]] 把关键词和向量结合起来，再做个 [[重排]] 把最相关的排前面。还有一个点值得注意：当知识库频繁更新时，索引的实时性和一致性很难平衡。新增简单，但修改和删除怎么处理？我倾向用软删除加异步重建，避免原地动图索引导致检索质量崩掉。总的来说，我会把RAG看成给LLM配了个外挂硬盘，需要时查资料，不用死记硬背。检索负责提…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…不够。比如合同里'不可抗力'这个词，通用模型可能把它和'自然灾害'关联，但法律场景下它还有具体的免责条款含义。另外我特别推荐 [[Hybrid Search]]，就是 [[BM25]] 关键词加 [[Dense Retrieval]] 向量。为什么呢？因为关键词匹配擅长处理长尾词、专有名词，比如订单号、错误码，这种向量很难表达；而向量擅长语义匹配，比如'退货流程'和'退款步骤'。两者互补，能覆盖更多场景。但混合检索有个坑：权重怎么配。如果向量权重太高，关键词结果被淹没，长尾就…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配口述回答：…就行，不用重新训练。检索也一样，纯关键词（[[BM25]]）匹配快但漏同义词，纯向量能理解语义但容易召回无关内容。所以我会**[[Hybrid Search]]**，把关键词和向量两条路结合起来，再加一层[[重排]]，把高置信度的结果顶上去。具体到业务，拿医疗场景举例。假设做一个辅助诊断的问答助手，知识库里得有临床指南、药品说明书、最新专家共识，还得按效力层级排：国家指南优先于地方共识，最新版本优先于旧版。检索时用户说“心梗”，你得自动扩成“心肌梗死”“急性冠脉综合征”，这…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…只用向量。生成层核心是让模型学会说「我不知道」，而不是瞎编。应用层负责权限、审核、对话管理。检索模块我重点讲。很多人一上来就用 Hybrid Search，但它的前提是你的标注数据够好，不然权重调不准。我的做法是：先做多路召回，向量检索和 [[BM25]] 关键词检索并行，再加结构化查询。举个例子，法律场景里查《民法典》第几条，关键词检索比向量准得多；但医疗场景里查「罕见病用药」，语义相似度更重要。所以我会根据领域调权重。召回之后做 [[重排]]，用 [[Cross-Enc…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：…律场景里，精确匹配和语义理解同样重要。我会搭三级索引。第一级是向量索引，用领域微调的[[Embedding]]做语义召回，配合[[Hybrid Search]]，把关键词检索也拉进来。因为有些查询比如药品名、法条编号，向量可能不如精确匹配准。第二级是关键词索引，用Elasticsearch做精确匹配，专门处理这类结构化查询。第三级是[[知识图谱]]，用来做关联推理，比如查某个药的禁忌症，或者某个判例的引用链。三级索引一起上，检索时先并行召回，再用[[Rerank]]做融合排序…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：… RAG，它的核心是在检索的前、中、后都加优化。检索前做查询改写或扩展，比如用 HyDE 先生成一个假设文档再检索；检索中用 [[Hybrid Search]] 融合关键词和向量，再用 [[Cross-Encoder]] 做 [[重排]]；检索后做上下文压缩，把检索回来的长文本摘要成关键信息，避免把噪声带进生成。这里有一个关键点：不是所有场景都需要重排。如果知识库质量高、[[分块]]合理，直接用 [[BM25]] 加向量检索的混合就够用了；只有噪声多、需要精确排序的场景，比如…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…信息完整。再说检索。光靠向量检索不够，因为用户可能说“退款流程”，但文档里写的是“退货流程”，语义相近但词不同。所以我会用 [[Hybrid Search]]，向量加 [[BM25]] 关键词，两条路都走，再 [[Rerank]] 精排。这里有个前提：你得有足够好的评测数据，不然你不知道召回率够不够。常见失败场景是，你花很多精力优化生成，但最后发现检索出来就是错的，那大模型再聪明也白搭。所以上线前，我会特别关注检索阶段的Recall@K，用一批历史问题打标，低于90%就不上…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配口述回答：…如时间范围、会话ID，最后用[[Cross-Encoder]]做精排，取Top 5。但只靠向量不够，我会结合关键词检索，也就是[[Hybrid Search]]，用[[BM25]]兜底，因为有些专有名词比如订单号、错误码，语义相近但词面不同，向量可能漏掉。举个例子，用户问'满减政策'，向量能召回'满200减30'，但关键词能召回PDF里的'满减'条款，两者互补。落地时我最关注两个风险。一是记忆冲突和过时：比如商家改价，旧版本还存着，Agent可能召回错误信息。我会做版本化存…

#高德#重排与优化#文档处理

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：…问“退款到账时间”，文档里写的是“资金返还周期”，[[Embedding]]模型可能拉不远。我的优化思路是两条路一起走：一条是[[Hybrid Search]]，用向量加[[BM25]]做RRF融合，关键词能兜住那些语义匹配不上的case。另一条是查询改写，用LLM把用户query扩展成更完整的表述，或者用HyDE先生成一个伪文档再检索。但这里有个成本问题：改写多一次LLM调用，延迟和钱都上去了。所以我会加一个判断：只有query长度太短或者跟知识库领域明显不匹配时才触发改写…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 原理与核心架构

匹配口述回答：…简单但容易把语义割裂，所以落地时我通常会结合段落边界做语义切分。再看检索器，从向量库里召回 top-k 候选。现在主流做法是 [[Hybrid Search]]，也就是 [[BM25]] 加向量检索，因为光靠向量对精确匹配不友好，比如订单号、错误码，关键词召回更准。还要看 [[Rerank]] 模块，用 [[Cross-Encoder]] 对召回结果精排，这一步对最终质量提升很明显，但计算开销大，所以一般只对 top-50 做重排。再说 [[RAG]] 的三大优势。事实准确…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配口述回答：…，如果直接拿这个去搜，可能命中率很低。所以我会做两件事：一是意图识别，判断用户是想查订单状态还是问政策；二是查询改写，比如用 [[Hybrid Search]] 里提到的技术，把问题转成更规范的表述，或者补充同义词。这一步如果做不好，后面的检索方向就偏了，这是RAG失效最常见的入口。接下来是检索阶段，这是整个系统的天花板。检索质量决定了答案的上限。这里有个经典选择：用向量检索还是关键词检索。向量检索擅长语义匹配，比如“退运费险”能关联到“退货包运费”，但遇到精确的订单号或商…

#阿里云#重排与优化#向量检索