匹配正文：…下文漂移（主题偏离）的本质差异提出显式对话状态管理机制设计动态检索策略而非单次检索说明查询重写/扩展的具体方法给出评估多轮RAG效果的指标问题本质多轮RAG的两个核心挑战：知识遗忘：早期轮次的关键信息未被当前检索利用上下文漂移：用户意图变化导致检索偏离当前需求技术方案 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度计算 2. 分层检索策略层级内容权重…

#蚂蚁#RAG 多轮对话#知识遗忘

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

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配标题与标签：Agent 训练 vs RAG 怎么选? 从任务定义到强化学习,完整闭环与评估机制评估美团 Agent Agent 训练流程 Agent 迭代设计强化学习 Agent Agent 评估机制美团

#美团#Agent#Agent 训练流程

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工…

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：一、定量评估指标基础指标 Recall@K：关键文档是否被召回，RAG场景优先关注（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…

#美团#评估与监控#多路召回评估

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：RAG评估的核心维度一、检索质量指标指标意义实践考量 Recall@K 相关文档是否被召回知识库场景优先保召回，客服场景可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前影响LLM输入质量，但计算成本高上下文相关性召回内容与query的语义匹配度需过滤噪声，避免无关信息干扰生成二、生成质量指标指标意义实践考量答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型…

#美团#评估与监控#RAG 指标权衡与阈值

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· 字节

RAG 为何要二次生成?

匹配正文：…生成 vs 自由编造方式问题直接输出检索文本可能答非所问，或信息过时、片面纯LLM生成高幻觉风险，编造看似合理的内容 RAG的LLM生成是约束条件下的再创造：以检索内容为事实锚点，降低虚构概率同时保留语言组织能力：统一语气、结构化输出、多语言翻译对检索内容的可信度进行隐式评估（训练所得）一句话总结：向量检索解决"找得到"，LLM生成解决"说得对、说得通、说得完整"。学习建议建议系统学习该知识点

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

RAG 评测优化闭环

匹配题目：请设计一套完整的评估体系来衡量检索增强生成（RAG）系统的性能，并列举多种可行的迭代优化手段，涵盖检索模块、生成模块以及二者协同方面的改进策略。

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：一、系统性评估框架 RAG评估必须分层进行，避免"黑盒优化"： 1. 检索层（Retrieval） Recall@K：正确答案是否在Top-K中（核心指标） MRR/NDCG：排序质量精确率：检索片段的相关性比例 2. 生成层（Generation）事实性：答案是否忠实于检索内容（可用NLI模型自动判）完整性：是否覆盖问题要点流畅性：语言自然度（可用 perplexity 或人工打分） 3. 端到端（End-to-End） Answer Correctness：答案正…

#字节#评估与监控#RAG 评估

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：RAG缓解幻觉的核心机制 RAG通过**"先检索、后生成"**的工作流程，将大模型从"闭卷考试"转为"开卷考试"：工作流程三阶段阶段作用幻觉缓解机制检索从外部知识库召回相关文档引入权威外部知识，替代模型参数记忆增强将检索结果注入Prompt上下文为生成提供事实锚点，约束自由发挥生成基于上下文生成回答可通过引用溯源验证信息来源关键技术机制 1. 事实锚定（Grounding）将生成内容绑定到检索文档的明确陈述模型被强制"照着说"，而非"编着说" …

#美团#检索证据质量#RAG 仍会幻觉的原因

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· 百度

RAG 错误怎么定位到检索或生成?

匹配正文：核心思路：隔离变量 + 对照实验 RAG错误的根因定位本质是解耦检索与生成的影响，通过控制输入变量观察输出变化。一、黄金文档替换实验（Gold Document Swap）原理：用已知正确的文档强制替换检索结果，消除检索噪声实验组检索输入预期结果实际结论原系统真实检索Top-K - 基线黄金组人工标注的相关文档正确输出若仍错误→生成模块问题随机组随机不相关文档错误输出若仍正确→生成过度依赖先验关键判定：黄金组正确 + 原系统错误：提示原检索…

#百度#评估与监控#RAG 错误定位

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：…声或上下文组装问题结论：用黄金证据、重复对照和证据级指标拆开检索与生成，再报告单一故障或耦合故障，不能仅凭答案表象甩锅。图解 RAG 错误根源怎么定位?图解

#百度#评估与监控#RAG 错误定位

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：RAG是什么检索增强生成（Retrieval-Augmented Generation）是一种将外部知识检索与大语言模型生成结合的架构。核心流程：检索阶段：根据用户Query从知识库中召回相关文档片段生成阶段：将检索结果作为上下文，让LLM生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配题目：在医疗或法律等专业领域构建智能助手时，请设计一个基于检索增强生成（RAG）的完整技术链路，涵盖文档处理、索引构建、检索策略、生成优化及评估方法。

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

RAG 召回评估指标对比

匹配正文：核心召回指标基础指标 Recall@k：前k个结果中包含正确答案的比例，最常用。RAG中通常关注Recall@5/10/20 Precision@k：前k个结果的精确率，适用于答案明确的场景 F1@k：Recall和Precision的调和平均排序质量指标 MRR（Mean Reciprocal Rank）：正确答案排名的倒数均值，关注"第一个正确答案出现的位置" NDCG@k：考虑相关度分级和位置折扣，适合有多个相关文档且重要性不同的场景 MAP（Mean Averag…

#抖音#Recall@k#RAG 召回评估

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配题目：请阐述RAG系统的常见性能瓶颈及迭代优化策略，包括检索精度、生成质量和系统效率等方面的改进方法。

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：核心定位差异维度 RAG RLHF 作用环节推理时提供外部资料，也可训练检索/生成组件后训练时调整策略行为主要目标为回答提供可检索的证据与更新知识学习给定反馈中的帮助性、安全性或风格偏好技术本质信息检索 + 上下文增强策略优化 + 人类偏好对齐 RAG：用外部知识划定"能说什么" 机制：检索相关文档 → 组织上下文 → 生成并检查证据支持；提示不是硬解码约束。优势：可追溯资料并更新知识库；简单实现可复用现有模型而不重新训练，检索器/生成器也可以按任务训练。…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配题目：在RAG系统中，通过大模型对检索结果进行二次生成，如何有助于减少幻觉现象？请结合提示工程或约束生成策略说明。

#抖音#约束生成#RAG 幻觉

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：RAG主要缓解的是事实性幻觉（Factual Hallucination），即模型编造虚假事实、数据、概念的问题。这类幻觉源于模型的参数知识边界——训练数据未覆盖或已过时。 RAG的有效性依赖三个核心前提：知识库覆盖度外部知识库必须包含问题的正确答案。若知识盲区在库中也不存在，RAG无法解决，模型仍可能幻觉或"检索即编造"。检索准确性Embedding模型需将query与相关文档精准对齐。检索失败（top-k不相关）会直接引入噪声，甚至加剧幻觉。生成可控性LLM需具备"…

#京东#知识型幻觉#RAG 幻觉

RAG 文档怎么存储和向量化?

RAG文本向量化：分块与嵌入陷阱

RAG多轮对话怎么防知识遗忘?

Agent 训练 vs RAG 怎么选?

RAG 工作原理与局限怎么分析?

多路召回评估指标与RAG场景

RAG 指标权衡与阈值

RAG 缓解幻觉的机制

RAG 为何要二次生成?

RAG 评测优化闭环

RAG 评估指标与迭代陷阱

RAG 仍会幻觉的原因

RAG 怎么减少幻觉?

RAG 错误怎么定位到检索或生成?

RAG 错误根源怎么定位?

RAG 解决了 LLM 哪些局限?

专业领域 RAG 链路怎么搭?

RAG 召回评估指标对比

RAG编码模型评估指标与对比

RAG 三大瓶颈与迭代策略

RAG vs RLHF 幻觉治理

医疗法律RAG：评估陷阱

RAG 二次生成怎么减少幻觉?

RAG 缓解哪类幻觉?