匹配正文：…需要复核。后面发现漏字时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RAG？一条完整的 PDF 解析流程，会包含图像、文字识别、版面、表格和文本合并等环节。放到扫描件上，可以按下面的顺序理解。第一步，渲染和预处理页面。系统把目标页转成适合识别的图像，并检查方向、倾斜、清晰度、对比度和噪声。旋转页如果方向不对，后面的文字识别很可能整页失败。低清页面可以受控提高渲染质量，但不能无限放大，因为处理时间和资源占用也会…

#RAG#解析与入库#扫描 PDF RAG

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：…所以这道面试题真正问的是： MinerU 已经完成 PDF 解析，为什么还需要后处理？哪些页面要二次处理，又怎么判断它们可以进入 RAG？解析成功，离 RAG 可用还差什么？ PDF 不是一条连续字符串。一页里可能同时有标题、正文、页眉、页脚、表格、图片、公式、脚注和印章。解析器需要先判断每个区域是什么，再识别其中的内容，最后按照某种顺序输出。只要文件被成功转换，只能说明这条程序链路走完了。它不能证明输出顺序符合人的阅读方式，也不能证明每个结构都被正确保留。 RAG 对…

#RAG#解析与入库#MinerU RAG

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：📊 学习时长:55-70 分钟 🎯 完成后能力:讲清为什么 Agent 要专门构造训练数据,以及「种子 → 轨迹 → 增强 → 质检 → 格式」这条数据流水线的设计思路,并理解 Loss Mask、Agentic CPT 数据合成等关键概念 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 🧭 这一章起,进入「训练」线:前四章把调研 Agent 的执行框架、工具、记忆搭好了,但模型「会不会做调研」很大程度由训练决定。要训练,第一步是先有数据。这一章讲数据流…

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

#Agent#Deep Research#项目实战

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…三步——检索相关资料 → 拼进 prompt → 让模型照着答。把这三步亲手跑通,你就懂了"开卷考试"的本质;想做深,站内有完整 RAG 教程接住。为什么需要 RAG(一句话回顾) 仅靠模型参数不能可靠覆盖最新或私有知识，生成答案也可能出错。RAG 就是在提问前,先去外部知识库捞出相关资料,塞进上下文,让模型"照着资料答"——把闭卷考试变成开卷考试。三步拆解用户问题 ↓ ① 检索:把问题和知识库都变成向量,找最相似的几段相关片段 ↓ ② 增强:把片段拼进 prompt…

#Agent#AI 编程

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…题的模块分布,能直接反映"这个方向面试考多少"。方向是什么 / 解决什么问题面试频率(站内题量) 代表题库模块代表教程章 RAG 检索增强让模型基于你的知识库回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 RAG基础 62 RAG 基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最…

#求职#职业转型

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配题目：…可扩展的记忆管理机制，涵盖短期与长期记忆的分层架构、基于语义与时间等维度的检索策略、记忆的动态更新与选择性遗忘机制，并说明如何结合检索增强生成（RAG）实现上下文压缩与信息保留的平衡。

#高德#Agent#向量检索

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…型） ↓ [并行] 检索知识库 + 检索Agent记忆（避免重复检索） ↓ 结果融合 → 相关性打分 → 低分则触发工具调用/搜索增强 ↓ LLM生成 + 引用溯源 → 返回 + 异步更新反馈缓存工程要点：将RAG封装为Agent的工具之一而非底层依赖，保持架构灵活性。学习建议建议系统学习该知识点

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…Knowledge Staleness）问题本质：向量库构建周期长，无法感知实时变化。电商案例：大促期间价格/库存秒级变动，但RAG仍返回昨日缓存的"满199减30"活动信息。用户下单时发现优惠失效，体验极差。关键影响：实时性业务场景下直接不可用。优化方向简述痛点典型解法检索噪声重排序（Rerank）、多路召回融合、查询改写上下文冗余上下文压缩、语义去重、摘要增强知识更新延迟实时索引管道、增量更新、结合API动态查询这些痛点正是Agentic RAG…

#淘天#Agent#RAG 痛点

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配题目：请详细说明在检索增强生成（RAG）系统中，从原始文档输入到向量索引构建的完整数据处理流程，包括文档清洗、文本分块、嵌入模型选择与向量化、向量存储及索引优化等关键步骤，并解释各环节的设计考量与常见实践。

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…logN)，召回率>95% IVF-PQ：倒排+乘积量化，内存压缩10-20倍，适合海量数据动态更新：增量索引避免全量重建四、检索增强 # 混合检索示例：向量相似度 + BM25关键词 def hybrid_search(query, alpha=0.7): dense_score = vector_db.similarity_search(query) sparse_score = bm25_search(query) return weighted_fusion(de…

#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

匹配题目：在检索增强生成（RAG）系统中，向量索引是关键组件。请列举并解释可用于提升索引效率与召回率的常见优化策略。

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配题目：在检索增强生成（RAG）系统中，如何合理地对长文档进行文本切块（Text Chunking）？请比较不同切块策略的优劣。

#字节#文档处理#RAG 文本切块

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· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配题目：在检索增强生成（RAG）系统中，文档的chunk划分策略有哪些常见方法？不同策略（如固定长度、语义边界分割、滑动窗口等）各自的优缺点及适用场景是什么？

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配题目：在构建检索增强生成（RAG）系统时，如何设计文本分块（chunking）策略以平衡上下文的完整性和检索的精确性？有哪些常用的方法和权衡考量？

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

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

RAG 指标权衡与阈值

匹配题目：在检索增强生成（RAG）系统的评估体系中，最重要的评估指标或维度有哪些？请说明其意义、在实际应用中的考量因素以及面临的挑战，并结合典型场景分析各指标的权衡与实践策略。

#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 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

匹配题目：请说明如何系统性地评估检索增强生成（RAG）系统的性能，并列举常见的迭代优化方法及其适用场景。

#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· 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