匹配口述回答：…建索引、怎么调检索参数。如果让我选，我会把80%的精力放在检索质量上，剩下的用来做端到端的评测和badcase分析。一句话定位：RAG本质是给大模型配一个可实时更新的知识外挂边界划分：RAG适合事实密集型场景，微调适合风格/行为对齐真实业务场景：客服退款政策检索落地风险与前提：检索精度决定天花板，上下文窗口和噪声是常见坑工程师姿态判断：我更倾向把RAG看成工程问题，检索质量是核心约4分钟 Agentic RAG让模型自主决定检索策略，能处理多跳推理但复杂度高面试…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：这道题其实问的是，怎么把通用[[RAG]]改造成能在一个专业领域真正落地，核心挑战就是领域知识怎么结构化、检索怎么精准、生成怎么可控，而且这三环要能闭环迭代。先说数据预处理。专业文档不像通用网页，结构复杂、术语密集，随便切段落肯定不行。我会根据文档类型做不同处理，比如医疗病历有DICOM标准，法律合同有条款边界，先用[[OCR]]或解析器把元信息提出来，像疾病编码、法条编号、时效性这些。然后chunk策略要兼顾语义和结构：一方面用语义模型识别主题边界，另一方面按章节条款切，…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 小红书

RAG检索不准的失败场景与优化

…及[[Faithfulness]]问题，比如生成了文档里没有的细节。这时候优化方向就变成提示工程或微调了。所以整体上，我更倾向把RAG系统看成检索和生成的协作，优化时要先诊断是哪个环节的问题。如果检索没召回，先看数据分块和混合检索；如果召回但排序低，加重排；如果检索正确但生成错，才去动生成器。盲目堆技术容易事倍功半，关键是基于bad case做迭代。本质是检索与生成的对齐问题数据与分块是前提检索策略：混合与重排查询侧优化与风险工程师的判断与取舍约4分钟检索正确…

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

匹配口述回答：

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…再生成答案，最后用[[Faithfulness]]校验事实一致性。如果置信度低，我会拒绝回答或让用户确认。这里有个风险：Self-RAG会增加延迟和成本，所以只适用于高精度场景，比如风控合同审核，而普通问答用[[Naive RAG]]就够了。另外，系统级迭代里，我特别关注检索空结果率。如果空结果率高，说明索引或query改写有问题，我会反过来调检索策略。比如结合[[Knowledge Graph]]做[[实体链接]]，把‘退款失败’映射到具体错误码，再精准检索。这块其实可以…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…专门切片和停止条件。分类的价值就在这里：它帮助团队描述链路复杂度和风险，但最终采用哪一层，仍要由目标数据和可复现实验决定。点题：RAG分类本质是工程取舍 Naive RAG：简单但脆弱，适合文档问答 Advanced RAG三大环节优化，举例客服场景落地选型：重排序性价比最高，注意风险收尾：我倾向渐进式演进，给出可延伸点Agentic RAG 约4分钟 Agentic RAG让模型自主决定检索策略，与Naive/Advanced RAG的边界和落地方式不同。面试官可能…

#淘天#重排与优化#Naive RAG

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…版本管理和动态更新。上线后我会监控Recall@K和延迟P99，如果召回率低于85%，就调大Top-K或加Rerank。我更倾向把RAG看成检索和生成的协作，而不是单独优化一个环节。延迟和准确率永远是跷跷板，关键是找到业务能接受的平衡点。说到这，我其实更关注一个延伸点：当Agent需要多跳推理时，单轮检索往往不够，这时候怎么设计检索策略？比如用户问“满200减50的券能和折扣叠加吗”，需要跨文档推理，先查券规则，再查折扣规则，最后判断是否冲突。单轮检索很难覆盖，我会考虑用[[…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引，而在于检索策略。比如 [[Self-RAG]] 让模型自己判断是否需要检索、检索结果是否够用，不够就迭代检索多次。这个方向我觉得比单纯优化 Embedding 模型更有价值，因为它解决了“什么时候该查、查几次”这个根本问题。所以整体上，我更倾向把 RAG 看作一个检索优先的系…

#美团#RAG架构#RAG 系统架构

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配追问：…比如靠外挂知识库？……那具体怎么把知识库和生成过程结合起来呢？从用户提问到最终回答，你详细说说每一步怎么做？直球架构请详细描述RAG的完整工作流程，重点讲清楚检索、增强、生成三个阶段分别怎么实现，包括文档处理、向量化、检索策略、Prompt组装这些环节。

#百度#RAG三阶段#RAG 工作流程

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…DB/GPT）知识图谱或关系型存储复杂推理、工具调用关键设计点：写入策略：非全量存储，用模型生成摘要/事件三元组压缩信息检索策略：混合检索（向量相似度 + 时间近邻 + 重要性评分）一致性维护：定期触发**记忆反思（reflection）**整合碎片化信息三、检索增强：RAG与Agent记忆融合 RAG-based Memory 将历史交互切分chunk，构建可检索记忆库与实时RAG区分：记忆检索强调时序性和因果关联，需保留对话状态链增强方案记忆树（Mem…

#得物#Agent#大模型记忆机制

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配正文：…据库：对话片段embedding + 元数据（时间、主题、情绪）结构化存储：用户画像、偏好、历史任务结果（如SQL/图数据库）检索策略：混合召回场景策略实现即时上下文工作记忆直接读取最近N轮近期相关短期记忆语义匹配摘要向量Top-K 远期细节长期记忆多路召回向量相似度 + 时间衰减 + 关键词过滤关键技巧：检索时拼接[当前query + 近期摘要]作为查询，提升相关性更新与刷新机制被动压缩：工作记忆满时，最旧内容→生成摘要→下沉主动摘要：检测…

#高德#Agent#Agent 记忆管理

面试题·Agent· 小红书

长历史行为怎么处理?

匹配正文：… 分层记忆工作记忆(短期) + episodic记忆(长期) 复杂Agent、多轮深度交互架构复杂，需设计记忆写入/读取逻辑检索增强历史向量化，按需检索Top-K 超长历史、稀疏访问检索延迟，需维护向量索引小红书场景建议混合架构：近期对话（如50轮）：直接保留原始文本，保证细节中期历史：滑动窗口摘要，每20轮生成一段摘要远期记忆：关键事件（种草商品、决策节点）向量化入库关键设计：记忆写入：识别"里程碑"（用户明确偏好、购买决策）优先入库记忆读取：当前…

#小红书#Agent#长历史行为处理

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：核心原因：为何用向量数据库 Agent记忆 vs RAG知识库的关键差异：动态演进：记忆随交互持续更新，非静态文档时序敏感：需要"最近发生"和"历史相关"的双重检索多模态关联：可能融合对话、工具调用结果、环境状态向量数据库的稠密检索天然适合"语义相关但表述不同"的记忆匹配，且支持增量写入。 Embedding模型设计场景策略说明通用对话直接用BGE/M3E等开源模型成本低，基线可用垂直领域（如高德地图）领域微调用历史对话数据做对比学习，强化地点、路线…

#高德#Agent#向量检索

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…态任务编排（LLM+图像生成+代码执行）优先选LlamaIndex 企业知识库场景：海量文档（10万+）的高效检索需要精细控制检索策略（分层摘要、知识图谱增强）数据源多样且需要自动化解析（非结构化+半结构化混合）实际趋势生产环境中两者常组合使用：LlamaIndex负责数据层（索引+检索），LangChain负责应用层（Agent编排+工具调用）。LlamaIndex也推出了llama-index-agent模块，边界正在模糊，但原生优势领域依然分明。学习建议建…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配口述回答：…，同一个问题多次采样，取高频答案；如果结果很离散，就标记不确定。这有点像 [[Self-Consistency]] 的思路，但用在RAG里要控制采样次数，不然延迟太高。最后是系统层的持续迭代。用户反馈闭环肯定要做，点赞点踩数据回流到知识库修正队列。另外我会用 A/B 测试监控事实性错误率，对比不同检索策略的效果。但说句实话，这些策略都有代价，严格校验会增加延迟和成本，所以一定要按场景分级。比如客服闲聊可以宽松点，但医疗诊断、法律文书就必须多重校验。这里有个我特别想展开的点…

#字节#错误上下文处理#RAG 上下文错误

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…像摘要级，人工构造结构化描述 3. 时效性编码对时间敏感记忆，将时间戳、相对时间（"3天前"）显式注入文本或作为附加特征三、检索策略优化索引结构选择 HNSW：延迟敏感场景，图索引保证低延迟 IVF-PQ：内存受限场景，量化压缩降本 DiskANN：超大规模，内存-磁盘混合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关…

#高德#重排与优化#文档处理

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…l/nDCG、端到端问答质量、延迟和成本共同选择。数据变化时持续监控两路召回贡献、重排增益和失败查询，不能把任一固定组合称为所有 RAG 系统的“黄金标准”。图解 BM25+向量+Cross-Encoder 怎么组合?图解

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…大模型相关课程”“读过论文”“熟悉 LangChain”放在最显眼的位置。更有效的是按项目结果写: 写法问题更好的写法熟悉 RAG、Prompt、Agent 太空,无法追问设计并实现课程资料 RAG,覆盖 PDF 解析、向量检索、重排、引用溯源和离线评估使用 LangChain 搭建问答系统像教程复刻针对制度类问答 badcase,调整切块和混合检索策略,提升召回质量并记录错误分类了解 DPO 和 SFT 只写概念构造多模态问答偏好样本,比较 SFT 与 D…

#求职#职业转型

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：…ent 有没有权限、信息是否还有效、来源是否可信、是不是被新版本替代，以及它对当前任务到底有多重要。用户今天问“帮我继续上次的 RAG 评测”，向量库可能召回一个月前的项目目标，也可能召回另一个项目里措辞相似的评测记录。旧目标语义很像，但当前阶段已经变化；另一个项目更像，却属于错误作用域。若系统只取相似度最高的几条，记忆越多，污染当前决策的机会反而越大。这道题要回答的是一条检索与排序链路：先识别查询意图和主体，做权限、租户、类型、状态、时间与项目范围过滤，再生成语义候选，…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配口述回答：…而是看技术能不能解决真实用户的痛点。通义用RAG解决「可信」问题，星火用Agent解决「效率」问题，两者都在往融合走。我更倾向于把RAG和Agent看成一对互补的能力，而不是二选一。开场点题：本质是考技术与产品价值的结合选通义和星火，讲清楚RAG和Agent的适用边界具体业务场景：客服退款+企业SOP，说明两者怎么一起用落地风险和改进方向收尾+给出可延伸点约4分钟 Agentic RAG是未来方向，让RAG主动规划检索策略，但工程复杂度高面试官可能会追问Agen…

#阿里#科大讯飞#Agent

面试题·Agent· 美团

DeepResearch Agent 怎么工作?

匹配正文：…定继续搜索或转向 3. 整合层（Synthesis）多源信息交叉验证，处理矛盾观点结构化输出：报告大纲→正文→引用溯源与传统RAG的关键差异维度传统RAG DeepResearch 交互模式单次检索多轮主动探索检索策略静态query 动态生成、迭代优化信息处理片段拼接深度阅读+逻辑整合输出质量回答片段完整研究报告典型应用场景行业调研：新兴技术市场分析、政策解读竞品分析：多维度产品对比、商业模式梳理学术辅助：文献综述、研究现状梳理投资决策…

#美团#Agent#DeepResearch Agent

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配正文：…Memory）用户画像：偏好、习惯、人口属性（结构化存储）事件记忆：重要交互片段（向量化存储）知识记忆：用户专属知识（可结合RAG）存储与检索设计存储层类型存储方式示例用户画像关系型/文档数据库 JSON格式，支持原子更新事件记忆向量数据库 + 元数据摘要向量 + 时间戳 + 主题标签原始对话对象存储压缩归档，用于总结生成检索策略多路召回：向量相似度 + 时间衰减 + 主题标签过滤重排序：用轻量模型对候选记忆打分，取Top-K 动态窗口：…

#字节#百度#Agent

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：这道题问的是文档清洗预处理，其实本质是在问：你如何在信息密度和检索效率之间做取舍，同时避免污染生成质量。很多人在做领域 [[RAG]] 时只关注模型或检索策略，但数据源头要是脏的，后面怎么调都没用。先说通用清洗层，这层是必须做的，但别做过头。格式标准化、去乱码、过滤页眉页脚这些是基本功。但有个坑：过度清洗可能会丢掉有价值的信息。比如技术手册里的页脚可能是版本号，你一刀切掉，后面检索时版本匹配就出问题。所以我会把这层当成「安全网」，只做保守操作，把判断权留给后面。真正拉开差…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配正文：…程 Agent：基于Retriever的轻量Agent（OpenAIAgent/ReActAgent）适用场景企业知识库问答（RAG为核心）结构化数据查询（SQL/Graph）需要精细控制检索策略的场景优缺点 ✅ 检索策略丰富，RAG效果易调优 ✅ 与LangChain可互操作（LlamaIndexTool） ❌ Agent能力相对薄弱，复杂规划需外挂 ❌ 非RAG场景（纯工具调用）不够原生选型建议场景推荐框架快速搭建RAG应用 LlamaIndex 复杂A…

#阿里云#评估与监控#Agent

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：答案要点区分传统搜索与大模型搜索的本质差异（语义理解 vs 关键词匹配）阐述RAG核心架构（检索+生成）及关键模块说明混合检索策略（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹…

#虾皮#大模型搜索检索#搜索检索技术方案