匹配正文：答案要点清晰描述RAG的两阶段架构（检索+生成）说明向量检索的核心机制（embedding、相似度计算）解释RAG缓解幻觉的原理列举至少2个优势（知识时效性、可溯源性等）提及至少2个局限（检索质量依赖、上下文长度限制等） RAG基本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（…

#百度#评估与监控#RAG 架构

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…考依据，不能"脑补" 4. 多租户隔离场景 SaaS服务不同企业客户——各客户数据隔离在各自知识库，同一模型服务多方一句话总结 RAG用"查资料"替代"背知识"，在知识动态、来源重要、成本敏感的场景下，是比SFT更灵活的工程选择。两者并非互斥，实践中常先RAG打底，再SFT优化生成风格。学习建议掌握RAG与SFT的基本原理，对比其在知识更新、数据隐私和推理可解释性方面的差异，结合实际应用场景理解优势。

#美团#模型微调#RAG vs SFT

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…评估实体/关系准确率、证据 Recall@K、路径或社区命中、答案正确性、Faithfulness、构建成本和更新延迟，并与向量 RAG 及混合方案做同集对照。结论：GraphRAG 是对证据组织和检索方式的扩展，是否优于向量检索取决于查询类型、图质量和端到端评测。图解 GraphRAG 原理与构建方法图解

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

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…析关键权衡：图构建的前期成本 vs 查询时的推理质量。实际落地常采用"轻量抽取+动态扩展"的混合架构。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础，结合论文与开源项目理解GraphRAG如何融合结构化知识提升推理效果。

#百度#知识图谱#GraphRAG 优势

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…。实际系统中常做"快路径"（纯向量）+ "慢路径"（+重排）分级处理。学习建议建议先掌握向量检索基础，理解嵌入模型和相似度计算原理，再结合RAG架构学习Retriever的工作流程，通过动手实践加深理解。

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…蒸馏 ↓ ↓ ↓↓↓ 边缘部署核心原则：先做检索质量（相关性是天花板），再攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结合实际案例理解流程，再学习常见优化技术如重排序、查询扩展和索引优化，注重系统级思维训练。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…推理级联策略：多轮重排（粗排→精排→LLM pointwise打分）平衡效果与成本一句话总结重排是用计算换精度的关键设计，让RAG从"找得到"进化到"找得准"。学习建议建议先掌握RAG基本流程，理解检索与排序的区别，再学习典型重排模型（如Cross-Encoder）原理，通过开源项目动手实践重排模块的集成。

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：…索的第二阶段，用更高精度的模型对候选集（通常100-1000条）精细打分，显著提升最终Top-N的相关性。主流重排序方法方法原理适用场景交叉编码器（Cross-Encoder） Query+Doc拼接输入，Transformer输出相关性分数精度要求高、延迟可接受 ColBERT 延迟交互，token级相似度计算，兼顾效率和精度中等延迟、长文档场景多路融合向量检索 + BM25 + 稀疏向量（如Splade）结果融合数据分布复杂、单一通道不足 LLM-ba…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…用户Query（可能经过改写/扩展）输出：Top-K相关文档片段（doc_id + 文本 + 相似度分数）两大检索范式类型原理代表模型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：…

#字节#Retriever#RAG Retriever

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：…变体共同影响结果。典型默认值只用于起点，最终应在目标语料和标注查询上以 MRR、NDCG、Recall@K 与业务结果调参。在 RAG 中的作用 BM25 擅长术语、编号、实体和错误码等词面匹配，可与稠密向量召回互补。它不理解未出现词项的语义关系，也不能被称为对 OOV 天然鲁棒；同义表达需要分词、扩展词、混合检索或重排补充。图解 BM25 原理与 TF-IDF 改进点图解

#美团#BM25#BM25 算法原理

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配追问：…你熟吗？……它公式里那两个参数k1和b是干嘛用的？……跟TF-IDF比，它在处理长文档时为什么更友好？直球架构讲一下BM25的原理和数学公式，参数k1和b怎么调？然后对比TF-IDF，说说各自在RAG里适合什么场景，BM25有什么硬伤？

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似度计算余弦相似度：衡量向量夹角，归一化后等价…

#百度#向量召回#向量召回原理

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配追问：场景切入假设你在做一个医疗问答系统，用户问‘这个药怎么吃’，模型直接编了个剂量出来，这你敢用吗？怎么用RAG从最新的药品说明书里检索来保证答案准确？层层追问大模型生成答案有时候会胡说八道，你觉得根本原因是什么？……那如果给它加上外部知识检索呢？……具体怎么把检索结果用起来？……还有延迟和冲突问题怎么权衡？直球架构给我讲一下RAG架构的工作原理，重点说它怎么通过外部知识来缓解幻觉，以及在实际落地中你关注哪些设计点、会踩什么坑。

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配追问：…，模型直接根据参数表回答。但如果用户问的是‘这款手机跟上一代比续航提升多少’，而参数表里没有对比，模型可能就会编一个数字。你如何用RAG来避免这种幻觉？层层追问大模型生成内容有时会胡编乱造，你一般怎么缓解？……如果引入外部知识库，具体怎么做？……那检索回来的文档和生成是怎么结合的？……这种方案在所有情况下都能避免幻觉吗？直球架构请从原理和流程上解释RAG如何通过外部知识源缓解幻觉，重点讲清楚检索、增强、生成三个阶段中哪些关键技术机制起作用，以及这种方案在什么情况下仍然…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配追问：场景切入假设你在做一个智能客服，用户问了一个产品问题，模型答错了，原因是它不知道最新的库存信息。你会怎么用RAG和RLHF分别解决这种‘不知道瞎编’的问题？层层追问大模型产生幻觉，你觉得主要是什么原因？……那RAG和RLHF各自是怎么缓解的？……它们一个从输入入手，一个从输出入手，你觉得本质区别在哪？直球架构请从技术原理和优缺点上对比RAG和RLHF在缓解大模型幻觉问题上的作用。它们分别解决什么类型的幻觉？路径上有什么本质不同？

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 快手

LangChain 链式调用原理

匹配正文：核心设计原理 LangChain的本质是**"面向LLM的编程框架"**，通过分层抽象解决LLM应用开发的共性问题： 1. 六大核心抽象层层级职责典型组件 Model/IO 统一模型接口 ChatOpenAI、HuggingFacePipeline Retrieval 知识检索 VectorStore、Document Loader、Text Splitter Chains 固定流程编排 LLMChain、RetrievalQA Agents 动态决策执行 ReAct、…

#快手#评估与监控#Agent

面试题·评估· 字节

RAG 自动与人工评估

匹配口述回答：…：重点看忠实性和有用性落地建议：迭代期自动+抽检，上线前人工过一遍风险：自动指标和用户满意度可能脱钩约4分钟通过Self-RAG让模型自我评估生成内容的忠实性，减少人工介入。面试官可能会追问Self-RAG的具体实现原理、与RAGAS的异同、或者如何平衡自评估的准确性和计算成本。

#字节#评估与监控#RAG 自动与人工评估

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配口述回答：…分钟 ColPali免OCR方案正在改变传统范式，但计算量大且对纯文本页面可能不如传统方法。面试官可能会追问ColPali的具体原理、与OCR+解析方案的对比权衡，或者多模态RAG在延迟和成本上的优化策略。

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：这道题其实是在问，当[[RAG]]从通用聊天场景进入医疗、法律这种高风险领域时，工程化落地要解决哪些核心矛盾。说白了，通用RAG可以容忍一点[[幻觉]]，但医疗法律领域是零容忍，你得保证每个回答都有据可查，而且这个据还得是权威的。另外合规审计、知识频繁更新，这些都是硬约束。所以设计数据处理和索引流程时，不能只盯着检索效率，得把准确性和合规性当成第一性原理。具体说一下数据采集。我第一件事就是搞白名单机制，只接入权威源。比如医疗就接临床指南、药典、药品说明书，法律就接裁判文书网…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：这道题我觉得它问的不是[[RAG]]的原理，它本质是在问：怎么让大模型在不知道的情况下不要瞎编，同时还要高效、可信。RAG是个好办法，但落地时有很多坑，我主要从检索、生成和边界这三个角度来讲。先说检索。最理想的情况是用户问什么，数据库里就有最匹配的文档。但实际往往有语义鸿沟，比如用户说“退款流程”，库里存的可能是“售后政策”，[[Embedding]] 没对齐就匹配不上。更糟的是检索噪声，Top-K里混进一堆无关文档，把关键信息稀释了。举个例子，电商客服场景，用户问“满减优…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 百度

向量检索基本原理是什么?

匹配正文：核心原理向量检索把文档和查询编码到同一表示空间，再按照与模型训练方式匹配的距离或相似度寻找近邻。效果不仅取决于索引，还取决于语料、分块、embedding 版本和距离度量是否一致。 1. 向量化文档块与查询通常使用同一 embedding 模型及同一预处理版本编码。领域、语言和查询长度会影响表示质量，应在目标查询集上验证，而不是用“语义接近”作主观判断。模型升级时要记录向量版本；不同模型产生的向量通常不能直接放在同一索引中比较。 2. 索引构建 Flat 做精确搜索，…

#百度#向量索引#向量检索原理

面试题·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配标题与标签：FAISS 怎么实现高效 ANN 搜索? IVF 与 PQ 索引结构原理,近似最近邻搜索核心机制推理优化向量检索近似最近邻搜索量化压缩倒排索引 RAG基础设施 2026真题 FAISS 原理 IVF 索引 PQ 索引系统优化与推理加速字节

#向量检索#近似最近邻搜索#量化压缩

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配题目：文本分块（Chunking）策略如何影响RAG系统的性能？请系统阐述常见分块方法（如按语义边界分割、滑动窗口、重叠分块、固定长度分块等）的原理、优缺点及适用场景，并结合实际案例对比分析其对检索精度、召回率和生成质量的影响。

#百度#文档处理#Chunking 策略

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：答案要点 RAG基本原理（检索+生成两阶段流程）传统RAG的局限性（语义碎片化、缺乏全局关联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段…

#字节#知识图谱#GraphRAG