匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成小块，既能保证检索的时候命中率高，又不让大模型拿到碎片信息瞎编。说白了就是精度和完整性的一个取舍。先说最直接的方法，固定长度[[分块]]。按token或者字符数一刀切，实现简单，上线快。但问题很明显，可能一句话被拦腰切断，语义就断了。所以它适合ToC场景，比如商品搜索，用户只想要个价格或参数，上下文不完整问题不大。反过来，语义分块是用[[Embedding]]相似度检测主题边界，块内语义完整。但计算成本高，而且依赖e…

#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·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…和较长窗口作为候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、位置、类型） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写…

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 百度

RAG 分块参数调优

匹配口述回答：…务场景来选。先说三种核心策略，各有各的适用边界。固定长度分块最简单，按token数或者字符数一刀切，具体长度作为候选变量。优点是实现快、[[Embedding]]均匀、批量处理效率高。但缺点是它不管语义边界，可能一句话被拦腰切断，关键信息就丢了。所以它适合那种内容结构统一、长度一致的文档，比如日志或者固定格式的报告。递归分块就聪明一些，它先按段落切，段落太长再按句子切，句子还长才用固定长度兜底。这样尽量保住语义单元完整，但代价是块大小不均匀，短块信息密度低。语义分块更高级，…

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#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配正文：… 上下文断裂、重复召回较长分块总结、比较、跨句推理无关内容增多、重排成本上升结构化或动态分块文档类型混合、章节层级明确实现与维护复杂度更高实践建议：先按标题、段落、列表、表格或代码边界产生候选，再对过长单元二次拆分。具体长度受embedding模型输入限制、查询类型和上下文预算共同约束。重叠策略（Overlap）作用：当答案跨越切分边界时，补回相邻上下文选择方法：把零重叠、短窗口和较长窗口放到同一评测集比较，不预设固定比例成本：索引体积增加、相似chun…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配题目：请详细说明RAG系统中文档和查询的向量化过程，包括使用的嵌入模型、文本分块策略、向量归一化等处理方式，并解释向量匹配（如余弦相似度）的实现原理及优化手段。

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…降噪：去除页眉页脚、重复内容、无效HTML标签 2. 分块（Chunking）策略策略适用场景关键参数固定长度通用场景，实现简单 chunk_size与overlap都作为候选变量，由文档结构、模型输入限制和评测结果决定语义分块对连贯性要求高的文档按句子/段落边界，结合NLP工具递归分块层次化文档（法律、论文）先大段后小段，父子块关联实践经验：只有跨块证据缺失的bad case通过同一评测集验证后，才引入合适的overlap；代码和表格优先按结构分块。…

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

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

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配正文：…务完成率、用户满意度、平均交互轮数划分任务类型：信息查询、订单操作、异常处理、多轮协商二、环境构建：三层仿真体系层级功能实现方式工具层 API模拟沙箱环境+Mock数据，覆盖正常/异常/边界case 用户层对话模拟基于真实日志构建用户画像，支持多轮意图漂移评估层实时反馈自动标注+人工抽检，形成数据闭环三、动作空间设计（精简版ReAct）动作类型： ├── thought: 推理过程（可输出用于监督） ├── tool_call: {name, pa…

#美团#Agent#Agent 训练流程

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：…用户满意度为最终北极星指标。学习建议建议从准确性、相关性、事实一致性等核心维度入手，结合真实案例理解评估指标的实际意义，多阅读RAG评测论文并动手实现简单评估流程。

#美团#评估与监控#RAG 指标权衡与阈值

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：…B） → 效果变化大 = 生成是瓶颈快速落地建议生产环境可用轻量版：对错误case自动注入"已知正确文档"重跑，对比输出变化，实现半自动化归因。学习建议掌握RAG流程中检索与生成的接口数据格式，练习构造测试用例，理解常见错误模式及其归因逻辑。参考资料 Stanford信息检索教材 Stanford排序评估 Attention is not Explanation原论文

#百度#评估与监控#RAG 错误定位

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…精排重排生成优化：强制引用加约束解码评估与取舍：宁缺毋滥，人工兜底约4分钟如果用户问的是多跳推理问题，简单的 Naive RAG 不够，需要考虑 Agentic RAG 或 Self-RAG，但延迟和稳定性是风险。面试官可能会追问多跳推理的具体实现方式、如何控制 Agent 的搜索次数、或者 Self-RAG 的训练细节。

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：…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。局限：检索质量决定上限、无法纠正模型内在偏见、上下文长度受限典型场景：客服问答、企业知识库、实时信息查询 RLHF：用偏好反馈教会…

#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：…识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Doc）处理口…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 淘天

现代RAG架构有哪些改进?

匹配正文：核心差异：从"拼接"到"深度融合" 传统RAG是线性流水线：检索 → 拼接上下文 → 生成，三者独立优化。现代RAG的核心改进在于打破这种隔离，实现检索与生成的双向交互。架构层面的关键演进维度传统RAG 现代RAG 交互方式单向一次迭代/多轮交互检索决策固定策略自适应路由（何时检、检多少）优化目标分段优化端到端联合训练三类深度融合机制 1. 迭代式检索（Iterative Retrieval）生成过程中动态发现知识缺口，触发补充检索代表：IRCoT…

#淘天#评估与监控#RAG架构改进

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：… 识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品的价格"→补全具体产品名）多跳拆解 "A和B哪个更好"→拆分为两个子查询分别检索时效判断识别…

#OPPO#RAG 意图识别#RAG

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：… 70% LLM生成 + 20% 真实日志 + 10% 人工设计对抗样本答案标注流程 Step 1: 候选答案生成使用多个不同RAG系统并行生成答案保留答案分布的多样性 Step 2: 多轮人工校验第一轮：标注员独立标注（3人）第二轮：分歧案例仲裁（专家介入）第三轮：溯源检查（答案是否能在文档中找到依据） Step 3: 置信度打分高置信：3人一致且可溯源中置信：2人一致或需推理低置信：存疑，不入测试集真实性验证手段方法实现方式自动溯源强制模型输出…

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：为何引入RAG 核心动机：弥补纯参数化知识的三大缺陷问题说明知识截止模型权重冻结后无法感知新信息幻觉风险参数记忆模糊时"自信编造" 训练成本 SFT更新知识需重训，代价高昂 RAG将知识外置到可动态更新的检索库，实现非参数化知识扩展。 RAG vs SFT：三维度对比 1. 知识更新 SFT：需重新训练/LoRA微调，周期长，难以追平实时信息 RAG：更新文档库即可，分钟级生效，适合新闻、股价、政策等动态场景 2. 事实准确性 SFT：依赖训练数据覆盖，长尾事实易…

#美团#RAG vs SFT#RAG

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配题目：在RAG（Retrieval-Augmented Generation）系统的实现过程中，有哪些有效的优化手段可以提升检索精度和生成质量？请从检索器、生成器和整体架构三个层面进行分析。

#AIlab#检索器优化#RAG 优化

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…M构造对比学习数据关键：术语对齐，如"心肌梗死"和"MI"需映射到同一向量 2. 检索策略：多路召回+精排召回通道适用场景实现稠密向量语义相关、同义表达微调后的Embedding+Faiss/Milvus 稀疏向量（BM25）精确匹配、专有名词 Elasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配题目：请介绍当前主流的多模态RAG实现框架，并简要说明其架构特点和适用场景。

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模态RAG 表征空间单一文本Embedding空间需对齐文本、图像、视频等多个异构空间检索粒度文档/段落级需支持区域级（如图中物体）、…

#阿里#多模态#Multi-modal RAG

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配正文：…是可选的路由层，用于决定是否检索、访问哪个知识域、应用哪些元数据过滤、是否改写查询，以及选择问答、摘要、操作或拒答流程。简单单库 RAG 可以不单设该模块；多租户、多工具或多索引系统中，它能减少无关检索并执行路由策略。实现方式规则与结构化信号：关键词、实体、会话状态、产品入口，延迟低且可解释；监督分类器：BERT 等编码器输出意图与置信度，适合稳定且有标注的类别体系； LLM 结构化路由：用 schema 约束输出 intent、index、filters、need_r…

#b站#意图识别与检索路由#RAG 意图识别

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：…于知识存储位置的转移：传统LLM：知识固化于参数（parametric memory）→ 更新成本极高（全量SFT/RLHF） RAG范式：知识外置为非参数化存储（non-parametric memory）→ 实时更新、无限扩展这对淘天等电商场景尤为关键：千万级SKU信息、分钟级价格变动、个性化用户画像，靠参数记忆不可行，RAG实现了"模型能力稳定 + 知识动态鲜活"的工程平衡。学习建议建议先掌握传统检索与生成的分离流程，再学习RAG的端到端架构，重点理解检索与生成…

#淘天#RAG信息融合#RAG与传统检索生成对比