匹配正文：…环节、我当时怎么做的"。这也是为什么本篇每个模块的第四行都是"项目里怎么体现"。行动清单选定主线方向后,去对应题库模块系统刷:RAG 基础、Agent、评估与监控、Prompt 工程、重排与优化、模型微调。面试临近、时间不够:用考前 30 题速刷过一遍最高频考点,别再铺开学新方向。想先看方向全景、题量分布和学习顺序:回技术栈全景(第 15 篇)。想知道每个考点怎么在项目里被追问、怎么答得住:配合项目深挖追问链(第 20 篇) 一起看。还分不清各方向名词是什…

#求职#职业转型

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：📊 学习时长:45-60 分钟 🎯 完成后能力:能把本书学的 RAG 项目,写成一段经得起追问的简历经历,并答得上每个模块的高频面试追问 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 跟着做:把一句空泛的"做过 RAG"改写成有深度、能打的简历 bullet ✓ 看懂项目经历的四要素(背景 / 架构 / 个人贡献 / 方法论) ✓ 掌握写简历的万能公式:动词 + 技术方案 + 量化指标 ✓ 学会五条事实核验原则,只写自己真正做…

#RAG#检索#项目实战

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配正文：…书、抖音、剪映），Agent可以打通内部数据孤岛，形成差异化竞争力。学习建议建议掌握Agent基本架构与工作原理，关注LLM+RAG+Agent的协同模式，多阅读行业案例和技术白皮书，培养系统性思维。

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

#Agent

#Agent 发展趋势

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配题目：在实际落地的Agent应用中，RAG系统可能面临哪些影响响应延迟和结果正确率的关键技术与工程瓶颈？请结合典型场景，系统分析性能权衡、可扩展性、检索精度与生成质量之间的矛盾，并提出优化思路。

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：传统RAG的三大核心痛点 1. 检索噪声（Retrieval Noise）问题本质：向量检索返回的Top-K结果中，存在语义相关但实际无关的"伪相关"文档。电商案例：用户查询"苹果手机充电器"，检索结果混入"安卓快充协议技术文档"——语义相近（充电、协议），但完全无法回答iPhone配件问题。导致模型生成错误购买建议，引发客诉。关键影响：准确率下降、幻觉风险上升。 2. 上下文冗余（Context Redundancy）问题本质：检索块之间存在大量重复信息，有效信号被…

#淘天#Agent#RAG 痛点

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配题目：在构建RAG系统时，如何对文本进行分块并生成向量化表示，进而利用向量数据库建立高效索引以支持精准检索？请详细说明从文本预处理、嵌入模型选择、向量存储到索引优化的关键技术流程及常用工具（如Sentence-BERT、FAISS、Pinecone等）。

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配正文：…长度作为候选变量）通用场景，实现简单；适合均匀分布的文档递归字符切分优先按段落→句子→单词层级切分需要保持语义完整性；适合技术文档、文章语义切分用embedding模型检测语义边界对语义连贯性要求高；适合对话、叙事文本结构化切分按章节、标题、表格等文档结构切分 PDF/Word等富格式文档；需保留层级关系 Agentic切分用LLM判断最佳切分点高质量要求场景，成本较高工程实践要点：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息…

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配题目：请描述在RAG系统中将文本内容转化为向量表示的完整流程，包括编码模型选择、分块策略、嵌入优化等关键技术点。

#安克科技#RAG 文本向量化#分块策略

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

RAG 工作原理与局限怎么分析?

匹配题目：请阐述你对RAG技术的理解深度，包括其工作原理、优势局限以及在不同场景下的应用考量。

#美团#评估与监控#RAG 工作原理

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· 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

匹配题目：假设需要为医疗或法律等专业领域构建一个基于检索增强生成（RAG）的智能助手，请设计其整体技术链路，包括数据处理、检索系统、生成模型和评估机制。

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配题目：在构建基于大模型的检索增强系统时，如何评估和选择合适的向量数据库？请从性能、可扩展性、支持的索引类型、查询延迟、与现有技术栈的集成等方面进行详细说明。

#京东#评估与监控#向量数据库选型

面试题·评估· 字节

RAG 文档检索选型

匹配题目：在 RAG 系统中，稠密、稀疏和混合检索应如何选型？请说明技术考量、优化路径，以及项目回答中需要补充哪些可核验事实。

#字节#混合检索#RAG 文档检索选型

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配题目：请分析检索增强生成（RAG）技术在实际应用中存在的主要缺陷和局限性，并讨论相应的解决方案或改进方向。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 蚂蚁

Agent项目背景与技术方案怎么写?

匹配口述回答：…、职责或因果关系都删除；如果面试官追问到本人没有负责的部分，明确说明团队分工，再讲自己能够验证的接口与依赖。开场点题：这道题是问技术选型与落地的权衡项目背景：金融客服场景的业务痛点技术方案：多Agent架构与边界划分我的工作：意图识别与RAG优化效果与风险：量化结果与常见失败场景可延伸点：反思长尾意图的冷启动约4分钟长尾意图的冷启动成本高，反思是否能在体系设计阶段就优化面试官可能会追问：长尾意图的具体处理方法、主动学习的数据标注策略、或者冷启动的替代方案

#蚂蚁#评估与监控#Agent 项目经验

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…觉：模型编造不存在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：答案要点识别RAG的核心优势（知识时效性、可解释性、成本可控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配题目：RAG技术主要解决了大模型应用中的哪些核心问题？请结合实际应用场景说明其价值。

#美团#知识增强#RAG 核心问题

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：…道遇到不知道的问题，模型倾向于一本正经地编造，这叫“幻觉”（Hallucination，指模型生成看似合理但不符合事实的内容） RAG 用“开卷考试”的方式补知识：不改模型本身，只在回答前把资料塞进上下文三大好处：知识可以随时更新、答案可以溯源、成本远低于重新训练模型核心概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型在回答问题之前，先从外部知识库中检索相关资料，再基于这些资料生成答案的技术方案。它把模型“背在脑子…

#入门#基础概念#什么是RAG

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配正文：…raph）计算层：子图提取的实时性要求 vs 图神经网络的预计算开销成本层：LLM-based图摘要的token消耗远高于标准RAG的chunk检索淘天场景的特殊性：电商知识图谱具有强schema、高动态性（商品上下架）、多模态属性（图文关联），需要针对商品类目体系做专门的图谱分层设计。学习建议建议先掌握多模态基础和RAG架构，再深入学习跨模态融合机制与典型模型结构。

#淘天#多模态#GraphRAG 难点

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：… 推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文本RAG 学习建议掌握多模态嵌入与对齐技术，理解RAG中模态融合机制，对比单流与多流架构差异。

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配题目：当用户提供一个软件或网页界面的截图时，如何利用RAG（检索增强生成）技术帮助用户理解界面上各个组件的功能？请描述从图像理解到知识检索再到回答生成的整体流程设计。

#淘天#多模态#多模态 RAG