匹配口述回答：…词索引，还能组合索引。它的检索策略也很深，比如[[Hybrid Search]]、[[Rerank]]、子问题分解这些。所以纯[[RAG]]场景，LlamaIndex是首选，检索精度和效率都优化得很到位。但它的Agent能力相对轻量，虽然也有OpenAIAgent，但复杂决策还是得靠LangChain。那真实业务里怎么用呢？我举个例子，企业智能客服。比如用户问“我买的商品降价了，能退差价吗？”这个场景，你会需要两个能力：一个是检索产品手册里的退换货政策，另一个是调用订单AP…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配口述回答：…追踪。所以我的倾向是，不要追求一个方案解决所有问题，而是把RAG、缓存、结构化查询结合起来，根据场景做取舍。本质是多步决策放大了RAG的延迟和错误延迟：检索层、决策层、编排层，重点说检索和决策正确率：检索噪声、上下文碎片、决策漂移，重点说检索噪声和决策漂移架构层面：RAG作为Agent的一个工具，不是底层依赖落地风险与取舍：小模型路由、大模型生成，反思机制约4分钟检索置信度的量化方法，以及阈值调优的难点面试官可能会追问如何设定置信度阈值、如何评估检索质量、以及…

#阿里云#Agent#RAG Agent 延迟优化

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

…Embedding模型的窗口大小匹配。比如有些模型窗口只有512，你切1024的块，虽然存进去了，但Embedding时会被截断，检索质量反而下降。所以选模型和定切块参数要一起考虑。总的来说，数据清洗和切块没有银弹，我会根据文档类型和业务场景灵活组合，但核心原则是保证每个切块语义完整、携带足够的上下文。一句话定位：这道题问的是怎么保证RAG输入质量数据清洗流程：标准化、去噪、质量过滤切块策略：固定长度、递归字符、语义切分，实际常用递归+overlap 业务案例：企业S…

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：

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100…

#美团#RAG 知识库搭建#文档预处理

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· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：这道题其实问的是[[RAG]]落地的核心工程问题，怎么把非结构化的文档和用户查询，转成计算机能高效检索的向量。说白了，这中间每一步都有取舍，不是一个模型一套流程走到底的。先说文本预处理。很多人觉得就是切切文档，但这里有个挺关键的边界：固定长度切分和语义切分的区别。固定切分简单，但照搬一个固定长度很容易把一句话或者一个逻辑断成两半，检索的时候召回的内容不完整。语义切分就好很多，比如按段落、按标题层级来分，甚至可以用LLM辅助判断自然断点。但语义切分也有代价，就是计算开销大，而…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配追问：…机器人，用户上传了一堆PDF和Word文档。你打算怎么把这些文档转成向量存起来？从原始文本到向量，中间要经过哪些步骤？层层追问 RAG系统里，文本怎么变成向量？……那文档很长怎么办，直接整篇编码吗？……分块的话，块大小怎么定？……选什么编码模型？中文场景有没有推荐的？……向量存进去之后，怎么保证检索质量？直球架构请你描述一下RAG系统中，将文本内容转化为向量表示的完整流程。包括分块策略、Embedding模型选型、向量维度与归一化、以及质量评估方法，每个环节的关键点是什…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…。纯靠大模型生成，容易编造，这就是Hallucination。但如果直接把检索文本当答案输出，又可能答非所问，或者信息过时、片面。RAG的做法是让大模型在检索内容的约束下生成，也就是把检索结果当事实锚点，然后用自己的语言组织能力去回答。这样既降低了虚构概率，又能保持回答的流畅和结构化。不过前提是检索质量要够高，如果召回来的本来就是错的，大模型再强也白搭。所以落地的时候，我不会只用向量检索。实际业务里，比如客服场景问“满200减50的优惠券能不能叠加”，向量可能把“满100减…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：这道题其实是在问，你怎么把[[RAG]]系统从搭起来到真正好用，核心就是评估和优化两件事。我理解，评估是告诉你哪里有问题，优化是告诉你怎么办，两者是循环的。先说评估。我会分成三层来看。第一层是检索模块，主要看召回率和排序质量。比如Recall@K，还有MRR，这些能反映检索器有没有把相关文档捞回来，以及是不是排在最前面。第二层是生成模块，重点看事实性和[[幻觉]]率。事实性我会用NLI模型或者人工抽检，看答案是不是基于检索内容；幻觉率就是看有没有编造。第三层是端到端，用[[…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…型基于证据作答。具体怎么起作用？我重点讲三个方面。先说减少[[幻觉]]。幻觉的根源是模型在参数里找不到答案时，会自信地编一个。RAG的解法是给它显式证据，每个生成步骤都有检索片段做参考，相当于旁边放着参考答案。模型看到文档里明确写了什么，就不太会跑偏。而且知识库可以实时更新，比如电商平台的售后政策变了，不用重新训练模型，更新文档就行。但这里有个前提：检索质量必须够高。如果召回来的文档不相关，反而会误导模型，产生更严重的幻觉。所以上线我会特别关注召回率和相关性，常用[[Hy…

#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?

匹配口述回答：…有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估，但最终还是得人工抽检。所以，我会把RAG看成是让大模型在真实业务里落地的必选项，但不是银弹。它解决了知识时效和幻觉的问题，但前提是知识库本身得可靠、检索链路得精细。我更倾向在架构设计时，就预留好知识库的更新机制和检索质量监控，而不是等上线了再补。 RAG本质是开卷考试解决知识静态与幻觉微调与RAG的边界落地风险与前提工程师取舍约4分钟 RAG的评估难点：既要看生成质量，又…

#科大讯飞#阿里#RAG 架构

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：好，这道题其实是在问一件事：怎么让大模型在不知道答案的时候，能自己去查资料，然后给出靠谱的回答。[[RAG]]就是干这个的，它本质上不是让模型学会新知识，而是给它配一个外挂知识库。先说整体流程，我习惯把它拆成三段。第一段是索引，把知识文档切成小块，大概几百个token一段，然后用编码模型转成向量，存到[[向量数据库]]里。第二段是检索，用户问一个问题，同样用编码模型转成向量，去库里做近邻搜索，召回最相关的几段。第三段是生成，把问题和召回文档拼在一起，喂给大模型，让它基于这些…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配题目：在RAG系统中，通过大模型对检索结果进行二次生成，如何有助于减少幻觉现象？请结合提示工程或约束生成策略说明。

#抖音#约束生成#RAG 幻觉

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…ne]]，先让模型基于检索内容生成，再自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种多实体、多关系的场景，检索质量比纯向量检索更稳定，但工程复杂度也上去了。总结一下，RAG解决的是事实性幻觉，前提是知识库覆盖、检索准确、生成可控。它和微调是互补关系，微调管模型的行为和风格，RAG管外部知识。碰到逻辑推理问题，我会优先考虑[[Chain-of-Thought]]或…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 淘天

现代RAG架构有哪些改进?

匹配口述回答：…子。用户问“我昨天买了东西今天降价了能退差价吗”，传统做法是直接把所有退货政策文档塞进prompt，可能信息很多但没切中要点。现代RAG会先尝试生成，如果模型不确定，就触发检索，找到“价保政策”那条记录，再生成回答；如果检索结果不够置信，比如文档里没明确说，模型可以降级处理，比如建议用户联系人工。这样既快又准。但落地时有个关键前提：检索质量得稳定。如果检索器召回一堆不相关文档，那迭代反而放大错误。我特别关注的是，上线前要压测检索的Recall和Precision，同时控制迭…

#淘天#评估与监控#RAG架构改进

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配口述回答：…来，然后让模型照着写。这个思路对事实性幻觉效果特别好，因为事实是外挂的，不是模型记的。但这里有个坑：检索失败的时候，幻觉反而比不用RAG更严重，因为模型会强行把检索来的无关信息也编进去。所以落地时我特别关注两件事，一个是检索质量，比如用 [[Hybrid Search]] 把关键词和向量两条路结合起来，再一个是对检索结果做置信度过滤，分太低的直接丢掉。第二梯队是微调。微调适合的场景和RAG不一样，RAG管事实，微调更多管风格和逻辑。比如你要模型在不确定时说“我不确定”，或者…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…那就适合用SFT去固化这种风格，因为风格是长期稳定的。具体到场景，我重点说两个。第一个是金融政策解读，比如央行突然发了一个新规，RAG能立刻把新规文档索引进去，用户问“房贷利率怎么调”，模型检索后给出带原文引用的回答。第二个是企业内部SOP与合规文档查询，不同部门、不同版本的文件堆在一起，员工问“报销流程”，RAG能精准定位到最新版SOP，并且告诉你是第几章第几条。但这里有个坑，RAG的效果上限取决于检索质量。如果知识库里的文档切分太粗糙，或者[[Embedding]]模…

#美团#模型微调#RAG vs SFT

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…就回退整套兼容版本。这里真正考察的不是记住多少优化名词，而是能不能从一个错误出发，建立可复现的定位、实验和上线闭环。一句话定位：RAG优化本质是检索质量和生成质量的平衡检索器：混合检索和重排的适用边界生成器：上下文压缩和引用生成的实际效果整体架构：迭代检索的取舍落地风险与收尾约4分钟检索和生成的联合训练，比如Self-RAG，让模型自己学会反思和修正，而不是靠外部规则。面试官可能会追问Self-RAG的具体实现，比如反思机制怎么设计，或者跟Agentic RA…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配口述回答：我觉得这道题其实在问一个很实际的问题：怎么让大模型在不知道答案的时候，还能给出靠谱的回复。[[RAG]] 的核心思路很简单，就是给模型配一个外挂知识库，需要的时候先去查一下。先讲工作原理，分成三步。第一步是索引，把文档切碎，转成向量存到 [[Vector Database]] 里。这里有个坑，切分策略直接影响检索质量。比如客服退款场景，政策文档经常是一段话里包含多个条件，按固定长度切很容易把完整逻辑切散，导致检索时上下文不完整。我一般会先用语义切分，再结合递归切分兜底，同时…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…注 [[RAGAS]] 评估指标，比如上下文精度和召回率，定期用一批标注 query 做回归。还有一个进阶方向是 [[Self-RAG]]，让模型在生成过程中自己判断是否需要检索、检索结果是否可信，而不是每次都无脑拼接。这能进一步减少噪声引入，但实现复杂度也更高。所以整体上，我把 RAG 看作一个工程系统，核心是在检索质量和生成质量之间做取舍。我更倾向先用混合检索加重排保证召回精度，再通过置信度过滤和降级策略兜底，而不是一味堆高检索召回率。一句话定位：RAG本质是给大模…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…外可以做引用生成训练，强制输出 [cite:1] 格式，提升可验证性。但微调的前提是数据和算力充足，而且不能解决所有问题，比如底层检索质量太差，微调也救不了。说到微调，我其实更倾向先做可控实验：固定检索结果，人工构造理想上下文，测试生成上限。如果上限还差，说明模型本身能力不够，需要微调；如果上限好，那优化提示和上下文工程空间还大。所以我会把[[RAG]]和微调看成互补，而不是二选一。比如企业SOP场景，文档更新频繁，RAG更灵活；但如果是垂直领域，比如法律合同，微调一个领域…

#上下文压缩#生成调优#RAG 生成优化

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配口述回答：…稳定性。比如让模型学会客服话术，可以用 SFT；让模型知道今天最新的退款政策，就不应该靠 SFT，而应该用 RAG。所以我会把 RAG 的本质概括成：检索负责提供事实，生成负责组织表达。它让模型不用把所有知识都背在参数里，而是像一个会查资料、会组织语言的业务助手。但我也会提醒一点，RAG 不是万能方案。如果问题需要强推理，而检索结果只是零散片段，模型本身推理能力弱还是会答错；如果知识库质量差，RAG 也只是把脏数据更快地喂给模型。所以真正落地时，要同时管知识库质量、检索质…

#美团#知识增强#RAG 核心问题

面试题·RAG

RAG 和微调怎么选？

匹配口述回答：…每次知识更新都要再花一遍钱。如果团队没有持续标注和训练的能力，微调很容易做成一次性项目，上线后知识就僵住了。最后是[[幻觉]]。RAG的答案有检索原文支撑，可以标注出处，用户能核对。微调过的知识，模型照样可能记岔或者编造，而且错误来源很难定位。所以对准确率要求高的场景，比如客服退款、企业合规文档，RAG更可控。当然，RAG也不是万无一失。比如检索质量如果不行，召回的都是无关文档，那模型再强也答不对。所以上线我会特别关注[[Rerank]]这一步，确保Top5文档确实能回答…

#入门#基础概念#RAG和微调的区别

面试题·RAG

RAG 完整流程分几步？

匹配口述回答：…容易切断语义；语义切分效果好但成本高。真正落地我倾向混合策略，比如先用段落标题做粗切，再对长段落做[[滑动窗口]]重叠。另外，如果检索质量上不去，别急着调模型，先检查分块和向量化。常见失败场景是，一个复杂问题只检索到部分相关块，答案自然偏。这时候可以加 [[Rerank]] 做二次排序，或者用[[混合检索]]把关键词和向量结合起来。所以我会把[[RAG]]看成一套系统工程，离线建库的质量决定了在线效果的上限。上线前我会特别关注分块粒度的对比实验，还有检索的召回率，确保每个环…

#入门#基础概念#RAG流程