匹配正文：答案要点清晰描述RAG三阶段流程（索引-检索-生成）说明检索器核心组件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …

#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

匹配题目：请详细描述检索增强生成(RAG)技术的基本工作流程，包括检索、增强和生成三个核心阶段的具体实现方式。

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

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#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配正文：RAG完整工作流程 1. 索引阶段（Offline）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、E5等模型生成稠密向量元数据存储：保留原始文本、时间戳、来源、类别等字段向量入库：写入Milvus/Pinecone/ES，建立HNSW索引 2. 检索阶段（Online） Query改写：扩展同义词、澄清指代向量检索：Top-K相似度召回重排序（Rerank）：Cross-Encoder精排，…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配标题与标签：RAG 技术实现怎么落地? 检索增强生成流程、典型应用场景与核心优势详解检索字节 RAG应用场景 RAG 技术实现 RAG RAG 应用场景 RAG 优势字节

#字节#RAG应用场景#RAG 技术实现

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…端链路、关键接口和状态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习…

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：适合做过 RAG 评测的人，重点练评测数据怎么来、指标怎么算、错误怎么定位，以及怎样持续改进。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 RAG 场景】评测体系，承担【样本、标注、指标或平台模块】。需要准备：个人职责；样本来源；评测工件。建立【真实评测集与指标】，定位【真实失败类型】并验证【真实改动】。需要准备：指标与基线；样本切片；失败分类；验证结果。逐层练习 1. ownership · …

#模拟面试#简历项目#连续追问

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…解决根本问题。搜索负责“把证据找出来”，大模型负责“把证据说清楚”。如果第一步找错了，第二步写得越流畅，反而越容易让人误信。做 RAG 时，不能只盯着最后那段回答，还要回头看它究竟拿到了哪些原文。五、资料里没有答案时怎么办？搜索系统通常会从资料库里挑出“最接近”的内容。但最接近，不等于真正相关。如果员工手册里根本没有“海外差旅补贴”的规定，系统仍然把一段国内报销流程交给大模型，模型就可能生成一段听起来合理却没有资料依据的答案。可以先给搜索结果设一道相关程度门槛。达到…

#RAG#解析与入库#视频 RAG

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…通用向量模型没见过"现金价值""退保费"这类保险黑话,在向量空间里把它们放错了位置。同一个问题问法五花八门:"报销制度是什么"是流程型问题(答案在规章制度里);"怎么提升业绩"是思考型问题(答案零散在培训材料里)。一套检索策略很难同时伺候好两类。工程提示:Garbage in, garbage out。 RAG 的质量不只由模型决定,还取决于解析、切分、检索、重排和评估。不同项目的工时占比没有统一答案,正文不使用无法核验的固定百分比。你以为在学 RAG,其实也在学:怎么把…

#RAG#检索#项目实战

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…先读过第 1 章,这章是把第 1 章那条"迷你流水线"展开成完整骨架如果第 1 章还没看,建议先回去:第 1 章 · 为什么做 RAG。先看一个教学用的"架构演进" 下面用一个虚构的保险资料问答场景拆解架构,不代表作者或学员的客户项目。假设知识库包含产品条款 PDF、培训 PPT 和录播视频字幕,最小版本常会遇到两类问题: 像「公司的报销制度是什么」这种流程型问题,答案明明白白躺在制度文档里,却因为只有几个关键词、纯向量检索抓不准; 像「怎么提升销售业绩」这种思考型问题,…

#RAG#检索#项目实战

面试题·RAG

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配正文：…需要复核。后面发现漏字时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RAG？一条完整的 PDF 解析流程，会包含图像、文字识别、版面、表格和文本合并等环节。放到扫描件上，可以按下面的顺序理解。第一步，渲染和预处理页面。系统把目标页转成适合识别的图像，并检查方向、倾斜、清晰度、对比度和噪声。旋转页如果方向不对，后面的文字识别很可能整页失败。低清页面可以受控提高渲染质量，但不能无限放大，因为处理时间和资源占用也会…

#RAG#解析与入库#扫描 PDF RAG

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：…所以这道面试题真正问的是： MinerU 已经完成 PDF 解析，为什么还需要后处理？哪些页面要二次处理，又怎么判断它们可以进入 RAG？解析成功，离 RAG 可用还差什么？ PDF 不是一条连续字符串。一页里可能同时有标题、正文、页眉、页脚、表格、图片、公式、脚注和印章。解析器需要先判断每个区域是什么，再识别其中的内容，最后按照某种顺序输出。只要文件被成功转换，只能说明这条程序链路走完了。它不能证明输出顺序符合人的阅读方式，也不能证明每个结构都被正确保留。 RAG 对…

#RAG#解析与入库#MinerU RAG

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：“你们的 Chunk Size 设多少？” 这是 RAG 面试里很常见的一句追问。很多人会马上报出一个数字，再补一句设置了多少 Overlap。听起来很具体，却没有回答最关键的问题：为什么这个数字适合你的文档和用户问题？以下用一个教学示例来说明。一段制度原文依次写了适用条件、办理步骤和例外情况。固定长度切分刚好把“但以下情况不适用”留在前一块，把后面的例外条目放进后一块。用户搜索某个例外条目时，系统可能召回后一块。关键词命中了，前提却不见了。模型拿到的是一句局部事实，…

#RAG#切分与索引#RAG Chunk

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…量:知识库向量离线算一次存好,在线只算问题向量。不做切分:整篇文档当一个片段,要么超长、要么粒度太粗,检索不准。关联面试题「RAG 的完整流程是什么?检索质量怎么优化?」「为什么需要混合检索?向量和 BM25 各自的短板是什么?」 👉 去题库搜 RAG / 混合检索 / 重排 / 切分。训练营延伸课程项目继续练习多格式入库、检索评测、权限与部署的工程闭环。可以先阅读公开项目教程，再根据自己的基础了解具体课程安排。参考资料 OpenAI embedding …

#Agent#AI 编程

面试题·RAG

RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？

匹配正文：…知识库，是复用向量还是保存独立记录，要根据权限与引用需求决定，不能只看哈希相同就跨范围合并。一条增量入库链路应该怎么走？可以把流程拆成七步。第一步，确认知识库范围与文档身份。第二步，解析文档并形成结构化内容。第三步，按确定的切分规则生成 Chunk。第四步，为每个 Chunk 计算稳定 ID，并批量查询哪些 ID 已经存在。第五步，只把新增或变化的 Chunk 送去计算 Embedding。第六步，批量写入文本、向量、来源、版本和状态等字段，并逐条检查结果。 …

#RAG#切分与索引#RAG 增量入库

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：面试官问：“RAG 为什么要同时使用 BM25 和向量检索？” 一个常见回答是：“BM25 找关键词，向量检索找语义，两路一起用，召回效果更好。”这个回答讲到了两种检索方式，但还没有回答三个问题：两路分别会漏掉什么、找回的内容怎样排到一起，以及如何证明多跑一路确实有价值。面试官通常会顺着这三个问题继续问：只用 BM25 或只用向量检索，各自会在哪类问题上漏掉正确原文？两路分数不是同一把尺子，结果怎样合并，为什么还要重新排序？你怎样用一批带正确原文的问题，证明混合检索确…

#RAG#检索与重排#RAG 混合检索

求职指南·求职

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：2026 年大厂大模型应用开发岗的典型流程是「简历筛选 → 2-3 轮技术面 → 1 轮总监/交叉面 → HR 面」。技术面的考察结构高度稳定:项目深挖占一半,领域八股(RAG/Agent/微调/推理)占三成,剩下是系统设计与编码。针对这个结构分环节准备,比盲刷一百道题有效得多——尤其要先把最占分的项目深挖补厚。作者:吴师兄 | 适合:准备投大模型应用开发岗、想搞清楚每轮考什么的人 | 前置:手上至少有一个能讲的项目,了解应用岗和算法岗的区别大模型岗一般几轮面试:整体流程…

#求职#职业转型

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…交通费用标准。这些内容都和问题有关，却没有真正回答问题。如果系统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总能返回结果，相关和足够怎样区分？阈值应该怎么定，换模型后还能不能…

#RAG#生成与对话#RAG 无答案检测

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…，你可能发现员工手册有几十页，相关章节只讲报销范围，没有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加…

#RAG#生成与对话#RAG 引用溯源

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：大模型八股不该盲背。每个方向面试官真正想验证的东西是固定的:RAG 验证你懂不懂检索链路的取舍,Agent 验证你能不能让多步流程稳定跑,评估验证你怎么证明"效果好"。你按"这个方向想验证什么 → 先看哪个教程/项目 → 代表题型 → 项目里怎么体现"这套结构去准备,比刷一百道零散题有效得多。这一篇是按方向的考点地图,帮你搭准备框架;逐题答案和口语讲法在题库里刷。作者:吴师兄 | 适合:准备大模型面试、想按方向系统过考点的人 | 前置:看过技术栈全景、选好了主线方向本篇和…

#求职#职业转型

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时，应该…

#RAG#生成与对话#多轮 RAG

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…没有证据最终回答看起来正确，但无法判断检索是否成功。修复方法是补充具体证据位置，并分别计算检索和生成结果。不能把模型常识当成 RAG 成功。第二种，模型生成的问题太像原文文档标题是“差旅报销流程”，问题直接写成“差旅报销流程是什么”。关键词检索很容易命中，却没有测试口语表达。应该加入真实问法和人工改写，并标记问题来源，单独比较原词题与口语题。第三种，调参和评估使用同一批题如果根据失败样本不断调整规则，最后仍用这些题报告结果，指标就会被开发过程污染。这只能证明系…

#RAG#评测与上线#RAG 评测集

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…可以很高，但答案对当前问题并不正确。模型也可能忠实地回答了相关内容，却没有解决用户真正问的事。比如用户问例外情况，回答只复述通用流程。每句话都有出处，回答相关性和完整性仍然不合格。因此，生成阶段至少要把三个维度分开：正确性：结论与参考答案或答案要点是否一致。相关性：内容是否直接回应用户问题。 Faithfulness：事实是否被本轮上下文支持。这三个维度互相补充，不能互相替代。常见 RAG 评估指标分别回答什么问题 Recall、Precision、MRR、nDC…

#RAG#评测与上线#RAG 评估指标