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· 字节

RAG Retriever 工作机制详解

匹配正文：…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：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → …

#字节#Retriever#RAG Retriever

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：…过才原子切换。所以整体上，我不会追求单一方案最优，而是根据场景做取舍。比如客服场景，我会更看重延迟，把简单查询走缓存，复杂查询走RAG；而风控合同场景，我会更看重精度，哪怕多花点时间。最后，我始终认为RAG不是一个孤立的组件，它和 Prompt 设计、模型选择、甚至微调策略都要协同考虑。 RAG落地本质是检索和生成的权衡检索层的延迟与精度矛盾上下文管理中的信息丢失 Agent决策链的级联错误我的优化思路与取舍约4分钟知识库频繁更新时，增量索引的实时性和一致性平衡，…

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

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配口述回答：…成熟的方案。我自己试过用LangGraph定义状态机来协调，但复杂度上来了，维护成本也高。所以总结一下我的选型倾向。如果项目是纯RAG，比如知识库问答，我直接上LlamaIndex，检索做深一点，Agent用简单的ReAct就行。如果要做复杂工作流，比如多步推理、多工具调用，我会用LangChain做编排，但检索层还是会交给LlamaIndex或者自己封一个检索模块。我更倾向把检索和编排解耦，这样出了问题好排查，也方便换组件。最后再补一句，框架变化很快，别死记API，理解它…

#阿里云#Agent#Agent 框架对比

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·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…我不会把查询改写、混合召回、重排和上下文压缩一次性全上。更稳妥的做法是保留一个简单基线，用同一批 query 做单变量对照，给每个组件设明确的收益门槛和延迟预算。例如重排提升了高位排序，却让尾延迟超出服务目标，就需要减少候选、批处理或只对困难 query 启用。索引或模型升级后继续回放冻结集，若特定切片退化，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…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配追问：…的问题？……用外部知识库是吧，那具体怎么把外部知识和模型结合起来？……从用户提问到最终答案，中间经历了哪些步骤？直球架构请描述RAG的完整工作流程，包括离线和在线阶段，以及每个阶段的关键组件。比如文档怎么处理、检索怎么实现、生成时怎么拼接Prompt。

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配口述回答：…整社区粒度，或者用多粒度社区来覆盖不同层次的问题，这是个值得深挖的方向。所以整体上，我会把GraphRAG看作一个结构化知识增强组件，适合全局性、关系性的查询，但成本高，不适合高频更新场景。我更倾向于把它和传统RAG组合使用，各取所长。本质问的是从碎片检索到结构知识检索的跃迁传统RAG的边界：适合单点事实，不适合全局和关系 GraphRAG的核心流程：实体抽取、社区检测、摘要生成业务场景举例：金融风控中的隐性关联落地风险：构建成本高、图谱质量依赖抽取、适合静态库可…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配追问：…经常变动，用户问“这个还有货吗？多少钱？”你怎么保证RAG检索到的信息和最新知识图谱是一致的？具体会怎么设计更新流程？层层追问 RAG+知识图谱的Agent系统里，知识图谱数据源变了怎么同步？……那实时性怎么保证？……如果更新过程中又有查询请求，怎么保证用户看到的数据不出现前后矛盾？直球架构请把RAG与知识图谱结合的Agent系统中知识图谱动态更新的完整流程讲一下，重点说实时性、一致性和准确性分别怎么保障，每一步用什么技术组件。

#字节#Agent#知识图谱动态更新

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配口述回答：…[Faithfulness]] 校验。这块如果面试官感兴趣，我可以展开讲讲怎么设计prompt和校验机制。所以我的结论是：重排是RAG从“找得到”进化到“找得准”的关键组件，但不是银弹。我更倾向于把重排看作一个精度调节旋钮，根据业务对准确率和延迟的要求，灵活调整候选集大小、模型轻量程度和级联层数。比如对金融风控场景，我宁可多花50毫秒也要保证精度；对实时聊天机器人，可能就用一个轻量模型快速过一遍。本质是两阶段权衡精度与效率召回阶段双塔模型缺陷重排用计算换精度业务场景…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 原理与核心架构

匹配口述回答：…会设计一个兜底逻辑：当检索到的文档与问题相关性低于阈值时，直接返回“请转人工”，而不是让模型硬答。最后说下我的取舍。我更倾向把 RAG 看作一个增强组件，而不是万能的。它的上限由检索质量决定，所以我会把精力优先放在索引构建和检索优化上，比如用 [[Parent Document]] 策略平衡块大小和上下文完整性。另外，我最近在关注 [[Self-RAG]] 这种让模型自己判断是否需要检索、检索后是否足够可信的思路，它把决策权交给模型，但代价是推理更复杂，计算量更大。我觉得这…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配口述回答：…键信息。我一般会先对文档做关键片段提取，或者用[[滑动窗口]]把长文档切成多段分别打分，再取最高分。所以我的倾向是，把重排看成 RAG 系统的标配组件，但不是无脑上。在效果和延迟之间，我会优先用 ColBERT 做第一级重排，快速过滤掉明显不相关的，然后再用 Cross-Encoder 对 top 10 做最终精排。这样既保证了精度，又把延迟控制在可接受范围。另外，还有一个有意思的点是，重排模型本身也需要持续迭代。比如线上用户点击数据可以用来做 Distillation，…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排收益与成本

匹配口述回答：…真正落地时，我倾向于把关键词检索、向量检索和重排串成一个三阶段流水线，每阶段承担不同角色。所以整体来看，我不会把重排当成一个可选组件，而是RAG系统里从“能跑”到“跑得好”的关键一步。它的核心价值不是提高召回率，而是提高进入生成器的信息密度，让大模型少被噪声干扰，从而降低幻觉、提升答案准确率。点明本质：检索精度与效率的平衡第一阶段向量检索的粗粒度问题重排用交叉编码做深度交互业务落地场景与风险工程师取舍与可延伸点约4分钟重排不能替代混合检索，两者是互补关系，三阶…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…、最终上下文和引用，错误才能定位到知识、过滤、召回、排序或生成。索引和模型更新走灰度，异常时回退整套兼容版本，而不是只换回其中一个组件。 RAG本质是给大模型配一个可检索的外部知识库检索器设计：混合检索解决不同场景匹配问题知识库构建：分层和清洗确保数据质量生成集成：引用溯源和拒答机制控制幻觉落地权衡：延迟、效果与常见失败场景约90秒 Agentic RAG引入主动决策，模型自己判断何时检索，效果更好但延迟增加。面试官可能会追问Agentic RAG的具体实现方式，…

#美团#知识库构建#RAG 检索器设计

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：一、核心组件设计 1. 规划模块（Planning）任务分解：采用CoT/ToT将复杂目标拆解为可执行的子任务DAG 动态重规划：当工具返回异常或环境变化时，触发重新规划策略选择：简单任务用单步ReAct，复杂任务用多步Plan-and-Solve 2. 记忆系统（Memory）类型作用实现工作记忆当前对话上下文、中间结果上下文窗口直接承载短期记忆近期多轮会话摘要滑动窗口+LLM压缩长期记忆用户画像、领域知识向量数据库+结构化存储 3. 工具调用（…

#百度#Agent#Agent 系统设计

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…成文件分流、OCR、版面分析、表格结构恢复、规范化、切分和索引？考察重点：确认候选人理解端到端链路、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：扫描PDF怎么解析内容?、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么选择当前 OCR、版面模型和表格方案？规则、专用模型、视觉大模型和人工复核各在什么边界使用？考察重点：验证选型来自真实约束和对比，而不是技术名词…

#模拟面试#简历项目#连续追问

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…习 1. ownership · ownership 简历原句是“【自己的真实项目描述】”。BM25、向量召回、融合和重排中，哪些组件及参数由你负责？考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。本人负责的模块、决策和交付边界团队、平台与外部服务的边界需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：RAG 文档检索选型。 2. ownership · ownership-pr…

#模拟面试#简历项目#连续追问

求职指南·RAG

多轮对话、引用与权限隔离项目模拟面试

匹配正文：…始，身份、会话状态、查询改写、租户过滤、证据引用和答案如何流动？考察重点：确认候选人理解端到端链路、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：高并发下状态一致性怎么保证？、大模型输出怎么做真实性验证?。 4. tradeoff · tradeoff 状态放窗口、摘要、结构化槽位还是外部存储？权限过滤在召回前还是召回后？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…

#模拟面试#简历项目#连续追问

项目实战·Agent

第 1 章:为什么需要 Deep Research

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能讲清 Deep Research 和普通 RAG / Agentic RAG 的本质区别,判断一个问题该不该上 Deep Research,并用可运行代码搭出一个会「自己多步搜索、边想边查」的研究型 Agent 雏形 🔗 关联面试题:5 道(覆盖 5 个角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用几十行代码跑通一个会「边想边查」的研究型 Agent,并一步步给它加上工具、思维链、失败重试 ✓ 彻…

#Agent#Deep Research#项目实战

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…全) = 指代消解,本质是第 7 章 Query 重写的一种,只是信息来源是对话历史; 你这个"先补全、再检索"的流程 = 多轮 RAG 在线链路里,记忆模块坐在检索之前的位置。你手搓的是它最朴素的样子;Part 2 讲工程系统可以怎样选历史、控制上下文、管理长期记忆和用户画像。这一节你掌握了什么? ✅ 记忆模块是什么、为什么多轮对话离不开它 ✅ 短期 / 长期记忆的区别 ✅ 亲手实现了"带记忆 + 指代消解",看清了"没记忆就断片" 🎯 Part 2 · 面试深度｜…

#RAG#检索#项目实战

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…列代表什么。代码可能从函数中间断开，缩进和上下文一起丢失。流程图虽然识别出所有文字，却看不出箭头关系。这就引出一道很有区分度的 RAG 面试题：表格、代码和图片应该怎样切成 Chunk，既能被检索，又不破坏原来的结构？常见回答是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段…

#RAG#切分与索引#RAG 表格切分

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…已经被新版本替换？当前用户又是否有权查看？如果 Chunk 里只有正文和向量，这些问题都无法可靠回答。于是，面试官会继续问： RAG 的 Chunk 除了正文，还应该保存哪些 metadata？这些字段分别解决什么问题？常见回答是列出一串字段：doc_id、page、title、created_at、prev_id、next_id。字段名背得再多，也不等于设计合理。真正需要回答的是：哪个字段参与搜索前过滤，哪个字段补足语义，哪个字段帮助取回上下文，哪个字段让用户回到原…

#RAG#切分与索引#RAG Metadata

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…理。表达模糊、需要多段证据或候选高度相似时，才可能需要更宽的候选和精排。这是一种按问题风险分配计算的思路，不是给每次请求固定堆满组件。 Rerank 模型应该怎么选？本题只保留和“成本”直接相关的判断：在固定粗召回候选上比较排序质量、候选截断、批量吞吐和尾延迟。Embedding 与 Rerank 的完整候选筛选、榜单边界、部署约束和迁移流程，单独放在模型选型题中展开。 Embedding 与 Rerank 的选型矩阵 Embedding 先看召回覆盖和索引成本，Re…

#RAG#检索与重排#RAG Rerank

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配正文：答案要点明确Agent四大核心组件（规划、记忆、工具、行动）及其功能能区分短期记忆与长期记忆理解ReAct等推理-行动循环机制说明工具调用的实现方式（Function Calling）提及多Agent协作场景 AI Agent系统的核心架构可拆解为四大组件： 1. 规划模块（Planning）将复杂任务拆解为可执行的子步骤常用方案：CoT（思维链）、ReAct（推理+行动交替）、ToT（树状搜索）关键能力：自我反思、错误修正、动态调整计划 2. 记忆模块（Me…

#百度#Agent#Agent 规划记忆工具分工