匹配正文：…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：RAG 中表格图片怎么处理?、长文档 Chunking 怎么选?。 5. metrics · metrics 解析质量如何度量？字段、阅读顺序、表格单元格、切分与端到端问答分别用什么基线和评测集？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。 OCR、阅读顺序、表格单元格与端到端问答的判定口径同一文档切片和解析版本下的旧方案结果文…

#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：… 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-proof 请用一次参数变更、离线实验或线上回滚说明你的决策如何进入生产。考察重点：用可脱敏工件交叉验证职责，而不是继续听抽象表述。能对应到本人动作的变更、评审或设计记录本人负责的参数变更、离线实验、配置 diff 或线上回滚记录下一步：design。配套学习：项目…

#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：…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：多轮对话上下文状态管理机制、RAG多轮对话怎么防知识遗忘?。 5. metrics · metrics 多轮一致性、引用正确率、权限泄漏率和延迟如何定义？基线与对抗集是什么？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。多轮一致性、引用正确率和权限泄漏率的判定规则同一会话与权限对抗集上的旧方案结果多轮、错引、越权和权限变更样本的版本记录租户、用户和文档级…

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

#模拟面试#简历项目#连续追问

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…拆开？召回结果重复后，会占掉多少候选位和模型上下文？参数改变后，怎样证明收益来自切分，而不是其他模块同时变化？从工程链路看，RAG 可以拆为离线解析、在线召回、上下文生成和查询理解。切分位于离线阶段，但它会沿着整条链路向后影响：块太大，向量里同时包含多个主题，检索得分可能被噪声稀释；块太小，问题所需的前提、条件和结论可能落在不同块里；重叠太小，边界信息可能断开；重叠太大，多个近似块会挤进同一个 Top K。所以，这不是一个“字符串应该截多长”的问题，而是“证据怎样进入…

#RAG#切分与索引#Chunk Size

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配正文：…理。Z-score 相对关注分布，但候选少、分布偏斜或模型升级后统计特征改变时，校准也可能失稳。更稳妥的工程做法，是在固定版本的评测集上观察每路分数分布，保存校准方法和版本，并在索引或模型更新后重新检查，而不是每次查询临时归一化完就认为分数已经“公平”。前提二：权重必须有依据如果验证集显示精确查询更依赖 BM25，口语化和同义表达更依赖向量检索，可以按查询类型采用不同权重。工程上可以先做意图分类和动态权重，并通过验证集实验选择权重。但动态权重会新增一层风险：查询分类错…

#RAG#检索与重排#RRF

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：…一定更短。批次需要等待凑齐时，单请求延迟还可能增加。第三种办法是选择更小的模型或量化。这样可能降低资源与推理成本，但必须用同一评测集确认排序质量没有不可接受的退化。第四种办法是按 Query 路由。高置信精确命中可以跳过高成本精排，候选相似、含否定或需要严格排序的问题再启用。路由本身也要记录和评测，不能因为省计算而漏掉难题。第五种办法是控制输入长度。如果 Chunk 超过 Rerank 模型的最大输入，尾部可能被截断。此时盲目扩大候选或更换更大模型，不如先检查正确…

#RAG#检索与重排#RAG Rerank

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…提供给改写器”。两篇文章不应混成同一个问题。怎么评测记忆系统，而不是只演示一次“它记住了” 一段看似连贯的演示不能证明系统可靠。评测集要构造连续对话和跨会话任务，并为每一步标注“应该使用哪些记忆、哪些记忆必须忽略”。至少覆盖下面几组场景。近期指代用户刚刚确认一个对象，下一轮用“它、这个、那项”追问。检查短期窗口是否保留正确对象，同时避免把更早的同名对象带入。回到旧话题用户切换话题后又回到先前任务。检查系统能否找回相关历史，而不是永远只看最近几轮。此场景适合验证摘要或…

#RAG#生成与对话#RAG 记忆模块

面试题·评估· 商汤科技

评测数据集怎么选?

匹配口述回答：…能力选择实际运行的数据集写清评分协议与版本检查污染、近重复与切分补充业务集和局限 30秒速答 + 90秒主答 + 完整展开评测集名称只有和真实运行协议、污染检查及目标错误成本绑定时才有意义。可继续追问 pass@k 如何估计，或如何把 RAG 评测拆成检索、利用和忠实度。

#评测数据集#benchmark选择#评测指标

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配口述回答：[[Chunking]] 对 [[RAG]] 的影响非常大，因为它决定了知识库里最小的检索单元。切得好，检索能找到刚好回答问题的证据；切得不好，要么找不到，要么找回来一堆噪声，最后生成模型也会被带偏。它的核心权衡是信息粒度和上下文完整性。块太小，语义容易断，比如一句“该方法效果更好”被单独切出来，模型不知道“该方法”指什么；块太大，里面噪声多，[[embedding]] 会被多个主题稀释，检索精度下降，塞给大模型也浪费窗口。常见方法里，固定长度分块最简单，按 token …

#百度#文档处理#Chunking 策略

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…量化流程核心步骤 Chunk策略：先按语义段落和结构边界切分，再把多组固定长度与重叠窗口作为候选；由模型输入限制、文档结构和同一评测集上的证据完整率、召回与成本决定嵌入模型编码：将文本映射为稠密向量（通常768或1024维）索引构建：选择ANN算法（HNSW、IVF-PQ等）建立可高效检索的数据结构二、常用嵌入模型对比模型特点适用场景 OpenAI text-embedding-3 语义质量高，API易用，按token计费快速验证、中小规模、预算充足 BGE/…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…度、递归切分与语义分块作为候选，按段落或句子保留边界块大小权衡：太小丢失上下文，太大引入噪声将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：BGE、GTE、E5系列垂直领域建议微调，使用领域语料对比学习多语言场景需确认模型跨语言对齐能力 3. 向量数据库核心配置参数作用典型设置索引类型 HNSW（高召回）vs IVF（快建索引） HNSW，ef_construction=200 距离度量余弦相似度…

#字节#文档处理#向量检索

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：这道题其实问的是，在[[RAG]]系统里怎么切文本才能既保证语义连贯又不让检索跑偏。说白了，[[分块]]就是在上下文完整性和检索精确性之间找平衡。块太大，噪声多，[[embedding]]被稀释，精度掉得厉害；块太小，语义割裂，LLM拿到的上下文不够，答非所问。那具体怎么做呢？先说说几种常见策略的适用边界。固定长度分块，按token或字符数硬切，实现简单，适合快速上线，但对自然语言不友好，容易在句子中间断开。语义分块用embedding相似度判断边界，能保持语义完整，适合高…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

医学论文与法律条文切块

匹配正文：…/讨论）切分表格单独处理：表头+关键行作为独立chunk 重叠窗口（Overlap）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丢失实践经验 chunk大小：根据文档结构、Embedding输入限制与同一评测集上的召回、证据完整率和成本选择，不照搬固定范围效果验证：用真实query召回测试，看top-k能否覆盖答案来源学习建议建议系统学习该知识点

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…"id_xxx", "id_yyy"] // 引用关系 } 3. 重叠策略（Overlap）比较零重叠、短窗口和较长窗口，用同一评测集验证是否缓解边界信息丢失对法律引用链（如"参见第X条"），需在metadata中显式链接 4. 多粒度索引粗粒度：章节级（用于过滤）细粒度：段落/条款级（用于精确匹配）一句话总结专业RAG的切块不是预处理步骤，而是知识建模——把文档的结构权威转化为检索系统的可解释性。学习建议建议系统学习该知识点

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成合适的小块，既让检索能精准命中，又不把语义切碎。说白了，就是信息密度和语义完整性之间的取舍。先说几种常见的[[分块]]策略，以及它们各自该在什么场景用。固定长度分块，就是按token数硬切，比如512个token一段。好处是简单，向量索引对齐也方便，但问题很明显，可能一句话被拦腰切断，检索时上下文就丢了。[[滑动窗口]]分块会让相邻块保留一部分重叠，可能减少边界信息丢失，但代价是存储、计算与去重成本上升。窗口大小仍应作…

#百度#文本分块#chunking 策略

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…nt-specific）：利用标题、段落等天然边界，适合结构化文档重叠窗口（Overlap）策略缓解边界信息丢失问题文本分块是RAG系统的关键预处理环节，直接影响检索质量和生成效果。常用策略可分为以下几类： 1. 固定长度分块（Fixed-size Chunking）按固定token数或字符数切分，具体长度作为候选变量优点：实现极简，便于批量处理，向量化效率高缺点：硬截断可能切断句子语义，边界信息易丢失适用：快速原型、对语义连贯性要求不高的场景 2. 递归分块（R…

#百度#文本分块策略#RAG chunking

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配正文：…内负样本也要防止不同 query 共享答案导致误标。 3. 数据切分与去泄漏按 query、文档来源、时间或用户场景切分训练集和评测集，避免同一问题改写、近重复文档或同一事件跨集合泄漏。线上日志应保留采样策略、召回器版本和曝光位置，便于重放。 4. 训练与闭环比较点式、对式或列表式损失，并在固定召回候选上评估 MRR、NDCG、Recall@K、校准、延迟及最终答案质量。上线后回流高分误召回、低分漏召回和用户纠错，定期重新挖掘难负样本。结论：高价值数据来自真实候选分布和…

#美团#重排与优化#Reranker 训练数据

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…增量更新：Neo4j/TuGraph支持时间戳版本；关键路径预计算结果做缓存，非关键变更异步更新 5. 缺乏标准化评测难点：传统RAG的评测指标不适用，图路径的可解释性难以量化解法：自建人工评测集，关注：事实准确性、推理路径可解释性、答案完备性；线上AB测试核心看用户转化率而非离线指标一句话总结：GraphRAG的瓶颈不在技术炫技，而在工程化成本控制和业务价值闭环验证。

#淘天#知识图谱#评估与监控

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…个人业绩。回答框架任务：真实输入输出、风险、失败类型和评价指标。技巧：说明实际采用角色/边界、上下文分隔、Few-shot、检索增强、工具 schema、结构化输出或结果校验中的哪些。机制：解释每项技巧针对哪个可观察错误，而不是罗列名词。实验：固定模型、数据与解码参数，对 Prompt 版本做消融和切片。生产：版本管理、监控、提示注入防护、回滚和成本约束。事实填空在【真实任务】中，基线 Prompt 为【】，常见错误为【】。我负责【】，采用【真实技巧】解决【对…

#华为#Prompt工程#Prompt Engineering 技巧

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·Agent

Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？

匹配正文：…个来源口径相反，Agent 没有解释，直接选了更符合自己结论的那一个。这说明“报告带引用”和“结论可以核验”不是一回事。普通 RAG 的引用通常围绕一次回答和几段检索证据展开。Deep Research 的报告更长，结论更多，来源横跨多个网站和时间点，还会经历多轮搜索、摘要和综合。引用链一旦在中间断掉，最终报告仍然可以写得很顺，却很难知道哪一句是事实、哪一句是推断。所以这道题真正考的是： Deep Research 怎样让每个关键结论都回到原始证据？多个来源相互矛盾时，…

#Deep Research#问题边界与研究闭环#Deep Research 引用溯源

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…收串题｜ ~10% 关联面试题(5 道,覆盖 5 个角度) 【评估体系设计】设计一套完整的评估体系来衡量一个 Agent / RAG 系统的性能。较难 → 【评测集选择】你在项目里用过哪些评测数据集?为什么选它们、它们如何反映模型能力? 中等 → 【评估关键指标】 RAG 系统的评估体系里,最重要的评估指标 / 维度有哪些? 中等 → 【幻觉评估与缓解】怎么有效评估并缓解大模型生成内容里的幻觉? 较难 → 【子任务贡献评估】复杂目标的 Agent 里,怎么评估一个…

#Agent#Deep Research#项目实战

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…务化、数据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的区别为什么说后端是转型最顺的一批人因为大模…

#求职#职业转型