匹配口述回答：这道题其实是在问，当[[RAG]]的检索环节掉链子时，怎么系统性地定位和修复。我一般先定位失效环节，是召回不够、精度太差，还是排序没排好。比如召回问题，相关文档根本没进候选池，那可能是向量表示不够好或检索范围太小；精度问题就是噪声文档混进来了，需要过滤或[[重排]]；排序问题则是相关文档得分低，得改进重排模型或特征。具体到方案，我重点讲几个点。先说查询侧优化。用户query经常口语化、缺主语，我会用LLM做意图澄清，扩展同义词、补全主体。还有一个好用的技巧是HyDE，先用模…

#字节#检索故障诊断#检索质量优化

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配正文：…生成动态调整：根据query长度和文档类型自适应chunk size 效果验证：用Hit@K和答案完整性做离线评估，结合用户反馈迭代实际落地中，我倾向于结构感知+适度重叠的组合，在Markdown文档上按标题层级分段，把 chunk size 与重叠窗口作为候选变量，用同一评测集比较效果与成本后再定。

#小鹏#文本分块优化#RAG 文本分段

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：…W]]索引参数调不好，召回率再高，延迟超标也上不了线。这块其实可以深挖一下。所以整体上，我会把向量化流程看成一个根据业务场景不断迭代的工程系统，而不是一套固定的脚本。预处理、模型选择、归一化、版本管理，每一步都要和业务数据对齐，上线后持续观测，才不至于变成'离线跑分高、线上效果差'的尴尬局面。一句话定位：RAG落地的核心工程问题文本预处理：分块与元数据保留嵌入模型选择：业务场景决定模型向量生成与归一化：批量与缓存优化风险与取舍：版本管理、维度对齐约4分钟检索延…

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

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…NSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Agentic RAG]]，让模型自主决定检索步骤，或者用[[ReAct]]框架把推理和检索交替进行。所以整体上，我会把RAG看成一种低成本、可迭代的知识注入方式，适合知识频繁更新或需要…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配口述回答：这道题其实问的是[[RAG]]系统上线前怎么验证它好不好用，本质上是两段式质量验证，检索和生成得分开看，因为问题出在哪一段完全不一样。我先说检索质量。检索评估核心就两件事：找全和排好。找全看Recall@K，分母是黄金相关文档总数；前K中的相关占比是Precision@K。比如客服退款场景，用户说“订单还没退”，系统得把退款政策和订单状态相关文档都捞出来，漏一个就可能答错。排好看MRR和NDCG，MRR关注第一个正确答案是不是排前面，NDCG则更精细，允许相关度分级。比如企…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配口述回答：…确率；二是做bad case分析，看看是不是切分粒度或者[[embedding]]模型选得不对。另外，我最近在关注[[Self-RAG]]，就是让模型自己判断什么时候需要检索，什么时候直接用内部知识。这个方向能进一步减少不必要的检索，提升效率，也降低延迟。所以总的来说，我会把RAG看成是大模型落地的标配能力，但它不是银弹。更倾向的做法是：先用RAG解决知识更新的问题，再用微调优化行为，同时做好检索质量的监控和迭代。 RAG本质是给模型外挂知识库，解决静态知识问题业务场景…

#美团#混合检索#RAG 技术

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…内部的合规文档检索，员工问某个条款怎么解读，模型必须严格基于文档回答，不能自由发挥。如果只盯着流畅度或相关性，忽略了事实一致性，那RAG就失去了意义。自动化指标比如[[RAGAS]]，用LLM打分来评估忠实度和相关性，适合大规模快速迭代。但这里有个坑：LLM打分本身不稳定，对边界案例容易误判。所以人工抽检不能省，尤其是那些模型表现模棱两可的case，得靠人去仲裁。落到业务上，我还会特别关注延迟和成本。检索加生成的总耗时，直接决定用户会不会等得不耐烦走人。成本方面，向量…

#淘天#评估与监控#RAG 核心指标优先级

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·RAG

RAG 和微调怎么选？

匹配口述回答：…，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文档确实能回答问题。所以整体上我更倾向：九成以上的业务知识需求，先用RAG快速验证效果，不够再考虑微调。如果必须微调，也会优先用[[LoRA]]这类低成本方法，降低迭代开销。面试官…

#入门#基础概念#RAG和微调的区别

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…AG]] 用[[知识图谱]]处理多跳推理，[[Self-RAG]] 让模型自己判断要不要检索，这些在复杂场景下效果更好。但我觉得，RAG 落地的上限其实在检索质量，而不是生成能力。所以我会把更多精力放在检索链路优化上，比如[[混合检索]]，把向量和 [[BM25]] 关键词结合起来，应对不同 query 类型。总的来说，RAG 不是万能药，前提是你的知识库质量要够高，文档结构清晰，否则检索不准，后面生成再好也没用。我更倾向先做检索评测，再逐步优化生成，这样迭代路径更清晰。 …

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配口述回答：…方案在文档理解场景特别强，比如发票、合同、研报，因为它保留了原图的版面信息，不会因为OCR丢字或者排版错乱。再看 Qwen-VL-RAG，它走的是统一多模态 [[Embedding]] 路线，图文联合表征，而且在中文场景有优化，电商搜索里商品图加详情页联合检索效果不错。还要看 LlamaIndex 的多模态模块，工程上最成熟，支持多向量空间加 [[Rerank]]，灵活度高，适合需要快速迭代的项目。架构上差别主要在两层。Embedding层，有的方案冻结视觉编码器比如 [[…

#淘天#多模态#多模态 RAG 架构设计

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…回来。所以我上线前一定会做 [[RAGAS]] 评估，分开看检索的上下文精度和生成的回答[[忠实度]]。最后说我的判断。我不会把RAG看作一个单独的组件，而是看作一个系统工程。我更倾向于把精力花在优化检索质量上，而不是一味追求更大的模型。因为对很多业务来说，一个中小模型加上高质量检索，效果往往比大模型硬背知识要好，而且成本低、迭代快。一句话定位：RAG本质是给大模型开卷考试边界划分：RAG vs 微调，以及混合检索的必要性业务场景：客服退换货政策查询落地风险：文档质…

#字节#RAG工作原理#RAG 工作原理

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检索方法如何优化？

匹配口述回答：…分析看是召回不足还是重排不准，决定要不要切更细或者加父子文档结构。所以总的来说，我会把混合检索当成基线方案先跑通，再根据业务反馈迭代。我更倾向在工程上先保证检索的召回率，再通过重排和过滤提升精度，而不是一开始就追求完美。一句话定位：RAG检索的本质是平衡语义与精准三种方法对比：稠密、稀疏、混合，边界划分业务案例：企业合规文档检索，技术选型优化策略：索引、重排、缓存风险与判断：混合检索是基线，迭代靠Badcase 约4分钟检索效果不佳时，问题常出在文档分块粒度，而…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：…ll@K、MRR、NDCG；生成侧看答案正确率、[[忠实度]]、引用准确率；线上还要看延迟、成本、拒答率和用户反馈。没有这层闭环，RAG 很容易变成“感觉效果还行”，但不知道问题出在哪。所以一个完整 RAG 系统的实现重点，不是把文档塞进向量库就完了，而是文档质量、召回覆盖、排序精度、生成约束和评估闭环一起工作。只有这样，系统才可迭代、可排查、可上线。 RAG本质是给大模型配外挂知识库文档处理：清洗、分块、元数据检索器：多路召回加重排生成器：上下文压缩与引用架构演进…

#美团#RAG工程实现#RAG 系统实现

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…2. ownership · ownership-proof 请用一个可脱敏的解析配置、错误样本或评审记录证明这部分确实由你设计和迭代。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、评审或设计记录原始坏页、解析配置、对应输出和本人提交的变更记录下一步：design。配套学习：项目难题怎么定位与解决?。 3. design · design 一份扫描 PDF 进入后，如何完成文件分流、OCR、版面分析、表格结构恢复、规范化、切分和索…

#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：…n-proof；rollback_missing → production-proof。下一步：extension。配套学习：RAG 三大瓶颈与迭代策略。 10. production · production-proof 请给出一次真实压测或线上变更，说明候选深度、批量、阶段时延、成本与回退开关；没有记录就明确只是容量估算。考察重点：核验生产事实与设计知识的边界；没有线上材料时，只按设计能力记录，不视为上线经历。两路召回、融合和重排各阶段的 P95 时延记录重排候…

#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：…Research 全流程。把贵的算力只花在真正需要的问题上,这套「先分诊、再调度」的思路,在 RAG 项目的文档解析里也用过(见 RAG 系列第 3 章「分类器前置 + 动态调度」),是通用的工程审美。 2.3 Deep Research 的能力边界:能做什么、不能做什么面试官常追问「它的局限是什么」,这是在看你有没有真用过、有没有踩过坑。诚实地划清边界: Deep Research 能力边界:能做 vs 不能/不应该做能做(它的主场): 信息检索与综合:多轮迭代搜索、多…

#Agent#Deep Research#项目实战

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能在本机用 30 行代码切完一份 PDF,并讲清切分如何决定一个 RAG 系统的天花板 🔗 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 ✓ 零基础也能跟着做:用 langchain 跑通你的第一份文档切分 ✓ 看懂 3 个核心概念:什么是切分、什么是召回率、什么是 top-k ✓ 亲手重现一个切分失败演练,理解"切分为什么是地基" ✓ 看懂基础方案可能遇到哪些坑,并学会用自己的评估集比…

#RAG#检索#项目实战

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·项目与经历· 商汤科技

项目局限性与改进方向

匹配正文：…尝试【方案】，结果【】，副作用【】；下一步以【最小实验】验证。若无法在预算内解决，采用【回退、拒答、人工或权限限制】控制风险。 RAG 项目要拆分 retrieval recall/precision、证据进入上下文、context utilization、faithfulness、最终任务成功和延迟成本。召回提高可能带来更多噪声，但并不存在“召回和幻觉天然此消彼长”的定律。top-k、重排、上下文组织、模型能力和任务分布共同决定结果，必须用同一评测集做曲线。不得补写候选…

#项目复盘#技术债务#系统优化

面试题·Agent· 高德

旅行Agent怎么拆解任务?

匹配正文：…r维护共享状态树（用户画像、当前行程草案、待确认事项）层内并行（如同时检索多个景点信息）、层间串行（理解→规划→验证）支持回环迭代：验证失败时触发重新规划，需求模糊时回调澄清二、RAG增强设计知识库分层：静态库：景点基础信息、历史文化、经典路线模板（定期全量更新）动态库：实时票价、天气、交通状况、近期用户评价（小时级增量索引） RAG与Agent的融合点：融合位置具体做法需求解析阶段检索相似用户画像的历史行程，辅助理解偏好规划决策阶段每步选址时RAG检…

#高德#Agent#旅行Agent

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

专业领域文档怎么清洗?

匹配口述回答：这道题问的是文档清洗预处理，其实本质是在问：你如何在信息密度和检索效率之间做取舍，同时避免污染生成质量。很多人在做领域 [[RAG]] 时只关注模型或检索策略，但数据源头要是脏的，后面怎么调都没用。先说通用清洗层，这层是必须做的，但别做过头。格式标准化、去乱码、过滤页眉页脚这些是基本功。但有个坑：过度清洗可能会丢掉有价值的信息。比如技术手册里的页脚可能是版本号，你一刀切掉，后面检索时版本匹配就出问题。所以我会把这层当成「安全网」，只做保守操作，把判断权留给后面。真正拉开差…

#字节#RAG 文档清洗#文档预处理