匹配追问：…服助手，用户问“这个订单什么时候发货”，结果检索出来的上下文全是退款政策，完全对不上。你遇到这种情况会怎么排查和修复？层层追问 RAG应用中检索上下文质量不行，你一般怎么处理？……比如是召回不够还是噪声太多？……那如果要兼顾效果和延迟，你会优先上哪些方案？直球架构当检索上下文不准确或质量差时，请给出你的应对策略和技术方案，包括问题诊断环节和至少三种具体方案，并说明各自的适用场景和trade-off。

#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：…比例、滑动步长）粒度与效果的权衡（召回率vs精确度、上下文完整性）实际工程中的混合策略和动态调整方法核心分段策略对比策略适用场景优缺点固定长度通用场景、快速上线简单可控，但可能切断语义语义分段高质量要求、长文档保留完整性，但计算成本高结构感知结构化文档（Markdown/HTML）利用标题/段落边界，效果稳定重叠处理技术滑动窗口：比较零重叠、短窗口与较长窗口，用同一评测集权衡上下文连续性与冗余边界保护：优先在标点、换行处切割，避免截断句子 …

#小鹏#文本分块优化#RAG 文本分段

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配正文：答案要点余弦相似度的数学原理及为何适用于高维向量 HNSW和IVF的核心机制与适用场景建索引时参数调优的关键维度（ef_construction/M/nlist/nprobe）精度与效率的权衡策略（分层检索、量化压缩、动态阈值）一、相似度计算方法余弦相似度是RAG中最常用的度量：公式：cos(θ) = (A·B) / (||A|| × ||B||) 核心优势：对向量长度不敏感，只关注方向一致性，适合语义相似性判断工程实践：向量通常已归一化，此时点积等价于余弦相似…

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#HNSW与IVF#RAG 向量匹配

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配追问：…量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配口述回答：…本，没有一套万能指标能覆盖所有场景。我会把评估分成两个层面来讲：检索层和生成层，因为它们的关注点完全不一样。先说检索层。在 [[RAG]] 系统里，检索是第一步，核心指标是 Recall@K 和 MRR。Recall@K 看的是前 K 个结果里有没有正确答案，MRR 则更看重正确答案排得靠不靠前。举个例子，一个客服退款系统，用户问“我订单超时了，怎么退款”，如果检索没召回退款流程文档，后面生成再强也没用。所以检索层我通常会同时用关键词和向量两种方式，也就是 [[Hybrid…

#安克科技#评估与监控#Agent

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配口述回答：…里，还是挂在外面随时查。本质上，纯参数化的大模型有三个硬伤：知识有截止日期，容易自信地胡说八道，而且更新一次成本太高。所以引入[[RAG]]，就是把知识外挂到可动态更新的检索库，让模型在生成时实时查资料，说白了就是给模型配了个实时更新的外脑。但落地的时候，边界很重要。RAG和[[SFT]]不是谁替代谁，而是各有各的适用场景。SFT负责训练语言能力和基础推理，比如让模型学会怎么组织句子、怎么多步推理，这些是RAG给不了的。而RAG负责动态知识注入，比如新闻、股价、政策这类实时…

#美团#RAG vs SFT#RAG

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配题目：在RAG系统中，选择文本向量编码模型时需要考虑哪些技术指标和性能因素？

#百度#评估与监控#向量检索

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…，比如风控合同审查。所以整体上，我更倾向先做检索质量优化，再考虑生成增强，因为检索是入口，入口不干净后面都是白搭。一句话定位：RAG痛点本质是检索和生成之间的匹配缺口检索噪声：表现、根源、混合检索加重排的改进，落地风险上下文稀释：表现、根源、动态压缩和排序策略，边界划分语义鸿沟：HyDE和知识图谱的思路，适用场景判断收尾与可延伸点：GraphRAG的取舍，追问点约4分钟 GraphRAG在复杂多跳问答场景有优势，但成本和延迟高，需要权衡。面试官可能会追问Gra…

#淘天#知识图谱#RAG 痛点

面试题·Prompt· 字节

RAG 生成阶段 Prompt 怎么构建?

匹配口述回答：…融合式进阶策略：动态Few-shot、上下文重排序落地风险：前提、失败场景、取舍约4分钟让模型自己决定是否调用的Self-RAG思路会引向面试官追问Self-RAG的具体实现、与传统RAG的对比、以及适用场景的边界

#字节#Prompt工程#RAG Prompt 构建

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…raphRAG在处理多跳关系密集型问答时比纯向量检索更强，但构建和维护成本高。面试官可能会追问GraphRAG的具体实现、与传统RAG的对比、适用场景边界以及成本效益分析。

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：…解决语义精排和多路融合问题 Cross-Encoder和ColBERT的选择业务落地：客服退款场景风险与工程考量结尾：重排是RAG精度的最后一道关卡约4分钟用大模型直接做重排的成本和适用场景面试官可能追问大模型重排的具体实现、延迟优化、是否值得用

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：…兜底，评估时关注Recall@K和MRR。我更倾向于混合检索加领域微调这个组合，因为它在大多数业务场景里性价比最高。一句话定位：RAG召回评估与提升的本质是匹配问题评估指标：Recall@K和MRR的适用边界检索模型：混合检索的落地取舍重排序：Cross-Encoder的精度与成本数据质量：切分与清洗的坑收尾与可延伸点：GraphRAG的适用场景约4分钟 GraphRAG适合强关联结构的知识库，但工程复杂度高面试官可能会追问GraphRAG与传统RAG的对比，…

#360#召回质量评估#RAG 召回优化

面试题·文档处理· 百度

常用分块方法有哪些?

匹配题目：在RAG或文档处理项目中，文本分块（chunking）有哪些常用策略？请比较不同分块方法的优缺点和适用场景。

#百度#文本分块策略#RAG chunking

面试题·评估· 百度

MRR vs NDCG vs Precision 怎么选?

匹配正文：…因此范围[0,1]。报告是否在K处截断。关键特性：只关心第一个正确答案的位置，后面即使有100个相关文档也不加分。三指标对比与适用场景指标核心关注点适用场景 MRR 首个正确答案的排名单答案场景：QA系统、客服机器人、事实性查询 NDCG 多结果的相关性累积+位置加权多答案场景：需要LLM综合多文档生成的复杂查询 Precision@K 前K个结果中相关的比例查准场景：衡量返回结果噪声，不保证黄金相关集覆盖 RAG系统中的选择逻辑 MRR：适合"找唯一正确答案…

#百度#MRR 计算方法#NDCG 与 Precision 区别

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：答案要点 GraphRAG的核心流程：索引阶段构建知识图谱+社区发现，查询阶段利用图结构进行全局推理与传统RAG的关键差异在于从"文本块检索"升级为"关系推理" 能回答需要跨文档聚合的抽象问题（如"主题是什么"）适用场景：大规模文档集、需要全局理解的复杂查询实现难点：图谱构建质量、社区划分粒度、查询路由策略 GraphRAG 核心原理索引阶段（离线）实体关系抽取：用LLM从文档中提取实体、关系、属性，构建知识图谱社区发现：用图算法（如Leiden算法）将图谱划分为…

#字节#知识图谱#GraphRAG 原理

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配标题与标签：LangChain vs LlamaIndex 场景怎么选？核心设计理念与适用场景对比,技术侧重点分析 RAG 阿里云 AI框架选型 LangChain vs LlamaIndex RAG框架对比阿里

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 华为

逻辑引导怎么用？

匹配标题与标签：逻辑引导怎么用？大模型推理中逻辑引导的适用场景、实现方式与优势 RAG 华为逻辑推理引导逻辑引导大模型推理 logical reasoning guidance 华为

#华为#逻辑推理引导#逻辑引导

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配标题与标签：BM25 vs 向量检索 vs 混合检索怎么选? RAG系统中三种检索方法原理对比,适用场景分析检索小红书检索方法对比 BM25 向量检索混合检索 RAG 检索方法对比混合检索适用场景小红书

#小红书#检索方法对比#BM25 向量检索混合检索

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…。关联面试题(5 道,覆盖 5 个角度) 从预处理一路到评估,刻意避免全是"切分策略"换皮。【预处理/清洗】面向专业领域的 RAG,如何对原始文档做清洗和预处理以提升检索与生成质量? 较难 → 【策略对性能的影响】文本分块策略如何影响 RAG 系统的性能?常见分块方法及适用场景? 较难 → 【粒度与重叠】你是如何设计分块策略的?说明粒度选择、重叠处理以及向量库写入。中等 → 【上下文 vs 精度权衡】分块策略如何设计才能平衡上下文完整性与检索精度? 较难 → 【…

#RAG#检索#项目实战

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…率"衡量切分好坏;这里的召回是动词:指从知识库里把可能相关的 chunk 捞出来这个动作。负责这件事的就是"检索召回模块",它是 RAG 的"搜索引擎"。概念 2:稀疏检索 vs 稠密检索稠密检索(Dense) = 第 4 章的向量检索:把文字变成稠密向量,靠"意思相近"找。懂语义。稀疏检索(Sparse) = 关键词检索(BM25):靠"词命中"找,代表向量大部分位置是 0(稀疏)。精确。 "稀疏/稠密"说的就是向量里 0 多不多,不用纠结这个词,记住"关键词 vs …

#RAG#检索#项目实战

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：…重写"和"扩写"怎么把检索不到的问题救回来 ✓ 看懂意图识别的三条路线(规则 / BERT 分类 / LLM Prompt)及各自适用场景 ✓ 分清 Query 重写(求"准")和 Query 扩写(求"全")的区别 ✓ 理解 HYDE 这个反直觉的技巧:为什么"先让模型瞎答一个"反而能提升召回 ✓ 学会多轮对话里的指代消解:把"它/这个"补全成能独立检索的问题 ✓ 会写 LLM 意图识别的 prompt 模板,并知道 300-500 个意图怎么处理本章按三段式组织,不同基…

#RAG#检索#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·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…区分短期记忆（上下文窗口）与长期记忆（外部存储）的技术路径至少提及2-3种具体架构方案（如Memory Bank、MemGPT、RAG-based Memory）说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制）体现对Agent任务持续性的理解（多轮状态保持、目标追踪）有实际落地考量（延迟、存储成本、一致性）核心思路大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开：一、架构层：原生上下文扩展长上下文模型 …

#得物#Agent#大模型记忆机制