匹配口述回答：…索引的实时更新，知识库频繁增删时，HNSW索引的增量更新容易导致召回率下降，我一般用软删除加定时重建的策略。还有一个方向，就是单向量检索有时候不够，比如用户问题里有否定词或条件限定，向量空间里可能区分不开。这时候可以用[[ColBERT]]这种交互式模型做后期交互，或者用[[Self-RAG]]让模型自己判断召回的内容是否相关。所以整体上，我会把语义匹配看成嵌入模型定上限，向量数据库保下限。嵌入模型决定了能理解到什么程度，向量数据库决定了能不能快速找到。选型时我更看重嵌入…

#字节#文档处理#向量检索

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…entic分块：用LLM判断断点（如"此处是否完成一个完整论点"）结构化分块：针对Markdown、JSON、代码按语法树切分选型建议场景推荐策略快糙猛上线固定长度 + 重叠高精度问答语义边界 + 滑动窗口代码/表格结构化分块 + 元数据标注实际中常组合使用：先用语义边界粗分，再对过长块用滑动窗口细分。学习建议掌握常见chunk策略的原理与适用场景，结合实际RAG案例理解其对检索精度和生成效果的影响。

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：…类（固定长度、语义、递归等）及适用场景分块粒度与检索精度的权衡关系边界处理策略（句子/段落完整性）重叠策略的作用与设置实际选型需结合文档类型和业务需求核心分块策略 1. 固定长度分块（Fixed-size）按token数或字符数切分，具体长度作为候选变量优点：实现简单、Embedding均匀、便于批量处理缺点：可能切断语义，边界信息丢失 2. 递归分块（Recursive）优先按段落→句子→固定长度层级切分优点：尽量保持语义单元完整缺点：块大小不均，短块…

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

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：答案要点区分通用嵌入模型与专用嵌入模型的差异掌握主流模型的核心特点（如M3E、BGE、GTE、OpenAI等）理解模型选型需考虑的因素（语言支持、向量维度、上下文长度、推理成本）了解领域适配和微调策略能结合实际场景给出选型建议主流文本嵌入模型分类 1. 开源中文模型（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文…

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…息置首尾（利用位置偏置）上下文压缩：用更小模型提取关键句，缓解长上下文噪声 4. 系统层：反馈闭环用户点赞/点踩数据回流，微调Embedding模型（领域适配）检索失败检测：当置信度低于阈值，触发主动澄清或转人工技术边界与选型 RAG不是万能解，需与SFT、Agent协同：高频稳定知识 → SFT内化到模型参数动态/海量知识 → RAG外挂复杂任务执行 → Agent+RAG（检索作为工具之一）美团场景示例：外卖菜品知识用RAG实时更新，但下单对话策略用SFT…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…生成器忠实使用。错误召回、冲突文档或过期索引也可能让答案更差，因此需要分别评估证据召回、忠实度和答案正确性。与 SFT 的边界 RAG 更适合注入经常变化的事实与可引用资料。 SFT 更适合学习格式、风格、任务行为或基座已有能力的调用方式，但不能可靠存储频繁变化的精确事实。二者可以组合，选型取决于知识变化速度、权限、延迟、成本和质量评测。结论：RAG 的价值是把事实证据从模型参数中解耦出来并建立可更新、可审计的访问链路。图解 RAG 解决了哪些核心问题?图解

#美团#知识增强#RAG 核心问题

面试题·检索

什么是 Embedding 向量嵌入？

匹配正文：…欧氏距离等度量，原理相通：把“语义像不像”的模糊问题，变成“数字算一算”的精确问题。注意：两段文本必须用同一个模型编码，不同模型的向量空间互不兼容。在 RAG 里的角色阶段 Embedding 做什么离线建库把知识库里每个文本块转成向量，存入向量数据库在线检索把用户问题也转成向量，找出距离最近的 Top-K 个块没有 Embedding 就没有“按意思找资料”这件事，RAG 检索质量的上限很大程度取决于嵌入模型的好坏。入门之后，可以往嵌入模型的选型与评测（MT…

#入门#基础概念#Embedding是什么

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…用场景文档智能：发票、合同、研报（ColPali优势）电商搜索：商品图+详情页联合检索医疗影像：影像+报告跨模态查询 5. 选型建议场景推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文本RAG 学习建议掌握多模态嵌入与对齐技术，理解RAG中模态融合机制，对比单流与多流架构差异。

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配正文：…风格分析等深层理解系统复杂度低：链路简单，成熟工具多，调试成本低高：需多模态Embedding服务、大显存、跨模态对齐难题选型建议选伪多模态：文档问答（文字为主）、快速POC、成本敏感场景选真正多模态：电商商品图分析、医学影像、设计类问答、任何需要"看懂"而不仅是"读出"的场景实际落地中，常见折中方案：用轻量多模态模型打标构建文本索引，检索后召回原图送入强多模态LLM——兼顾检索效率与生成质量。学习建议建议掌握主流多模态RAG框架如LangChain、Lla…

#淘天#多模态#伪多模态RAG

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：RAG核心定义 RAG（Retrieval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…风险内容（用药剂量、量刑标准）强制人工确认众包+专家双审：初级审核员筛查，领域专家终审 4. 索引架构（三级）层级作用技术选型一级：向量索引语义召回领域微调Embedding + 混合检索二级：关键词索引精确匹配（药品名、法条号） Elasticsearch 三级：知识图谱关联推理（禁忌症、判例引用） Neo4j 合规性保障机制溯源强制：每个回答附带原文片段+文档版本+页码权限控制：敏感内容按角色脱敏（患者/医生/律师可见层级不同）审计闭环：用户查询…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：…复杂多跳任务可根据当前证据缺口生成新查询继续检索；简单请求则可跳过昂贵步骤。路由条件、最大轮数、停止规则和失败降级都应显式配置。选型时先建立查询分桶与黄金证据集，分别报告召回、排序、引用正确率、忠实度、端到端成功率和成本。不存在对所有项目都必选的单一组合。图解 RAG检索质量提升5法图解

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：答案要点离线知识库构建（文档解析、分块、向量化）检索阶段的双路召回策略（向量+关键词）重排序优化上下文拼接与提示模板设计生成阶段的引用溯源与幻觉控制 RAG完整工作流程一、离线知识库构建（预处理）文档解析：处理PDF/Word/网页等多格式，提取结构化文本知识分块（Chunking）：按语义/固定长度/递归分割，通常512-1024 token，块间保留重叠防止断句向量化：用Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：答案要点文档预处理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…心作用选型要点文档处理 PDF/Word解析、语义切片按语义边界切（如段落），非固定长度 Embedding模型文本→稠密向量领域适配（M3E/BGE/自研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：答案要点能清晰划分RAG的三大核心模块（索引、检索、生成）并说明各自职责理解Embedding模型的选型考量和向量数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配口述回答：…长窗口作为候选，用同一评测集验证边界信息、召回与成本。元数据一定要保留，比如文档来源、时间戳，后面过滤和溯源都用得上。然后是[[向量化]]。Embedding 模型选型要看领域，比如电商客服场景，用 BGE 或 M3E 就比通用英文模型好。[[向量数据库]]的话，我会关注索引算法，[[HNSW]] 在中等规模下表现稳定，但数据到千万级就得考虑 [[IVF]] 分区了。这里有个前提：向量检索只能做语义相似，没法做精确关键词匹配，所以单纯靠向量容易漏掉那些带特定订单号或错误码的…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配正文：…图）的核心思想和适用场景掌握1-2种代表性算法的细节（如HNSW、PQ、LSH）理解各方法的时空复杂度权衡能结合实际场景（如RAG中的百万/十亿级检索）给出选型建议了解工业界的优化手段（如乘积量化+图索引的混合方案）向量相似度检索的核心矛盾是精确性与效率的权衡。高维空间下精确最近邻复杂度O(n)，必须依赖近似最近邻（ANN）算法。四大范式如下：一、基于树结构：空间划分思想代表算法：KD-Tree、Ball Tree、Annoy（随机投影树）核心思想：递归划分空…

#百度#ANN索引#向量检索方法