匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…度、答案相关性）消融实验与人工分析的结合典型错误模式的识别（检索不准、生成幻觉、协同失效）核心诊断思路：分层定位，逐层验证 RAG故障排查的关键是隔离变量，把端到端问题拆解到具体模块。第一层：判断检索模块是否合格关键指标 Recall@K：正确答案是否在Top-K检索结果中（K通常取5或10） MRR/NDCG：排序质量，相关文档是否排在前面诊断方法人工抽检：随机采样bad case，人工判断"给定这个问题，理想文档应该是什么"，对比实际检索结果查询改写分析：…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：答案要点清晰描述RAG的两阶段架构（检索+生成）说明向量检索的核心机制（embedding、相似度计算）解释RAG缓解幻觉的原理列举至少2个优势（知识时效性、可溯源性等）提及至少2个局限（检索质量依赖、上下文长度限制等） RAG基本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（…

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#评估与监控#RAG 架构

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…四种策略 1. 人工专家设计领域专家基于文档直接编写优势：质量高、覆盖边缘场景劣势：成本高、主观性强 2. LLM辅助生成 Prompt模板要点： - 指定角色（"你是领域专家"） - 约束条件（基于给定文档、禁止脑补） - 多样性控制（事实型/推理型/比较型/总结型） 3. 真实用户日志挖掘从生产环境脱敏后的query中采样需配合人工清洗过滤噪声 4. 混合策略（推荐） 70% LLM生成 + 20% 真实日志 + 10% 人工设计对抗样本答案标注流程 Step…

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 科大讯飞

Prompt 怎么设计和优化?

匹配正文：…真实数据】。最终指标【】从【真实基线】到【真实结果】，同时【延迟/token/成本】变化【】，观察窗口【】。证据自检能否提供 Prompt 版本 diff、固定测试集、失败样本、实验配置、统计波动和回滚记录？如果同时更换模型、数据和 Prompt，就不能把结果全部归因于 Prompt。追问入口准备解释示例如何选择、上下文污染如何防止、结构化输出是否真正受约束、评测器偏差、提示注入、长上下文成本，以及何时应改用微调或 RAG。

#科大讯飞#阿里#模型微调

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：我会先把 RAG 的错误拆成一条漏斗，再决定优化哪一层。检索侧先确认知识库里有没有答案，解析、分块和权限过滤有没有把证据丢掉，再看正确文档是否进入 Top-K。候选里没有答案时，应该修语料覆盖、分块或召回；候选里有答案但排得靠后，才值得比较 BM25、向量召回、RRF 和 Cross-Encoder 重排。查询改写也要测语义是否漂移，不能只看召回数量变多。生成侧关注模型拿到的到底是什么证据。我会做去重和冲突检测，控制上下文预算与顺序，在 Prompt 里约束引用格式和证据不…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：答案要点 RAG核心原理：检索+生成的两阶段架构系统组件：索引模块、检索模块、生成模块工作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…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（Generation）：将检索结果拼入Prompt→LLM生成答案关键洞察：…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…校验是个坑，比如旧索引里删了某条数据，新索引还没建好，查询时就会返回过时结果。这块我还在探索更稳定的方案。所以整体上，我更倾向把RAG看成一套持续迭代的系统，而不是一次搭完就完事。数据质量、检索策略、模型调优，每个环节都要根据业务反馈不断调整。一句话定位：RAG本质是查文档+读文档的工程化数据准备：分块是核心难点，语义切分比固定长度好检索策略：混合检索兜底，重排提升精度生成集成：上下文压缩和Prompt防幻觉评估闭环：Bad case驱动迭代约4分钟知识库频繁…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…重排序优化：用Cross-Encoder等精排模型提升相关性（可选但重要） 3. 生成阶段上下文组装：将检索结果与用户问题拼接成Prompt 大模型生成：LLM基于"检索到的证据"生成回答，典型Prompt结构：基于以下参考资料回答问题： [检索内容1] [检索内容2] 问题：{用户提问} RAG解决的核心问题问题说明知识时效性大模型训练数据有截止日期，RAG可接入实时数据库幻觉问题生成有溯源依据，可标注参考来源私有数据无需训练即可利用企业内部知识成本可…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配口述回答：… Rerank 模型，再 A/B 验证。但这里有个前提：反馈量要足够大，小流量场景容易噪声淹没信号。所以整体上，我更倾向把 [[RAG]] 系统看作一个持续优化的闭环，而不是一次性搭建。数据质量永远比模型重要，如果文档解析或者术语标准化没做好，后面检索和生成再努力也白搭。一句话定位：这不是搭流水线，是解决领域知识怎么让模型真正用起来数据准备：文档解析、术语标准化、分块策略检索模块：混合召回、重排序、查询改写生成模块：Prompt设计、上下文压缩、引用溯源评估与迭代…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…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）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Faiss…

#字节#检索生成流程#RAG 实现

面试题·模型微调· 百度

Prompt Engineering 关键原则有哪些?

匹配正文：…t设计原则原则说明具体明确避免模糊指令，明确输出格式（JSON/Markdown/表格）分解复杂任务多步骤任务拆分为子Prompt串联提供上下文补充背景知识，减少模型幻觉设置约束条件长度限制、风格要求、禁止事项局限性认知天花板明显：无法突破模型固有知识边界上下文长度限制：超长Prompt导致关键信息淹没稳定性问题：相同Prompt可能产生不一致输出 Prompt Engineering是成本-效果权衡的首选方案，当效果不达预期时再考虑RAG补充知识…

#百度#模型微调#Prompt工程

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

RAG 完整流程分几步？

匹配正文：…两步是在线问答：用户提问时实时执行，检索资料再生成答案分块是最容易被忽视却影响最大的一步：块太大噪声多，块太小语义被切断排查 RAG 效果差的问题，就按这条链路逐步定位是哪一环丢了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成五步。前三步离线完成，后两步在线执行。五步详解文档解析：把 PDF、Word、网页等各种格式的原始文档，转换成干净的纯文本。作用是“去…

#入门#基础概念#RAG流程

面试题·Prompt

什么是 Prompt 工程?

匹配正文：…ompt 工程是通过设计输入文本（提示词），在不改动模型参数的前提下引导模型给出更好输出的方法大模型本质是"根据上文预测下文"，prompt 就是那个"上文"；上文变了，模型认为合理的下文自然跟着变效果差异大的原因：任务描述是否明确、有没有示例、有没有指定角色/格式/推理步骤常用技巧：明确任务与约束、给示例（few-shot）、让模型分步思考（思维链）、指定输出格式它是成本最低的优化手段：先调 prompt，不行再考虑 RAG 或微调核心概念 Prompt 工程（P…

#入门#基础概念#Prompt工程

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 + "参考文档：[检索结果]" + 用户问题 LLM生成：模型基于检索到的证据作答，可溯源关键优化点环节常见问题优化手段检索语义不匹配查询改写、HyDE（假设文档嵌入）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…准。所以我会先粗筛组件类型，再精排功能说明，确保召回率。生成增强这一步，我把组件的结构化信息、检索到的文档片段和用户问题拼成一个prompt，让大模型生成回答。这里有个坑：大模型容易[[Hallucination]]，所以我要求模型在输出时标注信息来源，比如“根据《XX平台设计规范》第3.2节”。这样用户能溯源，也方便调试。最后说落地风险和前提。整个方案能跑通的前提是，你有一个维护良好的知识库，至少包含三层：组件到功能的映射表、设计规范文档、历史FAQ。如果知识库质量差，…

#淘天#多模态#多模态 RAG

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配口述回答：…配。这样既快又准，因为全局匹配能缩小范围，局部匹配能精准定位。最后一步是生成。把组件位置图、OCR文本、检索到的功能说明拼成一个Prompt，送给大模型。这里有个坑：大模型容易忽略位置顺序，所以我会在Prompt里强制要求按从上到下、从左到右的顺序描述，并且结合业务场景解释用途。比如一个“申请退款”按钮，不能说“这是一个按钮”，得说“在订单详情页底部，用于发起退款流程，点击后跳转到退款原因选择页”。不过话说回来，这套流程有个前提：知识库必须足够丰富且准确。如果知识库里某个…

#淘天#多模态#多模态 RAG

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配正文：…证" 低资源任务少样本学习 3-5个输入-输出对，覆盖边界case 多轮交互动态上下文压缩保留摘要+关键实体，丢弃过时细节 RAG场景检索结果重排序按相关性打分注入，标注来源可信度三、评估与迭代体系三层验证：规则层：正则/JSON Schema校验格式合规性模型层：用更强模型（如GPT-4）作为裁判，设计评分rubric 业务层：埋点采集用户满意度、任务完成率、人工复核准确率迭代机制：建立Prompt版本库，小流量A/B测试，关键变更需回归测试集（含对抗样…

#脉脉#评估与监控#Agent

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…确定性要求的推理任务 ReAct Thought → Action → Observation 循环 Agent工具调用场景三、RAG与Agent中的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action…

#阿里#Prompt工程#Agent

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：…w-shot示例：2-3个典型场景的标准推理轨迹 3. 动态上下文层（Runtime Context）工具描述：仅注入相关工具（RAG检索筛选），非全量历史轨迹：关键节点摘要 + 最近3轮完整对话状态变量：当前步骤数、已用token、用户偏好三、关键落地技巧问题解法上下文过长滑动窗口 + 关键信息提取（LLM二次压缩）工具选择错误增加工具使用条件说明 + 负例Few-shot 循环/死锁 Prompt显式限制最大步数 + 强制终止规则幻觉累积 Obser…

#字节#Prompt工程#Agent

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embedding从示例库召回相似case，比静态示例更精准（RAG+Prompt结合）三、推理增强 CoT（思维链）：在示例中展示"Let's think step by step"的推理过程，激发模型逐步思考，适合数学、逻辑题 Self-Consistency：对同一问题采样多条推理路径，投票取多数答案，降低单条CoT的随机性 ToT（思维树）：维护多条推理分支，用评估函数剪枝/扩展，适合需要探索的复杂…

#阿里#Prompt工程#Prompt 优化方法