匹配口述回答：…ery改写，比如用户说“退款没到”，我会用HyDE技术先生成一个伪文档，再拿去检索，效果提升很明显。生成阶段，核心是上下文压缩和Prompt设计。检索回来的Top-K文档可能有很多冗余，直接全塞进Prompt会稀释关键信息，还浪费token。我会先用LLM做一次摘要，或者只保留和query最相关的片段。Prompt里要明确要求模型引用来源，比如“根据文档第三段……”，并且强制模型说“不知道就拒绝”，不能瞎编。这里有个常见失败场景：模型看到多个相似文档，会把不同条款混在一起，…

#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· 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· 百度

Prompt Engineering 关键原则有哪些?

…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…

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

匹配正文：

#百度#模型微调#Prompt工程

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…理想上下文，测试生成上限。如果上限还差，说明模型本身能力不够，需要微调；如果上限好，那优化提示和上下文工程空间还大。所以我会把[[RAG]]和微调看成互补，而不是二选一。比如企业SOP场景，文档更新频繁，RAG更灵活；但如果是垂直领域，比如法律合同，微调一个领域模型效果更好。真正落地常常是RAG加微调一起上。总结一下，遇到检索相关但生成差，我会先诊断是信息过载、碎片化还是歧义，然后从提示工程快速试，不行再动上下文建模和微调。关键是要有系统思维，不能单点修复。一句话点题：检…

#上下文压缩#生成调优#RAG 生成优化

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·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配口述回答：…，如果小图标没识别到，后面检索和生成就白搭。第二步是建知识库。光有截图不行，得把每个组件的功能说明配对存起来。我会收集产品手册、设计规范、甚至内部Wiki，然后把组件截图和对应的功能描述做成图像-文本对。这里有个关键点：不能用纯文本[[Embedding]]，得用[[多模态]]模型，比如[[CLIP]]或者专门做UI的UIBert，把图像和文本映射到同一个向量空间。这样后面检索时，用户截图可以直接用视觉Embedding去匹配知识库里的组件。第三步是检索。用户截图进来后，…

#淘天#多模态#多模态 RAG

面试题·Prompt· 阿里

Agent Prompt优化评估指标

匹配口述回答：…，我更倾向把Prompt优化看成一种低成本、高频迭代的手段，但它的上限受限于模型能力。如果遇到效果瓶颈，我会考虑结合[[Self-RAG]]或者[[Chain-of-Verification]]这类框架，让Agent自己学会反思，而不是死磕Prompt。本质是量化Prompt对Agent决策的影响定量指标：任务成功率为主，资源稳定性为辅定性指标：可解释性和鲁棒性，避免指标欺骗实验设计：分层评估+边界测试，控制变量落地风险：指标提升不等于体验提升，警惕过拟合约4分钟…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 百度

Prompt 优化策略有哪些?

匹配口述回答：…偏差。复杂任务可以要求模型先给可验证的计划、计算结果或工具调用，不过自由生成的思维过程不能当作正确性证据。涉及外部事实时，我会用 RAG 或工具补充来源，Prompt 负责证据边界、引用、不确定时的行为和权限，而不是要求模型凭记忆猜。我先从工程设计角度回答，再用一个假设场景说明。假设做客服质检，可以固定模型、解码参数和数据切分，逐步比较基础指令、边界 Few-shot、结构化输出与验证器。每次只改变一个主要因素，同时看分类质量、格式成功率、校准、安全错误、token 和延迟…

#百度#Prompt工程#Prompt 优化

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…：输出+引用 | 低：触发多轮追问/转人工核心指标：事实准确率>95%、引用完整率>90%、平均响应<2s 学习建议建议先掌握RAG基础流程，再深入学习向量检索、领域数据清洗、提示工程和合规要求，结合真实案例进行系统设计练习。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：核心区别：从"拼接"到"融合" 1. 架构设计演进维度传统RAG 现代RAG 检索器稀疏检索（BM25）、独立索引稠密检索（DPR、Contriever）、双塔编码生成器固定LLM，仅把检索文本当prompt 可训练或适配的生成模型连接方式字符串拼接，显式上下文窗口潜在空间交互，隐式信息融合典型代表：Facebook的RAG模型（2020）首次将检索器和生成器联合预训练，而非简单拼接。 2. 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG

RAG 检索准但回答差怎么调?

匹配口述回答：…构升级。一句话定位：检索准不等于生成好，问题在中间环节举例：客服退款场景，文档顺序和冗余导致回答差原因拆解：上下文组织、提示设计、模型能力调优路径：检索后处理、提示优化、模型调整、架构升级落地前提与风险：先人工检查prompt，再逐步叠加约4分钟文档本身的质量（过时、矛盾、粒度不对）是容易被忽略的根基问题。面试官可能会追问：如何评估和清洗RAG知识库中的文档质量？或者如何设计文档更新策略？

#上下文组织#生成质量调优#RAG 生成质量差

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…关性和事实准确性（医疗用人工医生标注）迭代闭环：错误案例回流，持续微调Embedding和Reranker 学习建议建议先掌握RAG基础流程，再结合垂直领域特点学习文档分块、向量检索、重排序模型和提示工程，多参考医疗/法律类RAG实战案例。

#字节#重排与优化#RAG 链路优化

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…mbedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收…

#AIlab#RAG链路优化#RAG 优化

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· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…atency 高三、生成集成层上下文组装：检索片段按相关性排序，拼接为上下文控制总长度（通常占模型上下文30%-50%） Prompt设计要点：基于以下参考资料回答问题，若资料不足请明确说明： [参考资料] {检索内容} 用户问题：{query} 生成优化：引用溯源：要求模型标注答案来源片段置信度判断：检索分数阈值过滤，低置信触发"我不知道" 多轮RAG：迭代检索补充信息典型痛点问题解法检索失效混合检索 + Query扩展 + 重排序上下文过长摘要…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：答案要点分模块阐述数据预处理（解析、分块、质量过滤）、检索层（多路召回、重排序）、生成层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏…

#字节#领域RAG架构#RAG 系统架构

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· 京东

RAG 怎么解决大模型幻觉?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"三段式架构说明向量数据库和Embedding的核心作用解释检索策略（相似度搜索、重排序）的关键设计分析RAG缓解幻觉的机理（事实锚定+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token E…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配题目：请设计一个基于专业领域知识（如医疗或法律）的智能助手RAG系统架构，包括数据预处理、检索优化、生成优化等关键环节的具体实施方案。

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配追问：………如果只有几万条业务文档，又要实时检索，你会怎么搭这个系统？……那检索到的东西怎么喂给模型，才能让它准确引用？直球架构聊一下RAG的技术细节。你从检索器选型、知识库分层、到生成模型集成，整个链路怎么设计的？比如双路召回、混合排序、Prompt组装这些，具体怎么落地？

#美团#知识库构建#RAG 检索器设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…型将文本转为稠密向量向量表示向量存储写入Milvus/Faiss/Elasticsearch等，构建索引可检索向量库关键设计：分块策略直接影响检索质量——太粗易噪声，太细丢上下文。第二阶段：在线检索生成（Retrieval & Generation）数据流转链路：用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → LLM生成 → 返回结果核心模块：检索召回…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量…

#美团#检索器生成器协同#RAG 架构