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

RAG 向量模型怎么选?

匹配正文：…核心选型维度 1. 语义质量指标 MTEB榜单排名：参考检索、重排序、聚类等任务的综合表现领域适配性：通用模型（如BGE、E5）vs 领域微调模型（如GTE-medical）上下文长度：支持512/2048/8k tokens，长文档需截断或分层处理 2. 工程性能指标向量维度：常见768/1024，维度↑精度微增但存储和计算成本线性↑ 推理速度：batch处理吞吐量（QPS），影响实时索引构建模型大小：小模型（如MiniLM 22MB）适合边缘部署，大模型（如GTE…

#百度#评估与监控#向量检索

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…

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

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：答案要点区分幻觉类型（事实性vs推理性）并针对性治理 RAG与知识图谱结合的检索增强方案多模型交叉验证与一致性约束机制金融领域特有的监管合规与可审计性设计量化评估与持续监控体系核心挑战分析金融领域幻觉代价极高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…RF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3. 查询理解与改写意图识别：区分"诊断建议"vs"用药禁忌"（医疗）、"法条查询"vs"类案检索"（法律） Query扩展：用领域词典做同义词扩展，如"新冠"→"COVID-19/新型冠状病毒肺炎" 多轮澄清：置信度低时主动追问（如"您指的是刑法第X条还是民法第X条？"） 4. 生成与校验上下文压缩：用LLM摘要长文档，保留关键证据片段引用溯源：强制要求模型输出引用来源，用户可点击验证 …

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：…技术挑战异构数据处理：图像需OCR/目标检测、视频需关键帧抽取+时序建模，预处理链路复杂模态对齐难题：图文语义不对齐（如产品图vs营销文案），简单拼接导致噪声上下文长度爆炸：多帧视频或高分辨率图像token数远超文本，触发长上下文瓶颈训练数据稀缺：高质量的<问题, 图像证据, 文本答案>三元组数据难以构建典型实现与应用实现方式： CLIP-based双塔：图像和文本共享嵌入空间，用FAISS/Pinecone构建多模态向量库多模态LLM + RAG：GPT-4V…

#快手#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模态RAG 表征空间单一文本Embedding空间需对齐文本、图像、视频等多个异构空间检索粒度文档/段落级需支持区域级（如图中物体）、…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…扩展、分解、澄清、假设文档嵌入）提示词构建的核心要素（系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询分解（Query Decomposi…

#百度#小鹏#美团

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配正文：核心思路 RAG的降级处理要区分两个层次：检索层无结果 vs 检索结果相关性不足。不同场景需要不同的fallback策略。常见Fallback策略策略适用场景优点缺点大模型直接回答通用知识类问题用户体验连贯幻觉风险，需明确告知用户缩小范围追问问题过于宽泛引导用户明确需求增加交互成本转人工/工单专业/敏感场景兜底可靠人力成本高，时效差推荐热门/相关文档有相似主题内容保持RAG链路可能偏离用户意图网络搜索补充时效性要求高扩展知识边界…

#抖音#RAG降级策略#RAG fallback

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·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配口述回答：…个性化话术，提升点击率。但生成推荐理由有个风险：如果文案和实际内容不符，用户点进去发现被骗，长期体验会崩。所以我会用约束解码加[[RAG]]，先召回候选集，再让LLM基于候选集生成文案，确保内容真实。落地时核心挑战是幻觉、实时性和成本。幻觉靠检索增强和约束解码；实时性靠LLM只做离线特征或粗排，精排保持轻量；成本靠大小模型级联，简单请求走小模型，复杂请求才触发LLM。具体到短视频场景，我会把LLM定位成session级兴趣总结工具，比如识别用户从搞笑转向知识，小时级更新用户画…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配口述回答：…决的问题就不要用训练。检索成本低、迭代快，而且可解释性好。但前提是你的数据管道要够稳，能扛住高并发和实时性要求。如果做不到，再好的RAG也是白搭。一句话定位：数据分布快速变化时，外挂数据库+大模型本质是动态RAG 边界划分：RAG vs 微调，关键词 vs 向量，固定切分 vs 语义切分真实业务场景：外卖配送中商户状态实时变化落地风险与前提：高并发写入、地理位置过滤、冷启动工程师姿态判断：优先用检索而非训练，关注系统复杂度约4分钟动态RAG的瓶颈往往在检索系统的吞…

#美团#外挂数据库增强#外挂数据库

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…、批处理 ANN检索内存占用、建索引时间分层量化、增量索引 Rerank 二次编码开销轻量模型、截断候选集关键权衡：召回率vs延迟，通常离线评测Recall@K，线上关注P99延迟。实际系统中常做"快路径"（纯向量）+ "慢路径"（+重排）分级处理。学习建议建议先掌握向量检索基础，理解嵌入模型和相似度计算原理，再结合RAG架构学习Retriever的工作流程，通过动手实践加深理解。

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：…析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀疏检索（BM25）互…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…掉优质doc 延迟优化：可用轻量交叉编码器（如MiniLM）、蒸馏模型，或GPU batch推理级联策略：多轮重排（粗排→精排→LLM pointwise打分）平衡效果与成本一句话总结重排是用计算换精度的关键设计，让RAG从"找得到"进化到"找得准"。学习建议建议先掌握RAG基本流程，理解检索与排序的区别，再学习典型重排模型（如Cross-Encoder）原理，通过开源项目动手实践重排模块的集成。

#字节#重排与优化#RAG Re-ranking

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：检索失败的核心原因语义层面查询与文档的语义空间不对齐：用户口语化表达 vs 文档正式表述多义词、歧义查询导致向量"撞车"（如"苹果"指水果还是公司）数据层面文档本身质量差：冗余、过时、包含矛盾信息分块策略不当：关键信息被截断或上下文丢失系统层面 Top-K阈值设置不合理，正确答案被挤出单一向量检索的召回率瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词…

#小红书#美团#重排与优化

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· 字节

RAG 为什么需要 Rerank?

匹配正文：答案要点说明两阶段检索的动机（召回vs精度的权衡）解释向量检索的局限性（语义粗粒度、无法利用交互信息）阐述Rerank的核心作用（细粒度语义匹配、计算资源后置）提及常见的Rerank模型（Cross-Encoder、ColBERT等）为什么需要Rerank 向量检索的固有缺陷双塔架构（Query-Document独立编码）只能捕捉粗粒度语义，缺乏细粒度交互 Embedding维度受限（通常768/1024维），信息压缩导致精度损失无法利用Query和Docume…

#字节#Rerank模型#RAG Rerank

面试题·检索· 快手

RAG 延迟准确率根因

匹配正文：…需要跨文档推理时，单轮检索无法覆盖根本原因语义鸿沟：Query与Document的embedding空间不对齐（如用户口语化 vs 文档正式化）切分策略粗糙：固定长度切分破坏语义完整性，或粒度太细丢失上下文知识动态性：Agent场景下工具返回结果、实时数据与静态知识库未有效融合 Agent场景的特殊复杂性维度传统RAG Agent+RAG 检索触发单轮明确多轮隐式（由LLM决策何时检索）上下文当前Query 历史对话+工具结果+检索结果累积失败成本单次…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 百度

RAG Query 改写方法

匹配题目：在RAG系统中，如何设计有效的查询改写策略？以及在检索到相关文档后，如何构建合适的提示词来指导大模型生成准确答案？

#百度#小鹏#美团

面试题·检索· 字节

RAG检索方法选型原因？

匹配标题与标签：RAG检索方法选型原因？密集检索 vs 稀疏检索,优化策略与场景适配检索字节评估与监控 RAG 检索方法密集检索稀疏检索 RAG 优化策略字节

#字节#评估与监控#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

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）在线检索生成流程（查询改写、向量检索、重排序、上下文拼接、LLM生成）关键设计决策（分块策略、检索top-k数量、上下文长度控制）系统优化点（混合检索、缓存机制、多路召回）一、整体架构：离线+在线双链路 ┌─────────────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…SW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Prompt → LLM生成答案关键设计：检索结果作为**上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法核…

#字节#向量库与重排序#RAG 架构设计