匹配正文：…户query可能需改写/扩展（HyDE、Query2Doc）向量检索：Top-K相似度召回，常用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答二、关键技术组件组件作用常用方案 Embedding模型语义编码 BGE-large、GTE、OpenAI text-embedding 向量数据库高效相似度搜索 Mil…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…集检索与稀疏检索的适用场景说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval）传统BM25或T…

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段流程说明关键组件（文档处理、Embedding模型、向量数据库、重排序）的作用对比Naive RAG与Advanced RAG的架构差异提及实际落地中的核心挑战（检索精度、上下文长度、幻觉控制）核心原理 RAG的本质是外挂知识库：将大模型无法预训练到的私有/实时数据，通过检索方式动态注入上下文，解决知识截止和幻觉问题。三阶段流程：索引(Indexing)：文档→切片→Embedding→入库检索(Retriev…

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#RAG实现原理#RAG 实现原理

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

RAG 系统实现：组件与流程

匹配正文：…ch），可搭配稀疏索引（BM25）做混合检索查询阶段（在线）用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成关键组件详解组件作用典型选择 Embedding模型语义编码 BGE-large、GTE、E5 向量数据库近似最近邻搜索 Milvus、Weaviate、pgvector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型精排优化 Cross-Encoder、ColBERT 生成模…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：…、灰度、观测、回滚和成本。事实填空项目【】，语料【】，我负责【】。基线检索和生成链路【】，主要错误【】。实际选用【检索/融合/重排方案】，参数由【真实实验】确定。真实 Recall@K/MRR/NDCG【】，答案支持率【】，P95/P99【】，样本与硬件【】，副作用【】。证据自检所有阈值和指标应说明数据集、标注、硬件、并发与统计窗口。必须分开测候选召回、排序质量、上下文利用和最终回答；不能用单一“准确率”概括整条 RAG。追问入口准备解释为什么选择当前融合、RRF…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…法（HNSW、IVF）索引优化：根据数据规模选择索引类型，大规模数据用分区/分片 3. 检索模块两阶段检索架构：阶段方法作用粗排向量相似度检索（Top-K=100）快速召回候选精排 Cross-Encoder重排序精细 relevance 打分混合检索：稠密向量 + BM25稀疏检索，RRF融合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…下文融合：检索结果按相关性排序，截断至上下文窗口置信度过滤：低分文档丢弃，避免引入噪声迭代优化：Advanced RAG中加入重排序（Rerank）或查询改写，提升召回精度质量提升本质：Generator从" parametric memory "（参数知识）扩展到" non-parametric memory "（外部知识），减少幻觉，实现可溯源回答。学习建议建议先掌握RAG整体架构，再重点理解Retriever的两种主流技术（如BM25与DPR），并通过开源项目…

#字节#Retriever#RAG Retriever

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…段召回质量混合检索（向量+关键词BM25）、查询改写、多向量表示精度提升两阶段检索（粗排+精排/Cross-Encoder重排序）效率优化量化（FP32→FP16/INT8）、索引分区、缓存热点查询领域适配 Embedding微调、Hard Negative Mining 余弦相似度的选择逻辑归一化后等价于点积，计算高效对向量长度不敏感，适合语义匹配（关注方向而非幅度）替代方案：欧氏距离或内积；内积本身不要求归一化，只有用它模拟余弦时需把query和doc…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：…结果。典型默认值只用于起点，最终应在目标语料和标注查询上以 MRR、NDCG、Recall@K 与业务结果调参。在 RAG 中的作用 BM25 擅长术语、编号、实体和错误码等词面匹配，可与稠密向量召回互补。它不理解未出现词项的语义关系，也不能被称为对 OOV 天然鲁棒；同义表达需要分词、扩展词、混合检索或重排补充。图解 BM25 原理与 TF-IDF 改进点图解

#美团#BM25#BM25 算法原理

面试题·检索· 小红书

多路召回 vs 排序模型怎么分工?

匹配正文：…数据和服务预算。排序质量不仅由模型结构决定，还受曝光选择、位置偏差、延迟特征和标签定义影响。常见流程是召回→可选粗排→精排→约束重排。重排可处理去重、多样性、频控、公平或业务约束；这些目标也可以进入学习目标，不能笼统认定只能靠规则。召回看 Recall@K、覆盖、重复率、新颖性和延迟；排序看 NDCG/AUC、校准、分桶质量及线上指标。离线日志来自旧策略，需关注反事实偏差，并用随机流量、倾向校正或受控实验验证。图解多路召回 vs 排序模型怎么分工?图解

#小红书#多路召回与排序#多路召回

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：…高，内存占用大，适合百万级 IVF-PQ：倒排+乘积量化，内存省、亿级规模，精度略降实际选型看数据规模和延迟要求 RAG中的关键作用作为召回环节，解决"找什么"的问题。检索质量直接决定生成上限，常见优化：query改写、混合检索（向量+关键词）、重排序（Rerank）。

#美团#Embedding检索#Embedding 相似性检索

面试题·项目与经历· 美团

项目难题怎么定位与解决?

匹配口述回答：… 为例，Top3 结果不相关不能直接归因于 embedding 负样本不足。我会先按查询和文档切片，检查知识覆盖、切分、候选召回、重排、上下文组装和生成支持率，再用单变量对照实验确认根因。没有监控记录的时延、准确率、期限和收益不写；没有直接经历就明确说明，再给出可执行的排查框架。【90秒主答】开头先把真实事实补齐：项目是【真实项目】，目标是【真实业务指标】，观察到的现象是【可复现问题】，个人负责【实际边界】。难点不能只写“效果差”，要落到某一批查询、某个时间段、某个版本和…

#问题定位#工程实践#跨团队协作

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…发重新规划策略选择：简单任务用单步ReAct，复杂任务用多步Plan-and-Solve 2. 记忆系统（Memory）类型作用实现工作记忆当前对话上下文、中间结果上下文窗口直接承载短期记忆近期多轮会话摘要滑动窗口+LLM压缩长期记忆用户画像、领域知识向量数据库+结构化存储 3. 工具调用（Tool Use）统一接口：{name, description, parameters}标准化Schema 动态发现：MCP协议或类似机制，支持运行时工具注册…

#百度#Agent#Agent 系统设计

面试题·Agent· 百度

Agent 核心组件架构

匹配正文：…动→观察" 进阶：多步规划、反思修正（Self-reflection）、树状搜索（ToT） 2. 记忆系统（Memory）类型作用实现方式短期记忆当前对话上下文滑动窗口、Prompt内维护长期记忆跨会话知识积累向量数据库存储+检索增强工作记忆中间执行状态临时变量、执行轨迹 3. 工具调用（Tools）功能：扩展LLM能力边界（计算、搜索、API操作等）关键机制：Function Calling（模型输出结构化JSON）→ 外部执行 → 结果回传工…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…如果只检索到后半句“收取违约金”，没有前面那个条件，回答就错了。还有指代问题，比如“该公司”在chunk里找不到指代对象。大模型的作用就是把分散的chunk重新拼起来，做跨片段的逻辑补全。这里有个坑：如果chunk切得太碎，大模型也补不回来，所以切分策略很关键，我通常会根据文档结构做语义切分，而不是固定字数切。第三点是[[幻觉]]控制。纯靠大模型生成，容易编造，这就是Hallucination。但如果直接把检索文本当答案输出，又可能答非所问，或者信息过时、片面。RAG的做法…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…解幻觉的核心机制 RAG通过**"先检索、后生成"**的工作流程，将大模型从"闭卷考试"转为"开卷考试"：工作流程三阶段阶段作用幻觉缓解机制检索从外部知识库召回相关文档引入权威外部知识，替代模型参数记忆增强将检索结果注入Prompt上下文为生成提供事实锚点，约束自由发挥生成基于上下文生成回答可通过引用溯源验证信息来源关键技术机制 1. 事实锚定（Grounding）将生成内容绑定到检索文档的明确陈述模型被强制"照着说"，而非"编着说" 2. 上…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：…Chain Expression Language）声明式编排流程状态管理：Memory组件维护多轮对话上下文关键组件组件作用典型场景 Chain 预定义的固定执行流程翻译、摘要等单步任务 Agent 动态决策，自主选择工具和步骤复杂多步推理（ReAct、Plan-and-Execute） Tool 外部能力封装（搜索、计算、API）扩展模型边界 Memory 对话历史管理 Buffer、Summary、Vector三种策略 Retriever 文档检索接口 …

#快手#评估与监控#Agent

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：…把意思相近但不同的条款切到了一起，或者Embedding对价格、退款这类语义区分不够。如果召回率还行但排序靠后，那就说明需要加[[重排]]或者[[混合检索]]，把关键词和向量结合起来。反过来，如果黄金文档实验发现生成模块有问题，我会重点看[[忠实度]]。模型有没有忽略检索到的内容，去依赖自己的参数知识？典型的故障模式是，prompt里没强调‘严格基于上下文’，或者上下文太长模型注意力散了。我见过一个企业SOP合规场景，文档明明写了‘审批金额不超过五万’，模型却生成‘十万以下…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…Python画一个正弦曲线"）、代码上下文、错误信息输出：生成的代码片段、执行结果（stdout/stderr）、状态反馈架构作用：扩展Agent的"动手能力"，突破LLM纯文本推理的局限，实现与外部计算环境的交互 2. Search 模块 —— 信息检索与知识补充功能定位：弥补模型知识截止和幻觉问题，获取实时/外部信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供…

#美团#评估与监控#Agent

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：答案要点区分知识型错误与推理型错误，针对性选择技术方案 RAG与模型内部知识解耦的设计思想训练数据质量与多样性的关键作用多阶段验证机制（生成-检索-校验）的构建思路模型置信度与不确定性量化的应用提升大模型输出准确性，核心在于区分错误类型、分层治理：一、模型架构层面稀疏激活与专家混合（MoE）：将知识分散到不同专家，减少参数干扰导致的知识混淆可插拔知识模块：分离语言能力与事实知识，知识更新无需全量重训推理时显式规划：如Chain-of-Thought强制模型展…

#百度#评估与监控#大模型准确性提升

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·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…的Embedding适配与微调方案答案生成的事实性校验与溯源机制一、整体架构设计用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验二、关键组件详解 1. 领域知识处理（最核心）数据分层结构化：药品库、疾病编码、法条条款 → 构建知识图谱（Neo4j/自研）半结构化：病历模板、合同范本 → 抽取标准化字段非结构化：医学文献、判例文书 → 按语义切块（医疗按就诊流程切，法律按争议焦点切）领域Embedding微调用领…

#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