匹配正文：…指代与话题是否连贯关键判断：同一个chunk能否独立解释被命中的事实，以及加入上下文后是否真的改善最终答案。不能只看块长，还要看Recall@K、证据完整率、答案正确性、延迟和索引膨胀。重叠处理不要预设固定比例：把零重叠、短窗口和较长窗口作为候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪…

#蔚来#文档处理#RAG文本分块

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…" 约束解码：禁止生成索引外信息，设置医学安全词表拦截上下文压缩：用LLM对检索结果去冗余，保留关键证据链五、评估方法维度指标方法检索质量 Recall@K、MRR 人工标注相关性生成质量事实准确性对比原文，用NLI模型检测幻觉可追溯性引用覆盖率检查生成内容是否都有来源支撑业务价值专家满意度领域专家盲评关键取舍：医疗法律对准确性极度敏感，宁可"检索不到"也不"生成错误"，需设置置信度阈值触发人工兜底。学习建议建议系统学习该知识点

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领域专家审核 + NLI模型端到端答案有用性、合规性医生/律师打分 + 用户反馈闭环效率延迟P99、吞吐线上压测持续优化：Bad Case归因分析（检索失败？生成忽略？），针对性迭代。学习建议建议系…

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#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…更新时效和单次查询成本。建立 bad case 分类，区分切块、召回、融合、重排和权限过滤问题。 3. 评测闭环离线至少观察 Recall@K、MRR 或 NDCG，并按查询类型切片；线上还要看引用正确性、无答案识别、延迟和成本。指标定义、标注口径、样本量及数据泄漏检查必须与结果一起说明。项目事实填空如果需要结合本人项目，只填写可核验事实：语料主要是【真实文档类型】；基线方案是【真实基线】；主要失败查询是【真实 bad case】；选择【真实检索或融合方案】的约束是【…

#字节#混合检索#RAG 文档检索选型

面试题·评估

RG 系统效果差怎么排查?

匹配正文：答案要点建立分层诊断框架，区分检索侧、生成侧、协同侧三类问题掌握定量指标（Recall@K、上下文相关性、忠实度）与定性分析（bad case分析）结合的方法理解检索-生成耦合效应（如检索冗余、信息冲突）具备实际可落地的排查工具链和实验设计能力核心排查框架：分层隔离诊断把RAG系统拆成三个独立可测的环节，逐个验证：一、定位检索模块问题关键指标 Recall@K：正确答案是否在Top-K检索结果中 MRR/NDCG：相关片段的排序质量诊断方法人工标注100个…

#检索归因#生成归因#RG 系统故障排查

面试题·评估

检索准但生成差，怎么调优？

匹配正文：答案要点能够系统性地拆解RAG链路，提出可量化的诊断方法掌握检索模块的独立评估指标（Recall@K、MRR等）掌握生成模块的评估维度（忠实性、相关性、流畅性）给出至少3种针对性的生成优化策略能区分"检索准但生成差"的典型场景（如上下文利用不足、指令遵循弱）一、系统性诊断：定位问题模块核心原则：将RAG链路拆分为独立可测的环节，避免"黑盒调试"。 1. 检索模块独立评估离线指标：计算Recall@K、MRR、NDCG，对比Top-K检索结果与人工标注的相关文档…

#上下文压缩#生成调优#RAG 效果诊断

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：…、补全意图（"火锅"→"重庆火锅/老北京涮肉"）查询理解：识别地理位置、价格区间等约束条件，做前置过滤 5. 评估与迭代离线：Recall@K、MRR、NDCG指标监控在线：AB实验看点击率、转化率、满意度 Badcase分析：建立标注平台，持续回流数据优化模型

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…计：明确引用格式要求，强制"不知道就拒绝" Citation生成：要求模型标注信息来源，提升可信度五、效果评估：闭环迭代层级指标方法检索 Recall@K、MRR 人工标注或合成评测集生成忠实度、答案相关性 LLM-as-Judge（GPT-4/Claude）端到端用户满意度、任务完成率 A/B测试、人工评估持续优化：Bad case分析驱动，定期更新知识库，监控数据漂移

#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?

匹配正文：…）关键优化上下文压缩：LLMLingua去除冗余，保留核心证据句引用生成：强制要求标注来源，避免幻觉四、评估与迭代自动化指标检索：Recall@K、MRR；生成：RAGAS（忠实度、答案相关性）领域专家闭环抽样人工审核：医疗需执业医师标注答案准确性 bad case归因：检索失败（未召回）vs 生成失败（理解偏差）数据飞轮用户反馈（👍/👎）→ 难例挖掘 → 微调Embedding/精排模型 → A/B验证

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：…BERT、M3E、BGE等）的优劣对比理解维度、上下文长度、多语言能力的权衡知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模型（如CodeBERT、CLIP） 2. 关键性能指标因素权衡要点维度 768/1024维效果好，但存…

#百度#向量检索#Embedding 模型选型

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…链接回标可解释性输出附带引用片段高亮、置信度分数人机协同低置信度案例自动转人工审核，形成数据飞轮五、评测闭环检索评测：Recall@K、MRR、领域特定指标（如法律：法条命中率）生成评测：RAGAS（faithfulness, answer_relevance）+ 专家人工评估线上监控：用户反馈收集、拒答率追踪、时效性告警

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 哔哩哔哩

精排精度高，为何不跳过召回粗排？

匹配正文：…gN)。系统边界与验证召回负责控制计算量并保证相关文档进入候选集；精排只能重排已召回内容，无法补回漏掉的证据。工程上应分别测 Recall@K、排序指标、端到端回答质量、P50/P95/P99 延迟、吞吐和成本，再调候选规模与 batch。若要估算全量精排成本，应使用目标硬件上实测的每批吞吐和并发数据，不能用脱离环境的固定毫秒数代替 profile。图解精排精度高，为何不跳过召回粗排？图解

#哔哩哔哩#两阶段排序#召回粗排精排

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…记，便于溯源和事实校验领域微调：用高质量RAG数据对基座模型SFT，提升利用检索信息的能力四、评估与迭代闭环离线评估检索：Recall@K、MRR 端到端：Answer Correctness（用GPT-4判题）、Faithfulness（幻觉检测）在线评估用户满意度、点击率、人工标注bad case回流关键：建立可量化的业务指标（如客服场景的问题解决率）五、工程架构要点模块化设计：检索、重排、生成独立服务，便于A/B实验缓存策略：高频query结果缓存，…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：…选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、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…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：答案要点能清晰区分检索阶段与生成阶段的评估差异掌握常用检索评估指标（Recall@K、MRR、NDCG）理解稠密检索与稀疏检索的优缺点及混合策略知道重排序模型的作用与典型实现能提出具体可落地的数据优化方案一、评估维度与指标检索阶段 vs 生成阶段检索评估：关注"找得准不准"，用Recall@K（答案是否在TopK）、MRR（首个相关文档排名）、NDCG（考虑相关度分级）端到端评估：用Answer Accuracy或RAGAS框架（context precis…

#360#召回质量评估#RAG 召回优化

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：…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·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配口述回答：…离；需要时还可以对候选用原向量重排。实际选型我会在同一查询集上比较 Flat、IVF、PQ、IVFPQ 和 HNSW，统一记录 Recall@K、P50/P95/P99 延迟、吞吐、构建时间、峰值内存和更新成本。IVFPQ 不是所有大规模场景的标配，Flat 也不只属于某个固定数据量。参数和索引类型必须由目标硬件与质量门槛共同决定。带业务过滤条件时还要单独测有效候选是否骤减，因为先检索再过滤可能让结果不足，扩大 nprobe 又会抬高尾延迟。如果 PQ 的子空间相关性造成…

#向量检索#近似最近邻搜索#量化压缩

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…p_k=100) reranked = cross_encoder.rank(query, candidates)[:10] 关键指标：召回率@K、MRR、延迟P99。线上建议向量召回+精排两阶段架构。学习建议建议先掌握文本分块策略与嵌入模型原理，再动手实践使用Hugging Face和FAISS构建小型向量库，理解检索全流程。

#字节#文档处理#向量检索

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配口述回答：…窗口。重叠能补回跨边界答案，但会增加索引体积、重复召回和[[Rerank]]成本，所以不能默认越多越好。第三步固定其他变量，比较Recall@K、证据完整率、最终答案正确性、P95延迟、索引体积与重复召回率。如果某类问题总是只召回半句，就先检查结构边界和父子上下文补回；如果召回内容太杂，就缩小候选单元或加强重排。工程上我还会为每个chunk保存文档ID、父级标题、页码、原文起止位置和版本。召回后可以据此去重、合并相邻上下文，也能在文档更新时精确替换旧chunk，避免新旧版…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配正文：…速检索维度压缩：必要时用PCA或量化（如1024→256维），权衡精度与存储 4. 质量保障离线评估：Top-K召回率、MRR指标在线验证：人工抽检query-doc相关性，建立bad case闭环

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配口述回答：…数。上下文压缩、小模型路由和提前拒答也要做质量回归。验证时固定 query、语料、模型、硬件和并发曲线，每次只改一个变量。报告 Recall@K、任务成功率、首 token、每 token、P95/P99、吞吐、显存和成本。最后设计过载降级：检索超时用受控缓存或拒答，生成过载限流或路由，但不能用未经验证的结果假装成功。高并发优化还要关注排队论和背压。单个阶段平均很快，不代表尾延迟可控；到达率接近服务能力时，队列会迅速增长。入口应有并发上限、优先级、截止时间和拒绝策略，下游…

#高德#Agent#Agent 系统延迟优化

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配正文：…样策略、召回器版本和曝光位置，便于重放。 4. 训练与闭环比较点式、对式或列表式损失，并在固定召回候选上评估 MRR、NDCG、Recall@K、校准、延迟及最终答案质量。上线后回流高分误召回、低分漏召回和用户纠错，定期重新挖掘难负样本。结论：高价值数据来自真实候选分布和经过复核的边界样本，样本比例只是超参数，必须通过离线与端到端评测确定。图解 Reranker 训练数据怎么构造?图解

#美团#重排与优化#Reranker 训练数据

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…可能忽略正确信息，反而产生 [[Hallucination]]。所以上线前我会特别关注检索的召回率，先拿一批测试 query 跑 Recall@K，确保 Top-5 能覆盖 90% 以上正确答案，再优化生成。另外，上下文长度有限，我会对长文档做摘要压缩，或者只提取关键句，避免信息过载。说到高级变体，像 [[GraphRAG]] 用[[知识图谱]]处理多跳推理，[[Self-RAG]] 让模型自己判断要不要检索，这些在复杂场景下效果更好。但我觉得，RAG 落地的上限其实在检索…

#字节#检索生成流程#RAG 技术原理

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：…，修改则视为旧版本软删除加新版本新增。同时维护 base 和 delta 双索引，查询时合并，构建完用固定 query 回放对比 Recall@K，通过才原子切换。千万别原地动图索引，否则召回质量会断崖式下跌。所以整体上，我会把检索模块看成是一个权衡系统，核心是在召回率、延迟、成本之间找平衡点。没有银弹，关键是根据业务场景做配置和取舍。本质是查询与文档的语义对齐查询预处理：改写、HyDE、扩展向量化：模型选型、截断、指令前缀检索：HNSW、元数据过滤、混合检索排序…

#字节#重排与优化#RAG Retriever 工作流程