匹配口述回答：…型回答它没训练过的新知识时，怎么在知识新鲜度和生成质量之间做平衡。说白了，RAG不是把检索和生成简单拼起来，而是要在信息密度、计算成本和[[幻觉]]风险之间反复取舍。先说离线文档处理这一块。很多人上来就按固定长度[[切块]]，比如512 token一刀切，这在通用场景还行，但遇到代码库或者论文，语义就被拦腰砍断了。我的做法是：先看业务文档的结构，代码按函数切，论文按章节切，普通文档按段落切，然后把零重叠、短窗口与较长窗口作为候选，用同一评测集验证哪种配置更能保留边界证据。这…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…繁更新，得考虑增量索引或者双缓冲方案，不然索引重建太慢。Reranker 是精排，它能弥补 Embedding 召回的不准，但计算成本高，所以通常只对 Top-100 重排，不排全量。落地中最头疼的其实是时效性问题。比如电商大促期间满减政策一天一变，离线索引跟不上。我见过一个失败案例：客服系统用 RAG，但政策更新后索引没刷新，模型还在回答旧政策，导致客诉。所以上线前我会特别关注知识更新的 pipeline，设一个强制刷新周期，或者用 [[Self-RAG]] 让模型自己判…

← 上一页第 30 / 30 页

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：…定多次检索。面试官可能会追问Agentic RAG的实现方式、与ReAct或Function Calling的关系，以及如何控制成本和避免检索爆炸。

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…取舍用可延伸点收尾约4分钟 Self-RAG让模型自己判断是否需要检索，减少不必要的检索开销，但引入额外的判断模块，延迟和训练成本是挑战。面试官可能追问Self-RAG的具体实现、与标准RAG的性能对比、以及如何平衡检索频率和生成质量。

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

RAG 架构组件与失败场景

匹配口述回答：这道题问[[RAG]]的架构和流程，其实本质是问你怎么把外部知识可靠地注入到大模型生成里，同时控制[[幻觉]]和成本。我理解RAG的核心就三个环节：先把知识切成块并[[向量化]]存起来，然后根据用户问题把相关的块捞回来，最后让模型基于这些块来回答。但真正落地的时候，每个环节都有很多坑要踩。先说索引模块。[[分块]]这一步很多人随便按固定长度切，但实际业务里，比如客服退款场景，用户问的是“我退货了但没收到退款”，相关文档可能是一整段流程说明，如果切碎了，模型只拿到半截，答案就…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配口述回答：…时能拿到最新、最准确的外部知识，而不是完全依赖它训练时记住的那些东西。RAG和微调的区别就在这里，微调是往模型脑子里塞知识，但更新成本高、容易遗忘；RAG是把知识挂在外面，需要时再查，这样知识更新和模型解耦。整体架构分两条线：离线把知识库建好，在线做检索和生成。先说离线部分，核心就是把文档变成可检索的向量。文档解析这块，PDF、网页、Word格式不一样，我一般会保留标题层级和表格位置，因为这些对后面[[分块]]很重要。分块是个关键决策，固定长度切分最简单，比如512个tok…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…回率和生成的事实一致性，用 [[RAGAS]] 这类框架做评估，不达标的场景宁可降级也不让模型瞎答。一句话定位：RAG的本质是低成本知识外挂检索质量的坑与混合检索改进生成阶段的割裂与Self-RAG方案边界划分：RAG vs 微调 vs Agent 落地风险与工程师取舍约4分钟复杂多跳推理场景下，RAG一次检索不够，需要Agent化，但Agent化有延迟和可控性风险。面试官可能会追问Agent化RAG的具体实现细节，比如ReAct循环如何设计、如何避免死循环、工…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…比如订单号；向量搜索适合语义匹配，比如“退款政策”和“退货规则”意思相近。分块层面，固定切分简单但容易断掉语义，语义切分更准但计算成本高。真正落地的系统往往是混合策略，比如用固定长度切块，同时保留段落边界做软约束。落地时我特别关注几个风险。一是分块策略必须跟业务场景匹配，比如客服场景里，退款政策是一个完整段落，如果切成两半，LLM可能只看到一半的政策，回答就不准。二是检索质量，如果Top-K召回的文档里混了噪声，LLM会被带偏。所以上线前我会用一批历史Query做回放，对比…

#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?

匹配口述回答：我觉得这道题其实就是在问一个核心问题：当大模型知识跟不上业务变化时，怎么低成本给它配个外脑。[[RAG]]就是这套方案，它不像微调那样要动模型参数，而是把外部知识塞进上下文里，让模型基于检索结果回答。所以它的架构可以拆成三个环节：先把知识存好，再从里面捞相关片段，最后让模型读着这些片段生成答案。我先说索引。离线阶段最容易被忽视的一个细节是[[切块]]。很多人上来就用固定长度切，比如256个token一刀切，但业务文档往往有自然段落，比如客服退款政策里，「退货条件」和「退款时长…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：… 索引加速搜索。这里有个坑：chunk之间的重叠怎么处理？我会把零重叠、短窗口与较长窗口放进同一组实验，根据边界证据完整率、召回与成本选择。再在线流程。用户来了一个 query，先检索。我基本不会只用向量相似度，因为纯语义检索对专有名词、ID号这些不敏感，所以会做 [[Hybrid Search]]，向量检索加 [[BM25]] 关键词检索并行，结果合并后再用 [[Cross-Encoder]] 做一次 [[Rerank]]，把真正相关的文档排到前面。这一步很关键，能过滤掉…

#美团#RAG架构#RAG 系统架构

面试题·检索· 高德

语义检索向量数据库构建流程

匹配口述回答：…业务有领域特性，比如地图POI或者医疗文档，最好在通用模型基础上做领域微调。维度上768或1024就够了，更高收益递减，存储和计算成本反而直线上升。真正落地时，我通常会同时跑一个轻量模型做初筛，再用大模型做精排，效果和成本之间取个平衡。向量索引这块，我默认选[[HNSW]]，因为它查询快、精度高，对大多数场景够用。但如果数据量到十亿级，内存扛不住，我会用[[IVF-PQ]]做量化压缩。这里有个常见失败场景：很多人直接拿HNSW做高频增量更新，结果索引碎片化严重，召回率暴跌。…

#高德#评估与监控#向量数据库构建

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：…掉。还有个坑：多跳关联的文档，比如一个政策引用了另一个政策，如果没显式链接，检索会漏。我有时会用 [[知识图谱]] 来显式关联，但成本高，只有关键场景才做。最后提一句，如果知识库有强关联结构，比如法律合同引用了多个条款，我会考虑用 [[GraphRAG]] 来增强召回，但它的工程复杂度很高，不是所有场景都值得。所以总结一下，我会把召回优化看成一条链路：先保证数据质量，再选合适的检索模型，用重排兜底，评估时关注Recall@K和MRR。我更倾向于混合检索加领域微调这个组合，…

#360#召回质量评估#RAG 召回优化

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配口述回答：…，还是得分开，向量库用专门的如 Milvus，关系库用 MySQL，中间用消息队列异步同步。前提是团队有能力维护两套系统，否则运维成本会失控。还有一个延伸点，就是当知识库频繁更新时，向量库的增量索引怎么保持实时性和质量，比如软删除和异步重建的策略，这其实挺考验工程细节的。所以整体上，我会把 RAG 的存储看成语义通道加精确通道的组合，核心是理解不同检索方式的适用边界，然后在业务场景里做取舍，而不是迷信某个技术。 RAG存储的本质是语义相似度+元数据过滤向量库和传统库是…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…把一句话拆到两块里，导致检索时上下文丢失。我会把零重叠、短窗口与较长窗口作为候选，用同一评测集比较边界证据完整率、召回、存储与去重成本。重叠会增加索引与去重成本，具体增幅取决于窗口和步长，不一律翻倍。这个其实牵涉到文档结构和模型上下文长度，挺有意思的，可以展开聊聊。最后说我的判断：[[RAG]]不是银弹，它可为知识密集任务提供外部证据，也能结合IRCoT等迭代检索服务多步推理；是否有效需分解检索与推理失败。如果知识库频繁更新，或者查询高度依赖精确匹配，我会搭配关键词或者甚至…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配口述回答：…常见问题，更新周期按小时算，用增量索引。冷数据比如历史法规、老版本文档，更新频率低，按天或周重建全量索引。这样既保证实时性，又控制成本。再一个，索引层我会做多路召回融合。具体说就是[[混合检索]]：用 [[BM25]] 捕捉时效性关键词，比如“最新”、“2024年”，同时用向量检索捕捉语义。两条路的结果合并后，再按时间戳加权排序，近期文档得分更高。另外，同一实体我会保留历史快照，但检索时只返回最新版本，避免混淆。检索层还有个动态补偿机制。如果query明显带有时间意图，比…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：…反馈闭环，这几个环节环环相扣。我更倾向先用简单方案跑通，比如BM25加向量，再逐步加[[重排]]和反馈，避免一开始就搞复杂导致维护成本失控。本质是语义匹配加工程取舍混合检索：向量加关键词，各管一摊分块策略：粒度与上下文的平衡落地风险：数据漂移和索引更新收尾：重排与反馈闭环约4分钟 Self-RAG让模型自己判断是否需要检索，减少无效检索和幻觉。面试官可能会追问Self-RAG的具体实现细节，比如怎么训练判断逻辑，或者和普通RAG的对比。

#字节#向量数据库召回#RAG 向量检索

RAG 工作原理与核心组件

RAG 技术实现流程怎么走?

RAG 工作流程与关键技术组件

RAG 文档处理与检索策略怎么搭？

RAG 核心实现原理是什么?

RAG 架构组件与失败场景

RAG 架构：检索到生成全链路

RAG 局限性怎么破?

RAG 两阶段架构：模块与数据流

RAG 架构怎么搭?

RAG 检索器与生成器如何协同？

语义检索向量数据库构建流程

RAG 召回准确性：三大失败场景

向量数据库 vs 传统数据库怎么选？

Embedding 怎么实现语义召回?

RAG 工作流怎么应对时效衰减?

RAG 向量检索怎么高效召回?