匹配正文：…术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单que…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量，用同一评测集比较证据完整率、召回与成本二、向量化：选型与微调 Embedding模型选择场景推荐方案通用领域 BGE-M3、E5系列垂直领域领域语料微调M3-E或自研多语言多语言专用模型微调要点：用领域内的(query, doc)正例对+In-batch负采样，提升领域语义对齐三、检索策略：多路召回+精排用户Query → 改写/扩展 → 并行召回 ├── 向量检索（语…

#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· 商汤科技

RAG 技术流程怎么跑?

答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

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：

#商汤科技#检索生成流程#RAG 技术流程

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· 百度

GraphRAG 为何召回更精准?

匹配正文：…表述（如"OpenAI"和"ChatGPT的开发商"）在图中归一关系类型自带语义：区分"创始人"vs"投资人"vs"竞争对手"，向量相似度无法区分 2. 多跳推理召回向量检索是单点匹配，GraphRAG支持路径遍历示例：问"与某投资人相关的AI公司" → 从"投资人"节点出发，沿"投资"边扩散，召回未被直接提及的关联实体传统RAG需靠运气命中，GraphRAG通过图遍历确定性扩展上下文 3. 全局结构感知社区发现算法（如Leiden）识别密集子图，生成高层语义摘要 …

#百度#知识图谱#评估与监控

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…热切换 ~1h 强一致（版本控制）低频高危（定价策略）人工审核+灰度发布天级强一致落地挑战与应对延迟与效果权衡问题：向量检索+LLM生成链路过长（>500ms）解法：检索结果缓存（LRU+语义去重）；预计算热门查询的RAG结果；异步预填充一致性保障向量库与实时库的数据对齐：统一事件时间戳，检索时带valid_time过滤模型幻觉vs知识冲突：显式标注知识来源，冲突时优先级排序（实时库 > 向量库 > 模型参数）效果评估闭环离线：分布漂移前后的KL散度…

#美团#分布漂移#外接数据库增强

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· 字节

RAG 为何需要重排序?

匹配正文：答案要点向量相似度≠语义相关性，存在语义鸿沟 Embedding模型能力边界导致召回偏差粗排精排的两阶段架构设计必要性大模型具备深层语义理解和上下文感知能力生成阶段需要综合多维度信息做最终决策核心原因：向量相似度存在本质局限 1. 相似度≠相关性向量检索基于Embedding空间距离，只能捕捉浅层语义相似问题："如何防止过拟合" 与文档："过拟合的危害" 向量相近，但可能无法直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Em…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 字节

召回模型怎么搭建?

匹配正文：整体架构：双塔模型（DSSM）推荐召回的核心是向量检索，主流方案是双塔结构：User塔和Item塔分别编码，点积计算相似度，线上通过ANN快速检索。关键环节设计 1. 特征工程塔核心特征设计要点 User塔用户ID、画像标签、历史行为序列行为序列用Pooling或Transformer压缩，避免长序列直接输入 Item塔物品ID、类目、标签、文本/视觉内容内容特征需预训练（如BERT、CLIP），保持与User塔维度一致关键权衡：ID特征记忆性强但泛化差，…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…itle": "退款流程" # 用于重排序 } 设计要点：支持预过滤（如where category='payment'），减少向量搜索空间保留原文存储位置，避免向量库膨胀索引结构设计向量索引：HNSW（平衡速度与召回）或 IVF（内存受限时）倒排索引：BM25/关键词索引，用于混合检索分层索引：热点数据内存HNSW + 冷数据磁盘索引生产实践：90%场景用向量+关键词混合检索（RRF融合），纯向量检索在专有名词、ID查询上效果差。

#安克科技#向量数据库选型#RAG 知识库存储

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…怎样用同一批问题比较不同切分方案。没有跑过对照实验，就说清楚这是待验证项，不能编一个提升数字。面试官：为什么同时使用关键词检索与向量检索？回答应落到互补关系。关键词检索更擅长标题、编号和专业术语；向量检索更擅长同义改写。两路结果需要融合，之后才轮到重排。请继续说明搜索范围、权限过滤和文档状态在哪里生效，否则“召回更好”仍然只是口号。面试官：多轮对话里，用户只说“那个方案”怎么办？先判断历史里是否有足够信息消解指代，再把问题改写成可独立检索的表达。改写前后的 Query…

#RAG#项目深挖#教学复原

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…和状态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：BM25 vs 向量检索 vs 混合检索怎么选?。 4. tradeoff · tradeoff 为什么选 RRF 而不是归一化加权？RRF 常数、各路 top-k 和重排深度如何确定？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：RAG检索质量提…

#模拟面试#简历项目#连续追问

系统教程·知识图谱

知识图谱与 GraphRAG 面试题大全

匹配正文：知识图谱不是每个 RAG 都要加，但在复杂关系、多跳推理、强结构业务里很容易成为加分项。面试关键是讲清什么时候需要图谱，以及图谱和向量检索怎么配合。配套教程 RAG 面试题大全与知识体系大模型系统设计：复杂知识检索怎么拆知识模块知识图谱、GraphRAG 与结构化检索知识图谱、GraphRAG 与结构化检索常见问题 GraphRAG 适合什么场景？适合实体关系密集、需要多跳关联或全局结构总结的场景。普通 FAQ 或短文档检索不一定需要图谱，先把基础 RAG 做好…

#专题学习#知识图谱与 GraphRAG 面试题大全

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…器或数据库查询。重点不是框架,是工具 schema、调用结果回填、循环终止条件。拼一个最小 RAG:准备 20 篇文档,做切块、Embedding、向量检索、Prompt 拼接、答案生成。先别上复杂框架,把每一步打印出来。这一阶段的判断标准不是“页面好不好看”,而是你能不能回答:“如果答案错了,我从哪一步开始排查?”如果你能把错误定位到切块、召回、重排、Prompt、模型能力或评估集,就开始有应用开发的味道了。第 3 步:完整项目,只做一个,但要做深面试官不缺“我做过…

#求职#职业转型

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…"""检索:从知识库里找出和问题相关的那条资料。最朴素的"检索":哪个关键词出现在问题里,就返回它对应的知识。真实系统会换成"向量检索":把问题和知识都转成向量,按"意思相近"找(第 4 章)。 """ for key, text in knowledge.items(): # 逐条看知识库里的每个关键词 if key in question: # 关键词出现在问题里 → 命中 return text return None # 一圈下来都没命中 → 库里没这条知识 de…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…钮,每个按钮什么时候值得碰。面试准备差异:刷题也不能刷错方向目标岗位重点题库模块项目准备 RAG 应用开发 RAG 基础、向量检索、重排与优化、评估与监控 RAG 智能问答系统做深 Agent 开发 Agent、Prompt 工程、工具调用相关题 Deep Research Agent做深应用算法/微调模型微调、RLHF 与对齐、模型训练轻量微调项目 + RAG/Agent 应用场景推理部署/LLMOps 推理优化、模型架构、评估监控高并发推理、成本和稳定性…

#求职#职业转型

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…频字幕,最小版本常会遇到两类问题: 像「公司的报销制度是什么」这种流程型问题,答案明明白白躺在制度文档里,却因为只有几个关键词、纯向量检索抓不准; 像「怎么提升销售业绩」这种思考型问题,答案又零散分布在十几份培训材料里,召回的片段东一块西一块。再加上召回回来没重排、Embedding 还是通用的、不认"现金价值""退保费"这些保险黑话,这些毛病各不相同,却都指向同一件事: RAG 不是"写个检索"就完事,它得拆成几个各管一摊的模块,一个个治。这一章,我们先把这套"分工"在…

#RAG#检索#项目实战

项目实战·Agent

第 3 章:工具集设计,让 Agent 真正「会用工具」

匹配正文：… def search(q): # 搜索:只给线索(标题/摘要) KB = {"qdrant": "Qdrant[示例条目] — 向量检索服务,性能需按目标配置实测", "pgvector": "pgvector[标题] — PostgreSQL 扩展,复用现有库"} return next((v for k, v in KB.items() if k in q.lower()), "无相关结果") def visit(q): # 访问:给正文细节 PAGES = {"qdr…

#Agent#Deep Research#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…类岗位画像总览岗位类型一句话解释日常任务更适合谁面试高频模块 RAG 工程让模型基于企业资料回答问题文档处理、切块、Embedding、检索、重排、引用、评估后端、数据、企业系统、知识库项目背景 RAG 基础、向量检索、重排与优化 Agent 开发让模型调用工具完成多步任务工具 schema、任务规划、状态机、记忆、异常兜底后端、全栈、自动化、研发工具背景 Agent、Prompt 工程推理部署/LLMOps 让模型服务稳定、便宜、跑得快模型服务、并…

#求职#职业转型

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…,要更新)。 2.5 海量长期记忆怎么存当长期记忆攒到海量(几十万条),存储和检索就成了工程问题: 海量长期记忆:分层存储 + 向量检索 + 元数据过滤分层:热数据(最近 / 高频)放快存储,冷数据归档,别全堆在一个向量库里。向量检索 + 元数据过滤:先按用户 ID / 时间等元数据缩小范围,再向量检索,否则海量库里捞,又慢又不准。同一套审美:这其实又是「先缩小范围、再精检索」的两阶段思路,和向量检索召回是同一套工程审美。讲师私货:别把「短期记忆」和「长期记忆」混在…

#Agent#Deep Research#项目实战

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…关键词你要准备的项目证据大模型应用开发实习 RAG/Agent 项目、API 调用、服务化能力 RAG/知识库实习文档处理、向量检索、重排、评估、引用 Agent/AI 助手实习工具调用、任务规划、记忆、异常兜底 AIGC/多模态应用实习多模态理解、内容生成、评估、业务场景应用算法实习微调、评估、数据构造、实验对比在校生可以先读工程面试教学复原，理解项目怎样被逐层追问；历史面试资料的来源复核状态单独保留。研究生项目怎么做才不空一个学生项目最怕“像课程作业”…

#求职#职业转型

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…代码、文档、评估表、简历版本、投递反馈。如果连续两周没有任何产出,不是你不适合转型,而是计划太散。把目标缩小到“本周把文档切块和向量检索跑通”,比“我要学完大模型”有效得多。看一篇真实案例再校准预期可以读RAG 工程面试教学复原。这类案例的重点不是“别人拿到了什么结果”,而是看面试官怎么追问:文档切分、召回、重排、评估、RRF 参数、项目真实性,每一层都在验证候选人有没有真正做过。你读面经时要做两件事: 把每个追问映射到自己的项目里:如果同样问你,你怎么答? 把答不上…

#求职#职业转型

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…就是再加一道关卡,用更强但更慢的模型,把这批候选重新排一次序,把最相关的几条顶到前面。概念 2:为什么粗排会排错? 第 5 章的向量检索和 BM25 都是独立打分的,只看 query 和单个 doc 各自的相似度/词面命中,读不懂 query 和 doc 之间的"关系"。于是一个字面很像、意思却相反的文档(比如"免责条款")可能拿到高分。粗排独立打分,读不懂 query 和 doc 的关系概念 3:什么是 Cross-Encoder? Cross-Encoder(交叉编…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：转大模型应用开发,不用把深度学习从头学一遍,真正要吃透的是一小批"每天做工程决策都会碰到"的概念:Token、上下文窗口、温度、Embedding、向量检索、RAG、Agent、评估指标这些。标准不是能背定义,而是能一句话讲清、还能说出它影响哪个工程取舍。这篇给你一张核心概念清单和"懂到什么程度"的可操作标准。作者:吴师兄 | 适合:准备转大模型应用开发、想知道概念地基要打到多深的人 | 前置:知道应用岗和算法岗的区别,不需要机器学习背景到底要懂哪些概念:一张清单表先给…

#求职#职业转型