匹配追问：场景切入假设你现在做一个电商客服，用户问“这个订单什么时候发货”，你直接判给查询物流。现在想转成生成模型统一处理，把“查询物流”这个分类任务变成让模型自己生成答案。你会怎么设计模板？层层追问把分类任务转成生成任务，你一般怎么构造输入输出？……比如情感分类，你会直接让模型生成“正面”还是加一句指令？……那如果任务比较复杂，比如要推理原因的，你又会怎么设计？直球架构比较前缀引导、自然语言指令和思维链三种模板，在把判别式任务转成生成式时各自的优劣是什么？实际落地你倾向用哪…

#字节#生成式建模#判别式转生成式

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…决多跳推理的问题，但实现起来更复杂，对模型的规划能力要求很高。所以整体上，我更倾向把RAG看成一个检索工程问题，而不是生成问题。生成模型现在很成熟，瓶颈往往在前面，怎么切文档、怎么建索引、怎么调检索参数。如果让我选，我会把80%的精力放在检索质量上，剩下的用来做端到端的评测和badcase分析。一句话定位：RAG本质是给大模型配一个可实时更新的知识外挂边界划分：RAG适合事实密集型场景，微调适合风格/行为对齐真实业务场景：客服退款政策检索落地风险与前提：检索精度决定…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG

LLM 封闭标签方法对比

匹配口述回答：这道题其实问的是，怎么把一个通用生成模型硬掰成分类模型，让它只输出我们想要的那几个标签。我做过一些落地，聊一下我的思路。先说最简单的，提示工程加输出解析。就是在Prompt里把可选标签全列出来，告诉模型只能选一个，然后后面用正则或者规则把输出兜住。这个方案的好处是零改造成本，你甚至不用微调，拿个Prompt就能跑。但说实话，它非常不可靠。模型可能自己造个标签出来，或者格式乱七八糟，你解析的时候就得各种兜底。所以它只适合快速验证或者Demo，真正上线我不太敢只用它。真正生产…

← 上一页第 4 / 4 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配口述回答：…回加精排生成与校验：引用锚定和规则兜底约4分钟当检索结果质量不高时，可以让模型先反思是否需要拒绝回答或二次检索，而不是硬塞给生成模型。面试官可能会追问Self-RAG或Corrective RAG的具体实现细节，比如如何设计反思机制、如何平衡拒绝回答和用户体验。

#字节#重排与优化#RAG 链路优化

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：这道题问的是[[RAG]]的完整流程，我觉得本质上是在问：怎么把外部知识可靠地注入到生成模型里，同时控制住[[幻觉]]。它不是单纯讲检索或者生成，而是两者怎么分工、怎么衔接。具体来说，我会把流程拆成几个阶段。首先是查询理解，用户问的问题可能比较模糊，比如“退款为什么没到账”，我会想用户到底在问退款状态、到账时间还是异常原因。必要的时候做query改写，比如多跳问题拆解成子问题。这一步的难点在于，改写不能偏离原始意图，否则后面检索全是歪的。然后是检索召回。这里我倾向于多路…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配口述回答：…促销活动。这时候重排模型上场，它会仔细比对 query 和每个文档的语义相关性，把真正讲“降价退差价”的文档排到最前面。这样下游的生成模型拿到的上下文质量就高很多，回答也更精准，首问解决率能明显提升。不过，引入重排也有几个落地风险。第一个前提是重排模型不能太重，否则整个检索链路的延迟会超标。我见过一些团队直接上 BERT-large 做重排，结果延迟从 50ms 飙到 500ms，线上根本扛不住。所以实际中常用的是轻量级模型，比如 MiniLM 或者[[蒸馏]]过的版本，或…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…认该上。比如正确文档没进候选，先修覆盖和召回；候选已有答案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。 Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评测集上逐步加模块，分别看 Recall@K、MRR 或 …

#淘天#重排与优化#Naive RAG

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：…十条做重排，别全量做。另外，用户query有时表达模糊，我还会做query改写，扩展同义词或者澄清指代。检索到片段之后，怎么喂给生成模型？先按相关性排序拼成上下文，但得控制长度，一般不超过模型上下文窗口的30%到50%，留空间给指令和回答。Prompt设计上，我会明确说「基于以下参考资料回答，如果资料不足请说明」，同时要求模型标注引用来源，就是让它回答时带上「根据第X段」。这样能有效抑制[[Hallucination]]。如果检索分数低于某个阈值，我宁愿让模型说不知道，也不…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配追问：…串起来的？层层追问 RAG 系统里你怎么处理文档的？……分块一般注意什么？……那检索的时候，光用向量够吗？……怎么把检索结果喂给生成模型，上下文太长怎么办？直球架构请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配口述回答：…mpt 写得再好也没用；检索找对但上下文塞太多噪声，模型也可能被带偏。我会特别强调一点：RAG 的上限往往先由检索结果决定，再由生成模型决定。一个成熟系统要同时评估检索侧的 Recall@K、MRR，也要评估生成侧的[[忠实度]]和答案正确率。 RAG本质：用检索约束生成，解决幻觉和时效性离线预处理：文档切块、Embedding、建向量数据库在线检索：向量搜索 + 重排序增强阶段：组装Prompt，控制上下文生成阶段：引用溯源和拒绝回答的机制约4分钟 RAG 的本…

#百度#RAG三阶段#RAG 工作流程