匹配正文：…ng（如ChatGLM的对话格式）京东等电商场景的特殊考量挑战解决思路属性对齐 "大屏手机"→屏幕尺寸>6.5英寸，需对接知识图谱品牌词保护改写时锁定品牌实体，防止"小米"→"大米" 库存感知改写结果过滤无货SKU，或提示"相似款" 选型建议高并发搜索：同义扩展 + 缓存，保证延迟对话式导购：语义重写 + 历史融合，提升体验冷启动/长尾：LLM生成多视角Query，扩充召回学习建议建议系统学习该知识点

#京东#Query改写#Query 改写

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展，合并去重重排序：Cross-encoder（如bge-reranker）精排，领域数据微调；法律场景加入引用频率和时效性作为手工特征查…

#字节#重排与优化#RAG 链路优化

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…据分级存储，敏感内容加密embedding或隔离索引架构示意：用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

← 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

#高德#重排与优化#文档处理

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：…oken返回后chunk输出，降低用户感知延迟并行化：检索与LLM调用解耦，工具调用异步化正确率优化混合检索：向量+关键词+知识图谱多路召回，RRF融合查询改写：HyDE生成伪答案再检索，解决query-doc语义gap 重排序精排：Cross-encoder细粒度打分，过滤低质结果 Self-RAG：生成时主动判断是否需要补充检索，避免过度检索 Agent层优化规划阶段用轻量模型，执行阶段再用大模型工具结果结构化缓存，相同参数直接复用

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…稠密+稀疏融合兼顾语义与精准系统复杂，融合策略需调优通用生产环境首选图检索实体关系遍历多跳推理强构建成本高，延迟大知识图谱场景技术选型考量数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档多、用户问题口语化 → 稠密向量为主专业领域（医疗/法律）→ 必须混合检索，稀疏兜底延迟与精度的权衡在线场景（<100ms）：HNSW索引 + 粗排截断Top-K 离线/准实时：可接受IVF-PQ的精度损失换内存成本约束向量维度、索…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…SW参数调优（ef_construction/ef_search），IVF-PQ量化降维多路召回：向量检索 + 关键词检索 + 知识图谱并行召回查询扩展：用LLM生成同义查询，提升覆盖度 4. 重排序（Rerank）核心问题：粗排结果精化优化策略：交叉编码器：用ColBERT等模型计算查询-文档细粒度交互多任务学习：联合优化相关性、时效性、权威性反馈学习：根据用户点击行为在线优化排序模型 5. 生成与后处理核心问题：幻觉控制和答案质量优化策略：上下文压缩：…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…明查询改写扩展同义词、纠错、指代消解（如"它"→具体实体）多路检索向量检索（语义匹配）+ 关键词检索（精确匹配）+ 可能的知识图谱召回重排序（Rerank）用Cross-Encoder（如BGE-Reranker）精排Top-K，提升相关性上下文组装按相关性排序拼接chunk，控制总长度（通常占LLM上下文30%-50%） LLM生成构造Prompt："基于以下信息回答问题：[context]\n问题：[query]" 四、关键优化点混合检索：稠密向量+稀…

#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?

匹配正文：…e_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning解决"知识内化"；复杂…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：… 领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法律领域微调的ColBERT）时效性加权：新法优先；地域匹配：当事人所在地法规优先三、生成优化 Prompt工程角色：资深法…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…升效果的关键技术问题解决方案上下文过长截断检索结果摘要压缩、层次化检索（先章节后段落）多跳推理迭代检索（IRCoT）、知识图谱增强幻觉与归因检索结果显式引用、置信度阈值过滤冷启动/新文档增量索引、实时向量更新管道落地权衡延迟：按业务SLO分别测编码、检索、重排、TTFT与生成TPOT；完整回答时长受输出长度影响，不套统一500/100/400ms预算。成本：Embedding调用费用 vs 精排模型部署成本效果边界：候选漏召回限制基于该证据集的作答…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配正文：…"给什么" Context Engineering 的三层方法检索层（Retrieval）多路召回：向量检索 + 关键词 + 知识图谱查询扩展：HyDE、子查询分解重排序层（Reranking）相关性打分：Cross-encoder精排多样性控制：MMR算法避免冗余压缩层（Compression）上下文压缩：LLMLingua、选择性上下文结构化组织：树状摘要、时间线梳理协同关系用户问题 → Context Engineering（造好"食材"）→ Pr…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：… Embedding与召回领域数据务必微调embedding，通用模型域外效果差多路召回：向量检索 + 关键词（BM25）+ 知识图谱重排序（Rerank）是性价比最高的优化，Cross-Encoder比Bi-Encoder准但慢常见陷阱只测Top-1命中率，忽略MRR和召回率向量维度高≠效果好，768/1024够用，关注训练数据质量二、上下文处理窗口管理检索结果去重：MMR算法或语义去重避免重复段落相关性过滤：设阈值剔除低分chunk，宁可少也不要噪声 …

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…分（按主题/段落），控制chunk 300-500 tokens 信息密度低清洗HTML标签、广告，提取核心内容多跳关联构建知识图谱，显式链接相关文档时效性时间戳过滤，新文档加权五、快速验证方法构建黄金测试集：100-500条人工标注的(query, 相关doc)对错误分析：按bad case类型（漏召回、误召回、排序错）分类优化

#360#召回质量评估#RAG 召回优化

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知识库补充提供"未找到答案，提交人…

#百度#小鹏#美团

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配口述回答：…精确匹配，[[BM25]]反而管用。还有图遍历召回，基于实体关系扩展，比如用户提到「上次那个客服帮我处理过」，Agent就得从[[知识图谱]]里找到相关实体。排序这块，我会用特征融合打分：语义相似度、时间衰减、重要性分数、交互频率加权求和。时间衰减用指数函数，近期记忆权重更高。重要性建模靠LLM打标，比如用户明确说「记住了」或者「重要」的事件，重要性分数就给高。但这里有个坑：如果用户反馈稀疏，重要性分数会失效，这时候我会退一步，用交互频率做替代，比如用户反复查询的订单，隐式…

#字节#蚂蚁#向量检索

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：…有人用[[Parent Document]]方式，检索子块后返回父块全文，但这样上下文窗口压力大。这块我觉得值得深入，比如结合[[知识图谱]]来建模实体关系。所以，我会先比较递归分块、结构分块和不同重叠窗口，再根据bad case判断是否需要语义分块或Agentic分块。前提是数据质量过关，边界清晰，否则再花哨的策略也救不了。一句话定位：分块本质是上下文完整性和检索精确性的平衡边界划分与策略选择：固定长度 vs 语义分块，递归分块+重叠是起步标配业务场景举例：企业合规…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·评估· 商汤科技

AI Agent 核心理解与未来趋势

匹配口述回答：…定义。规划不只是任务分解，更重要的是子目标之间的依赖和冲突处理；记忆分短期和长期，短期就是上下文窗口，长期靠[[向量库]]或者[[知识图谱]]；工具是Agent的双手，比如调API、执行代码、甚至操作UI；行动就是执行并观察反馈。主流范式像[[ReAct]]是推理和行动交错，适合走一步看一步的任务；Plan-and-Execute是先规划再执行，适合流程明确的任务。不过说实话，真正落地常常是混着用的，比如客服场景，简单问题直接ReAct，复杂流程先规划再逐步执行。举个例子，…

#商汤科技#评估与监控#AI Agent 理解

面试题·模型微调· 京东

300-500意图怎么召回?

匹配口述回答：…级路由缩小范围多路召回+精排替代全量Prompt 上下文压缩与工程平衡风险与取舍约4分钟当意图数量超过一千时，可以考虑引入知识图谱来组织意图层次和关系，提升路由和召回准确率。面试官可能会追问知识图谱如何构建、如何与向量检索结合，以及工程上的复杂度。

#京东#大规模意图识别#上下文长度限制

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…前有效条款，生成准确率明显提升。再一个，我比较推荐搞 [[混合检索]]，就是向量检索加 [[BM25]] 关键词检索，甚至接[[知识图谱]]，多路召回之后做加权融合。这样能避免单一检索方式被噪声带偏。比如向量检索容易把语义相近但实际无关的文档召回来，关键词检索反而能纠正。但这里有个坑：融合策略不是简单的取交集或求平均，得根据场景调权重。比如小红书那种 UGC 内容，噪声类型很复杂，标题党、软广、过时笔记都有，我可能还会加时效性过滤和作者权威性评分，把低质量笔记压下去。说完…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：…-BERT；二是[[BM25]]加领域同义词扩展，像医疗里UMLS同义词库，避免用户说“头疼”但知识库写“头痛”就搜不到；三是[[知识图谱]]检索，用Neo4j存实体关系，比如“疾病-症状-药品”三元组。这三路结果合并后用[[交叉编码器]]精排。这里有个坑：向量检索对时效性不敏感，但专业领域很多知识会过时，比如法律条文修订、药品说明书更新。所以我会在精排时引入时效性衰减因子，发布日期越早，分数打折扣越多。生成器优化方面，基座模型我会选领域微调过的，比如Huatuo-LLM或…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：…破损定义”的文档，重排能准确把“破损退款操作步骤”排到最前面。其次是多路融合，实际系统常常同时用关键词[[BM25]]、向量、[[知识图谱]]等多路召回，它们的分数不在一个尺度上，重排可以用一个统一的模型给所有候选打分，把不同来源的结果融合起来。常见的实现方式，最主流的是Cross-Encoder，比如BGE-Reranker，精度高，但计算成本也高，所以一般只对召回Top-100做重排，再输出Top-10给LLM。另一个是[[ColBERT]]，用late interac…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…后判断是否冲突。单轮检索很难覆盖，我会考虑用[[Self-RAG]]让模型自己决定何时检索，或者用[[GraphRAG]]构建[[知识图谱]]，但延迟会更高。这就引出一个问题：能否让Agent在推理过程中动态决定检索深度和范围，而不是每次都全量检索？这可能是平衡延迟和准确率的一个方向。本质是平衡延迟与准确率的工程博弈延迟挑战：链路串行、重排序开销、上下文膨胀准确率挑战：语义鸿沟、切分策略、动态知识滞后 Agent场景的特殊性：多轮累积与工具耦合工程取舍：混合检索、自适…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…快速扩展知识边界”的方案，适合知识频繁更新的场景，比如实时政策、产品手册；但如果是需要深度推理或常识性知识，我更倾向结合微调或[[知识图谱]]。总结下来，RAG落地的核心不是哪个环节最酷，而是整个链路的一致性：从分块策略、Embedding选型、检索融合，到生成控制，每一步都要对齐业务场景。 RAG本质是给大模型配外挂知识库离线建库的坑：分块和向量化在线检索：混合检索加重排才是常态生成阶段：引用溯源和拒答机制落地风险：前提和取舍约4分钟 RAG的前提是知识库质量，…

#高德#RAG#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…“我们这种跨境业务适用哪个条款”，Naive RAG可能搜出一堆不相关的政策，而Advanced RAG会先识别“跨境”关键词，从知识图谱里找到对应的业务分类，再检索具体条款，最后用重排确保答案精准。落地时我特别关注两个风险。一是检索精度，如果[[Embedding]]模型没在领域数据上微调过，语义会漂移，比如“苹果”可能匹配到水果而不是品牌。我的做法是用[[Dense Retrieval]]加领域微调，同时做查询扩展，把同义词也搜进去。二是[[幻觉]]控制，模型有时候不忠…

#字节#RAG实现原理#RAG 实现原理