匹配正文：…E、Faithfulness 了解端到端评估框架RAGAS的核心指标理解人工评估与自动评估的权衡知道业务场景下的实用评估策略 RAG评估要分检索层和生成层两个维度，最后才是端到端评估。一、检索质量评估经典指标 Recall@K：Top-K中相关文档数 / 已标注相关文档总数，通常先逐query计算再汇总；分母不是K。必须说明文档/片段粒度及相关性标注覆盖。 MRR（平均倒数排名）：对每个query取第一个相关结果排名的倒数，再求均值；没有命中记0，并说明截断K。 Hi…

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：答案要点清晰阐述RAG的核心原理（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 …

#美团#混合检索#RAG 技术

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配正文：…估与组件级评估的区别提及实际挑战如标注成本高、主观性、延迟与质量的权衡能结合业务场景举例说明一、评估维度分层 1. 检索层（RAG特有） Recall@K / MRR：衡量检索系统能否召回相关文档 NDCG：考虑排序质量的综合指标 Hit Rate：Top-K是否命中答案所在文档 2. 生成层 Faithfulness / 忠实度：生成内容是否忠实于检索文档（可用NLI模型判断） Answer Relevance：答案与问题的相关性 Context Precision：…

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

#安克科技#评估与监控#Agent

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：…公开benchmark适配跨模型可比检查license，避免数据污染关键：覆盖多轮对话、边界case（如无答案、需澄清）、跨领域query。标注流程 RAG标注：检索相关性：人工标注doc与query的相关性等级（0-3分）答案准确性：对比标准答案，标注幻觉、遗漏、矛盾 Agent标注：轨迹标注：记录正确工具调用序列作为gold path 状态检查：关键步骤的中间状态是否正确效率优化：先用规则/模型预标注，人工抽检+修正，迭代提升质量。负样本构造（Hard …

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：为什么引入RAG RAG的核心价值是解耦知识存储与模型参数，解决大模型固有缺陷：知识时效性：模型参数冻结后无法感知新知识，RAG通过实时检索外部库解决幻觉问题：生成内容可溯源到检索文档，大幅降低"一本正经胡说八道" 训练成本：SFT需要重新训练模型，RAG只需更新知识库，边际成本极低可解释性：能展示"参考了哪些资料"，满足合规审计需求 RAG vs SFT 的适用边界维度 RAG更适合 SFT更适合知识特性频繁更新、领域专精通用能力、长期稳定数据规模海量文档…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配追问：…商客服系统做RAG，用户问“这款手机怎么样”，需要检索相关产品文档。你会选哪个Embedding模型？从哪些方面考虑？层层追问 RAG里Embedding模型怎么选？……你觉得主要看哪些因素？……如果文档很长，比如产品说明书有几千字，模型长度不够怎么办？…… 直球架构让你为一个RAG系统选Embedding模型，给出选型的关键因素和评估方法，从语义能力、效率、领域适配这些方面讲。注意结合具体业务场景。

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配追问：场景切入假设你在做一个电商客服RAG，用户问‘退货运费谁出’，系统要检索相关规则。你会怎么选文本编码模型？比如考虑领域术语和长描述怎么处理？层层追问 RAG里文本编码模型怎么选？……除了精度，工程上还要看哪些指标？……如果业务有大量长文档，向量维度和存储成本怎么权衡？直球架构请列出在RAG系统中选择文本向量编码模型时，需要考虑的技术指标和性能因素，包括语义质量、工程性能和系统兼容性等方面。

#百度#评估与监控#向量检索

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配追问：场景切入假设你在做电商客服的RAG系统，用户问“我的订单到哪了”，系统检索到一段物流信息但其实是另一个订单的。你会从哪些环节去优化，避免这种噪声干扰？层层追问 RAG系统里检索出来的上下文不准确或者有噪声，你一般怎么处理？……那如果从数据构建角度呢？……还有检索环节或者拿到结果之后，有没有什么补救措施？直球架构当RAG系统检索出现上下文不准确或噪声干扰时，有哪些解决策略？请从数据构建、检索优化和后处理三个方面展开，并说说常用哪些训练和评估数据集。

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：… 上下文压缩：用更小模型提取关键句，缓解长上下文噪声 4. 系统层：反馈闭环用户点赞/点踩数据回流，微调Embedding模型（领域适配）检索失败检测：当置信度低于阈值，触发主动澄清或转人工技术边界与选型 RAG不是万能解，需与SFT、Agent协同：高频稳定知识 → SFT内化到模型参数动态/海量知识 → RAG外挂复杂任务执行 → Agent+RAG（检索作为工具之一）美团场景示例：外卖菜品知识用RAG实时更新，但下单对话策略用SFT固化，复杂售后链路用Ag…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非事实记忆。 RAG上限：受限于检索精度和上下文长度。再强的生成模型也救不回错误的检索结果。适合事实密集型任务，但长程多跳推理是短板。选型建议场景推荐方案领域知识稳定、需深度推理（代码、数学） SFT 知识频繁变更、需可溯源（客服、政策问答） RAG 两者都要 RAG+SFT：RAG提供实时知识，SFT优化推理风格和领域格式关键判断：知识更新频率 > …

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：核心价值 RAG 让模型在回答时读取可更新、可授权和可追溯的外部资料，主要缓解参数知识过期、私有知识缺失和事实依据不足。它改善的是知识访问链路，不保证自动消除幻觉，也不能替代模型本身的推理、工具执行或权限控制。 1. 知识时效性知识库更新后仍需经过解析、分块、索引和发布，查询才能读到新版本。天气、订单和实时价格等数据更适合通过实时 API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入…

#美团#知识增强#RAG 核心问题

面试题·RAG

RAG 和微调怎么选？

匹配正文：答案要点微调是“改模型本身”：用领域数据继续训练模型，把知识和行为方式写进参数里 RAG 是“外挂资料库”：模型不动，回答前先检索资料喂给它知识时效性：知识经常变 → 选 RAG，改知识库即时生效；微调的知识固化在参数里，更新就得重训成本：RAG 主要是工程成本；微调需要标注数据 + GPU 训练，且每次知识更新都要再花一遍幻觉：RAG 答案有原文可溯源，更可控；微调过的知识模型照样可能记岔、编造核心概念 RAG 与微调（Fine-tuning）是给大模型补充领域能…

#入门#基础概念#RAG和微调的区别

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…题与文档表述方式差异大，字面匹配失败根源：Embedding的语义空间对齐不足；跨领域、跨粒度（词级vs概念级）匹配困难改进：领域微调Embedding模型；HyDE（假设文档嵌入）用生成式查询替代原始问题；引入知识图谱做实体链接和关系推理（GraphRAG方向）进阶方向 GraphRAG通过构建实体关系图，将"平面检索"升级为"结构化推理"，从根本上缓解语义鸿沟和上下文碎片化，但成本更高，适合复杂多跳问答场景。学习建议掌握RAG基本流程，结合实际案例理解检索与生成…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：… 关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs 局部匹配传统RAG：依赖向量相似度，擅长"找相似"，弱于"综合推理" GraphRAG：社区摘要检索——先定位相关社区，再展开细节解决"XX领域发展趋势"类全局查询（传统RAG无法回答，因答案分散在多文档）支持多跳推理：通过图遍历显式追踪关系链 3. 检索路径优化利用图算法（如Leiden社区发现）预计算语义聚类查询时：社区摘要→相关子图→原始文本，由…

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配口述回答：…本非常高，而且知识图谱覆盖不全的话，反而可能让模型对没见过的实体更爱瞎编。所以数据层适合做基础打底，但不能完全依赖它。再讲模型架构层面。现在最主流的做法是[[RAG]]，检索增强生成。比如客服场景，用户问“这个订单为什么还没退款”，模型不是凭记忆硬答，而是先去知识库里检索退款规则和订单状态，然后把检索结果当上下文来生成。这样生成的内容就有依据了。RAG 特别适合知识频繁更新的场景，比如电商大促期间满减政策天天变。但 RAG 也不是万能药，检索质量差的话，上下文喂错了反而放…

#海尔#幻觉治理#大模型幻觉缓解

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比微调便宜10-100倍可解释性：答案从哪来一目了然关键优化点（加分项）检索侧：Query改写、多轮检索、重排序（Cross-Encoder精排）生成侧：上下文窗口压缩、让模型先判断"是否足够回答" 工程侧：缓存热点Query、检索失败兜底策略一句话总结 RAG = 给LLM配个"外挂硬盘"，需要时查资料，不…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：一、检索偏差的成因分析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀…

#小红书#美团#重排与优化

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…——检索不准则生成必错，检索准确但生成指令不清则答案冗余。实际系统中需建立检索-生成联合评估闭环，持续优化Embedding模型与领域数据对齐。学习建议建议先掌握RAG基本流程框架，再结合实际案例理解检索器、重排序和生成模型的协作机制，多动手搭建简单RAG系统加深理解。

#阿里云#重排与优化#向量检索

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG Query 改写方法

匹配追问：…修期多久”，模糊不清。你怎么改写这个查询，让检索更准？改完拿到文档后，prompt又该怎么组装才能让模型给出靠谱答案？层层追问 RAG系统里，用户query经常跟文档不匹配，你会怎么处理？……嗯，那改写策略有哪些？……具体怎么选？……好，那检索到文档后，怎么构建prompt才能让模型不瞎编、只基于文档回答？直球架构设计RAG的查询改写和提示词构建模块。查询改写要考虑哪些策略、怎么选？提示词需要包含哪些要素，如何组织上下文、处理引用和冲突？请讲清架构和关键权衡。

#百度#小鹏#美团