匹配正文：…确定性要求的推理任务 ReAct Thought → Action → Observation 循环 Agent工具调用场景三、RAG与Agent中的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维护任务进度、历史Action…

#阿里#Prompt工程#Agent

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：…误导生成）医疗/法律问答知识实时性知识库更新即时生效，无需重训模型检索延迟影响TTFT（首token时间）电商促销信息系统灵活性同一模型适配多领域，仅换知识库领域迁移时检索-生成对齐困难多租户SaaS 可解释性生成内容可关联溯源文档知识冲突时缺乏显式消解机制金融合规四、演进意义：从"记忆"到"查阅" RAG的核心范式跃迁在于知识存储位置的转移：传统LLM：知识固化于参数（parametric memory）→ 更新成本极高（全量SFT/RLHF） …

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…op-K相关片段生成阶段：将"检索结果 + 原始Query"拼接输入LLM → 生成最终回答解决的核心问题问题传统LLM RAG方案知识幻觉参数化记忆，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：Embedding模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模…

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

#字节#外部知识检索#RAG 原理

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·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…Rerank 二次编码开销轻量模型、截断候选集关键权衡：召回率vs延迟，通常离线评测Recall@K，线上关注P99延迟。实际系统中常做"快路径"（纯向量）+ "慢路径"（+重排）分级处理。学习建议建议先掌握向量检索基础，理解嵌入模型和相似度计算原理，再结合RAG架构学习Retriever的工作流程，通过动手实践加深理解。

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…指令遵循能力的平衡各环节协同关系检索质量是天花板，生成能力是地板——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· 小红书

RAG检索不准的失败场景与优化

匹配正文：…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关键词检索，结果融合多向量表示：ColBERT细粒度交互，解决"粗粒度向量"匹配失效 2. 查询侧优化查询改写：用LLM扩…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：…断策略：重排输入不宜过长，通常对doc做滑动窗口或关键片段提取级联过滤：可先过轻量模型（如ColBERT）再过重模型，控制成本领域适配：通用重排模型在垂直领域往往需微调，可用点击/人工标注数据字节等厂的实际系统中，重排基本是标配，尤其在搜索问答、客服等对准确性要求高的场景。学习建议建议系统学习该知识点

#字节#重排与优化#RAG Re-ranking

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配口述回答：…果好，但每次检索都要调一次LLM生成假设文档，性价比不高，只对长尾查询用。其实还有一个方向我最近在关注，就是[[Agentic RAG]]，让模型自己决定什么时候检索、检索什么、要不要多轮检索。这个和传统RAG的边界在哪，我觉得挺值得聊的。所以整体上，我会把RAG看成一套系统工程，没有银弹。每个优化手段都有前提和代价，真正落地时，我更倾向于先搭一个简单但可靠的基线，再根据业务瓶颈逐步加优化，而不是一上来就堆满。 RAG本质是给LLM配外挂知识库索引阶段：分块与Embed…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…道则说不知道" Few-shot示例：展示引用格式和拒答样例思维链：先让模型分析哪些文档相关，再生成答案三、流程层优化自适应RAG 检索判断：LLM先判断是否需要检索（Self-RAG风格）迭代检索：生成中发现信息不足，主动发起二次检索多跳推理：复杂问题拆解子查询，链式检索系统级缓存机制：高频查询结果缓存，embedding结果缓存反馈闭环：用户点赞/点踩数据回流，微调embedding或重排序模型离线评估：定期用标准问答集测试召回率、答案相关性关键取舍 …

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：我觉得这道题问的其实是，在[[RAG]]系统里，为什么不能只靠一次检索搞定，非要再加一道[[重排]]。说白了，就是召回率和精度之间的取舍，你没法用一个模型同时把两件事都做到极致。先说一下向量检索的局限。不管是[[Embedding]]还是[[Bi-Encoder]]，本质是把query和文档独立编码成向量，然后算个余弦相似度。这种双塔结构只能捕捉粗粒度的语义，像主题匹配、领域对齐这种，但它做不了精细的交互。比如用户搜“苹果笔记本”，你召回“苹果公司财报”和“MacBook …

#字节#Rerank模型#RAG Rerank

面试题·检索· 百度

RAG Query 改写方法

匹配题目：在RAG系统中，如何设计有效的查询改写策略？以及在检索到相关文档后，如何构建合适的提示词来指导大模型生成准确答案？

#百度#小鹏#美团

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：…00 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]] 让模型自己判断检索内容是否过时，必要时拒绝回答。最后说挑战。检索质量决定 RAG 的天花板，如果第一步就召不准，后面再好的模型也白搭。所以我会优先做检索评测，盯着 Reca…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…-IDF关键词匹配精准匹配强，可解释性好语义鸿沟，同义词失效专业术语、ID类查询混合检索稠密+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…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG 架构组件与失败场景

匹配口述回答：…点：即使检索做得好，模型也可能自己编。我会在生成后加一层验证，比如用另一个轻量模型检查答案是否忠实于检索文档，或者用[[Self-RAG]]让模型自己反思。但这就涉及成本和延迟的权衡了，不是所有场景都需要。最后说说我的判断。RAG落地的前提是知识库质量够高，如果文档本身错误百出，再好的RAG也没用。所以我会把RAG看作一个系统工程，检索是上限，生成是下限，检索质量决定了你能拿到多好的信息，而生成只是把这些信息组织好。我更倾向于在检索和重排序上多花功夫，而不是在Prompt上…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过滤 2. Embedding与向量化核心问题：领域适配和表征…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…实进行回答工作流程用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Prompt组装（系统指令+检索上下文+Query） → LLM生成 → 输出+溯源引用缓解幻觉的核心优势机制作用事实锚定生成内容被约束在检索到的上下文范围内，减少自由发挥可溯源输出可附带原文出处，便于人工校验知识时效性无需重训模型，更新知识库即可同步最新信息领域适配低成本注入私有/垂直领域知识关键局限：检索质量是天花板——"检索错则生成错"…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配题目：在RAG系统的检索阶段，通常采用哪些优化策略来提升检索效率和准确性？请从向量检索、重排序、查询扩展等方面进行阐述。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：这道题其实是在问，怎么让[[RAG]]系统从知识库里精准捞出有用的信息，本质是个匹配问题。我主要从评估、检索模型、[[重排]]和数据质量几个角度来说。先说评估。检索阶段和生成阶段的关注点不一样，检索阶段我只看召回率，就是正确答案在不在TopK里，用 Recall@K 来衡量。如果场景对顺序敏感，比如客服系统里必须把最相关的退款政策排第一，那我还会看 MRR，也就是第一个正确答案的排名。但端到端评估像[[RAGAS]]那种，是测最终答案好不好，这跟检索评估是两码事，我一般分开…

#360#召回质量评估#RAG 召回优化

面试题·检索· 字节

RAG 为何需要重排序?

匹配口述回答：这道题其实在问一个很本质的问题：[[RAG]]系统里，向量检索和LLM[[重排序]]之间到底是什么关系？很多人以为向量搜到最相似的文档就完事了，但真正落过地就会知道，相似度和相关性是两回事。先说向量检索的边界在哪里。[[Embedding]]模型做的是把文本映射到高维空间，距离近的语义上相似，但相似不等于能回答用户问题。举个例子，用户问“退款政策是什么”，向量检索可能召回一篇讲“退货流程”的文章，因为词向量接近，但文章里根本没提退款金额和时间限制，这种文档对LLM来说就是噪…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：… Sparse Retrieval（如SPLADE）融合关键影响因素层级核心因素典型问题表示层 Embedding质量领域术语理解差、长文本截断、多语言对齐索引层分块策略块过大（粒度粗）、块过小（上下文断裂）、边界截断语义检索层相似度度量内积vs余弦vs欧氏距离的选择，未归一化导致偏差系统层数据分布索引更新延迟、冷热数据分层、租户隔离实践调优要点动态检索：小模型预判所需token数，自适应调整top-k 结果重排：Cross-Encoder精…

#字节#向量数据库召回#RAG 向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配题目：请描述搭建RAG（Retrieval-Augmented Generation）系统中知识库的主要流程，包括文档预处理、分块、向量化存储及检索索引构建等关键步骤。

#美团#RAG 知识库搭建#文档预处理

面试题·评估· 字节

RAG 自动与人工评估

匹配口述回答：这道题其实是在问，怎么衡量[[RAG]]系统到底好不好。我的理解是把评估拆成三个层面来思考：检索评估、生成评估和端到端评估。我先说自动评估，再说人工评估，最后聊一下落地怎么取舍。先说检索评估。这一步主要是看检索回来的片段质量怎么样。我最常用的指标是Recall@K，K一般取5或者10，它关心的是正确答案有没有被召回。如果业务场景对排序有要求，比如搜索结果要展示前几条，我会加上MRR来评估第一条正确结果的位置。不过说实话，检索评估只是中间环节，最终还是要看生成效果。生成评估…

#字节#评估与监控#RAG 自动与人工评估