匹配正文：… 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工作原理 RAG 的本质是把「模型参数里的知识」和「外部知识库」解耦。索引侧:把文档切成语义完整的块(避免固定长度一刀切把条款劈成两半,优先按标题/段落等结构边界切分),做 Embedding 后存入向量数据库。检…

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片策略重排…

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

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…ision才是返回结果中的相关占比；歧义词还要看上下文与实体消歧，不能由0.85、20毫秒或歧义词直接推出通用选型。这里有个坑：向量检索不是万能的。它的效果高度依赖 [[Embedding]] 质量和文档切分。如果文档 chunk 切得不好，比如把完整的一个条款切成两半，向量再强也召不回。上线前我会特别关注离线评估，构建一个 query-doc 相关性标注集，至少分三档，避免线上 AB 测试周期太长。另外，BGE-M3的编码与检索要分别核算资源，不能预设必须某个向量数据库或…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配正文：…型功能典型存储工作记忆当前对话/任务上下文上下文窗口短期记忆近期交互历史缓存/摘要长期记忆领域知识、经验教训向量数据库/知识图谱对协同的关键作用：共享记忆池：多智能体读写统一知识库，确保信息同步角色专属记忆：不同智能体保留个性化经验，避免同质化两者结合的效果感知 → 记忆检索 → 推理决策 → 执行 → 反思 → 记忆更新正反馈循环：反思产生的新洞察写入记忆，下次决策时复用协同增强：A的反思成果通过记忆共享，直接提升B的决策起点百度场景下…

#百度#Agent#多智能体系统

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：… 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 → 拼接Prompt上下文 → LLM生成答案关键优势：知识可实时更新，无需重新训练模型。我项目中解决的3个核心问题问题具体场景 RAG解决方案效果知识幻觉客服系统回答产品参数错误强制从官方文档检索生成事实准确率从72% → …

#美团#混合检索#RAG 技术

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（离线）文档切分（Chunking） Embedding模型编码 → 存入向量数据库（如Milvus、Faiss） 2. 检索阶段（在线） Query向量化，计算相似度，召回Top-K相关片段 3. 生成阶段将检索结果作为上下文，与Que…

#百度#评估与监控#RAG 架构

面试题·评估· 字节

Agent 建模方法怎么选?

匹配正文：…重复调用缺点：计划僵化，环境变化时难以调整；初始计划错误代价高 3. 记忆增强型短期记忆：对话历史、滑动窗口上下文长期记忆：向量数据库存储经验，检索增强决策适用：个性化助手、持续学习场景关键：记忆召回的准确性直接影响Agent表现 4. Multi-Agent协作设计：多个专精Agent分工（规划者、执行者、验证者）适用：复杂系统任务（代码生成+测试+修复）选型建议场景推荐方案工具链明确、步骤不确定 ReAct 步骤固定、追求效率 Plan-and-Ex…

#字节#评估与监控#Agent

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配正文：…规划（Planning）：ReAct、CoT、ToT等推理范式，让模型"先想后做" 记忆（Memory）：短期对话上下文 + 长期向量数据库/知识图谱工具（Tools）：Function Calling标准化调用外部API，扩展能力边界行动（Action）：执行结果反馈形成闭环，支持多轮迭代工程关键点意图识别准确率决定入口质量工具描述工程（Tool Description）影响调用成功率错误恢复机制：超时、异常、幻觉结果的兜底处理应用场景与适配性场景适配度 …

#字节#Agent#大模型 Agent 优缺点

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配正文：…ens，RAG检索增强基本可用关键短板规划稳定性：ReAct/CoT在5步以上任务中错误累积严重，"一步错步步错" 长期记忆：向量数据库检索精度有限，缺乏真正的经验学习与技能沉淀反思能力：多为"伪反思"——LLM生成自我批评文本，而非基于执行反馈的实质性策略更新典型案例对比 AutoGPT：早期过度承诺，实际因循环调用、成本失控、无法终止而难以落地 LangChain/LlamaIndex：框架成熟但"胶水代码"过多，核心智能仍依赖底层模型 Devin/Cursor：…

#得物#Agent#AI Agent 核心能力

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：…依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块文档切分 → Embedding编码 → 向量数据库存储检索模块查询向量化 → 相似度搜索（Top-K召回）生成模块检索结果+原始查询 → 拼接Prompt → LLM生成工作流程离线准备：文档分块 → 向量化（如BGE、OpenAI Embedding）→ 入库（Milvus/Faiss/Elasticsearch）在线查询：用户问题向量化 → …

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Faiss、Elasticsearch）在线阶段：检索生成 Query理解：必要时进行Query改写、扩展、意图识别向量检索：用ANN算法快速召回Top-K相关chunk 精排优化：Cross-Encoder重排序，过滤低质量内容 …

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（…

#字节#知识图谱#GraphRAG

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…复杂交互理解引入时序：支持多张截图（点击前/后）判断状态变化学习建议掌握OCR、视觉理解模型（如CLIP）、RAG基础流程及向量数据库使用，结合实际案例动手搭建小型多模态系统，理解模块间协作逻辑。

#字节#多模态#多模态 RAG

面试题·Prompt· 字节

Agent架构设计原则？

匹配正文：…沙箱：敏感操作人工确认、权限管控记忆层（Memory）短期记忆：对话窗口、工作记忆（Working Memory）长期记忆：向量数据库存储经验、用户画像记忆检索：相关性召回 + 时效性过滤 Prompt设计核心原则结构化模板 ## Role: {角色定位} ## Context: {背景信息 + 历史摘要} ## Tools: {可用工具列表，含参数Schema} ## Instruction: {当前任务 + 输出格式要求} ## Constraints: {禁止…

#字节#Prompt工程#Agent

面试题·Prompt· 百度

LLM Agent组件有哪些功能?

匹配正文：…树状搜索）输出：执行计划或下一步Action 2. 记忆模块（Memory）短期记忆：当前对话上下文、多轮交互历史长期记忆：向量数据库存储的知识、用户画像、过往经验作用：打破上下文长度限制，实现个性化服务 3. 工具模块（Tools）外部能力接口：搜索引擎、代码解释器、数据库、API等通过Function Calling或Tool Learning实现标准化调用关键：工具描述（description）要清晰，让模型知道何时调用哪个 4. 执行与反馈模块（Acti…

#百度#Agent#Agent 系统组件

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配正文：…Memory）类型存储内容实现方式短期记忆当前对话上下文直接放入prompt 长期记忆历史会话、用户画像、领域知识向量数据库（RAG检索）工作记忆当前任务的中间结果变量/缓存存储协作示例（ReAct循环）用户问："深圳明天天气怎么样？适合穿什么？" [思考] 需要查询天气 → [行动] 调用天气API(深圳, 明天) → [观察] 结果：25°C，多云有雨 → [思考] 有雨需要带伞，温度适中可穿薄外套 → [最终回答] ... 关键设计：每轮只执行…

#百度#Agent#Agent 核心组件

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…树）等模式动态调整计划，根据反馈迭代优化 3. 记忆系统（Memory）短期记忆：当前对话上下文、会话窗口内的信息长期记忆：向量数据库存储的历史经验、用户画像、领域知识通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action）工具注册：外部API、数据库、计算引擎等工具选择：根据规划结果动态选择合适工具参数解析：将自然语言转化为结构化调用参数（Function Calling）结果处理：解析工具返回，决定继续规划或输出结果 5. …

#百度#Agent#AI Agent 核心组件

面试题·Prompt

AI Agent 核心概念与架构

匹配正文：…综合回答依赖模型原生Function Calling能力或Prompt工程实现 3. 记忆模块短期记忆：对话上下文长期记忆：向量数据库存储历史经验 4. 多Agent架构分工型：不同Agent负责规划、执行、验证竞争型：多方案投票选出最优解典型应用场景场景 Agent价值代表产品智能客服自主查询订单/物流/退款，无需人工介入阿里小蜜数据分析自动写SQL、生成图表、解读结论 ChatGPT Code Interpreter 科研辅助文献检索→实验设计…

#Agent 架构#工具调用#AI Agent 架构

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…y）类型作用实现方式短期记忆当前对话上下文滑动窗口的Conversation Buffer 长期记忆跨会话知识积累向量数据库（如Milvus/Chroma）+ Embedding检索实体记忆关键信息抽取结构化存储（知识图谱/数据库）典型运行流程用户输入 → 规划模块拆解任务 → 循环执行（推理→选工具→调用→观察） ↓ 记忆模块实时读写 ← 完成/失败判断 → 输出结果关键设计：设置最大迭代次数防止死循环，引入人类确认节点处理高风险操作。

#百度#Agent#AI Agent 设计

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…t负责任务分解，子Agent并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推理范式选择 CoT（思维链）：复杂推理任务，显式生成中间步骤 ReAct：需要工具调用的场景，推理与行动交替进行 ToT（思维树）：多路径探索，用投票或评估选择最优解效率优化自适应推理深度：简单任务用单步CoT，复杂任务扩展推理步数推理预算控制：设…

#百度#Agent#Agent 性能优化

Agent组件通信机制与架构模式对比

RAG 工作原理与局限怎么分析?

RAG 缓解幻觉的机制

RAG编码模型评估指标与对比

BGE-M3 vs BM25 怎么选?

Reflection vs Memory 如何影响决策?

RAG 解决了哪些问题?

RAG 架构怎么工作?

Agent 建模方法怎么选?

大模型 Agent 优缺点怎么分析?

AI Agent 核心能力现状与差距

RAG 工作原理与架构怎么搭?

RAG 端到端工作流程

RAG 技术原理与架构怎么搭?

RAG 检索与生成流程详解

GraphRAG 怎么提升检索质量?

截图界面怎么用 RAG 解析?

Agent架构设计原则？

LLM Agent组件有哪些功能?

Agent 核心组件怎么协作?

AI Agent组件如何协同工作?

AI Agent 核心概念与架构

AI Agent 三大组件原理

Agent 性能优化：架构与推理陷阱