匹配口述回答：[[RAG]] 出错时，我不会先凭感觉说是检索的问题还是生成的问题，而是做隔离变量实验。因为 RAG 是串联系统，前面检索错会传导到生成，生成模型也可能在检索正确的情况下自己发挥，所以要把两个模块拆开看。答案跑题、数字错误或引用缺失只能作为排查线索，不能直接归因。检索和生成可能同时失败，必须用黄金证据替换、重复对照和证据级指标隔离变量。第一步看检索 TopK。检查正确文档有没有被召回，排在第几位。如果正确文档根本不在 TopK，基本就是 retriever 召回问题，对应…

#百度#评估与监控#RAG 错误定位

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…ch]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺，还得看它有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估，但最终还是得人工抽检。所以，我会把RAG看成是让大模型在真实业务里落地的必选项，但不是银弹。它解决了知识时效和幻觉的问题，但前提是知识库本身得可靠、检索链路得精细。我更倾向在架构设计时，就预留…

#科大讯飞#阿里#RAG 架构

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：…而不预先保证结果。但这里有个延伸点：如果知识库本身有错，或者更新不及时，RAG 反而会引入错误。所以我现在更关注 [[Self-RAG]] 这种让模型自己反思检索结果的技术。你怎么看这种方案的价值和局限性？最后说我的判断：我更倾向把 RAG 作为第一道防线，因为它可解释、可溯源，简单实现也可以复用现有模型，按任务需要再考虑检索器或生成器训练。RLHF 是第二道防线，用来打磨表达。如果资源有限，我会优先把 RAG 的检索链路做扎实，因为知识错了，表达再好也没用。一句话定位…

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

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配题目：在RAG系统中，通过大模型对检索结果进行二次生成，如何有助于减少幻觉现象？请结合提示工程或约束生成策略说明。

#抖音#约束生成#RAG 幻觉

面试题·评估· 字节

RAG 文档检索选型

匹配追问：场景切入假设要为电商客服设计 RAG：用户问‘我昨天买的充电宝怎么还没到？’，系统要同时匹配订单号和‘物流延迟’这种语义。检索链路应怎么设计，稠密和稀疏检索如何取舍？层层追问 RAG检索你一般用什么方法？……如果用户输入的专有名词很多，比如‘iPhone 15 Pro Max 256G 钛金属’，纯语义检索会不会漏？……那你怎么把关键词和语义结合起来？具体融合策略是什么？直球架构说说你在RAG系统里用了哪些检索方法？技术选型怎么考虑的？针对检索效果做了哪些优化？比如索…

#字节#混合检索#RAG 文档检索选型

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…有个延伸点，就是当意图识别和外部工具联动时，比如识别到“查库存”意图后触发 [[Function Calling]]，怎么保证调用链路的可靠性和延迟，这个在实际工程里挺有挑战的。总的来说，我把意图识别看成RAG系统的守门员，它做得好，检索和生成才能事半功倍。一句话定位：意图识别是RAG的路由中枢检索准确性：方式选择与查询改写生成质量：上下文筛选与幻觉防控落地风险：前提与常见失败场景工程师取舍：倾向Agentic RAG和轻量级初分约4分钟意图识别与外部工具联动…

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 百度

RAG 端到端工作流程

匹配追问：场景切入假设你在做一个智能客服，用户问“我的订单什么时候到”，你直接让大模型回答，结果它瞎编了一个物流信息。如果换成RAG，你会怎么设计来避免这种问题？层层追问大模型生成答案容易胡说八道，你一般怎么缓解？……那如果让模型先去查资料再回答呢？……具体怎么查、怎么把资料喂给模型，你觉得这个流程的关键是什么？直球架构讲讲RAG的基本原理和系统架构，从索引、检索到生成整个链路怎么设计，以及它相比纯生成模型的核心优势体现在哪些方面？

#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·RAG

RAG 和微调怎么选？

匹配口述回答：…合教能力和风格，比如固定的输出格式、行业话术、特定任务套路，这些需要写进模型参数里才能稳定。但实际落地很少二选一，真正常见的做法是RAG加微调组合，RAG管知识来源，微调管表达方式。具体从三个角度对比。先说知识时效性。如果知识频繁更新，比如电商平台的满减政策每周调，那RAG天然有优势，改知识库就生效。微调的话，知识固化在参数里，每次更新都得重新训练，成本很高。再一个成本。RAG主要是工程成本，建知识库、调检索、搭链路，不需要GPU训练。微调需要标注数据加GPU算力，门槛高…

#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?

匹配口述回答：…成本高，适合多跳问答或强结构化场景，比如企业SOP和合规文档，要是简单FAQ就不值得，用HyDE加查询改写就够。综合下来，我会把RAG的改进看成一套组合拳：先根据业务场景选主链路，然后加一层过滤和重排，最后用查询改写或知识图谱补语义。前提是数据质量要过关，否则所有改进都白费。其实还有一个方向是[[GraphRAG]]，把文档实体关系建图，检索从平面变结构化，对复杂问题效果好，但成本和延迟高。我一般只在需要多跳推理、且对准确率要求极高的场景才推荐，比如风控合同审查。所以整…

#淘天#知识图谱#RAG 痛点

面试题·Prompt· 阿里

Agent推理链路Prompt优化评估指标

匹配口述回答：…，甚至可能为了快牺牲一点点成功率。反过来，如果是离线批量处理，成功率就是第一位的。不过这里有一个更微妙的问题：当Agent的推理链路特别长的时候，比如需要连续调用五六个工具，这时候Prompt优化可能遇到瓶颈，你修好了第一个节点的错误，但下一个节点又坏了，这就是所谓的局部优化和全局效果的矛盾。我自己的经验是，这时候可能要考虑用[[Self-RAG]]或者[[Reflexion]]让Agent自己反思纠错，而不是死磕Prompt。所以整体上，我的取舍是：优先用端到端任务成功…

#阿里云#Prompt工程#评估与监控

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…致，否则模型学偏了反而坏事。其实还有个方向我最近比较关注，就是让模型自己判断是否需要检索、是否信任检索结果，比如 [[Self-RAG]] 和 [[Corrective RAG]]。这类方案让生成过程更灵活，但代价是推理链路变长，延迟和成本得权衡。如果面试官感兴趣，我可以展开说说。最后说落地风险。这些方法不是堆上去就有效，得看场景。比如重排对延迟敏感的应用就不太友好，可能得用 [[ColBERT]] 这种兼顾效率和精度的方案。反事实训练如果噪声分布和线上不一致，效果会大打…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG

RAG 检索准但回答差怎么调?

匹配口述回答：…第四步是系统架构升级。比如用[[Self-RAG]]让模型自己判断检索结果是否足够，不够就再检索。或者用[[Corrective RAG]]，发现检索质量差时主动纠正。但这些架构复杂度高，前提是前两步已经优化到位，不然直接上架构容易出bug还难排查。说到这，其实有个容易被忽略的点：文档本身的质量。如果知识库里的文档本身就过时、矛盾、或者粒度不对，你再怎么调检索和提示都没用。所以我会把RAG看成从数据到提示到模型的完整链路，而数据质量是地基。最后落地时，我有个快速验证路径：…

#上下文组织#生成质量调优#RAG 生成质量差

面试题·检索· 字节

RAG检索质量提升5法

匹配口述回答：…证据不足时生成新查询迭代检索；简单请求则应跳过昂贵步骤。路由条件、最大轮数、停止规则和降级路径都要显式配置。上线前要特别防止优化链路彼此叠加后只在离线指标变好，却让端到端答案退化。我会做逐步消融，回放包含长尾实体、否定条件、权限过滤和无答案请求的样本，并核对最终引用是否仍指向原始证据。最后用黄金证据集分别报告 Recall@K、nDCG、引用正确率、忠实度、端到端成功率、延迟和成本。每种组合都要以同一数据集上的质量、延迟和成本增益决定是否采用。一句话定位：RAG检索优化…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：这道题问的是[[RAG]]系统里检索模块的完整流程，本质上是在考察「如何把用户的一个自然语言查询，精准、高效地映射到知识库里最相关的文档片段上」。整个链路我拆成四段来说：查询预处理、[[向量化]]、检索、排序。先说查询预处理。用户输入往往很随意，比如在电商客服场景，用户问「这个多少钱」，你得结合上下文补全商品名。这里有个常用手段叫 HyDE，就是让大模型先生成一个假设的答案文档，再拿这个文档去向量化检索，能大幅缓解查询和文档之间的语义鸿沟。另外我还会做查询扩展，比如同义词替…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配口述回答：这道题其实问的是[[RAG]]里一个非常实际的问题，检索模块拿回来的东西不对，生成就会跑偏。本质上这是个链路级匹配失败，不是单一环节的锅，所以修也要从检索、[[重排]]到生成系统性修。先分析原因。最典型的场景，比如电商客服系统里用户查“充电宝上飞机”，用户问的是民航规定，但检索可能因为[[embedding]]相似度高，把一堆充电宝产品介绍和评测文召回来，这些文档语义上相关但事实无关，生成器一综合就可能给出矛盾信息。这里原因有三层：查询侧，用户query太短或者有歧义，em…

#小红书#美团#重排与优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配追问：…智能客服,用户问“这个订单发货了吗”,系统怎么从知识库里找到对应订单信息,再结合上下文给出带来源的回复?你把从提问到生成答案的完整链路讲一遍。层层追问 RAG系统里用户问题来了以后,第一步你会做什么处理?……然后怎么从库里召回相关文档?……召回了top100,怎么筛出最相关的5篇?……最后怎么把这些文档和问题拼在一起让模型回答? 直球架构设计一个RAG系统,要求从前端用户提问到后端生成答案,涵盖查询改写、混合检索、重排序、上下文注入和生成,你详细说说每一阶段怎么做,用什么…

#美团#评估与监控#RAG 工作流程

面试题·检索· 字节

RAG 为何还要重排?

匹配口述回答：…召回量太大，比如一次捞几百条，重排的延迟就吃不消了。常见的失败场景就是，为了追求极致精度把召回量设得很大，结果重排成了瓶颈，整个 RAG 链路的响应时间翻了好几倍。所以我的做法是，先保证召回质量，用 [[Hybrid Search]] 比如 [[BM25]] 加向量检索，把 Top-20 的命中率提到 90% 以上，然后再用重排做精排。这样重排只需要处理 20 条，延迟增加几十毫秒，但生成质量提升很明显，尤其是减少 [[Hallucination]]。不过重排也不是万能的…

#字节#重排与优化#RAG 重排

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配口述回答：…机退款政策”和“iPhone退货流程”这种语义相近但表述不同的匹配，它就很难抓住。重排模型就是来补这个 gap 的。具体到架构，RAG 的检索链路其实是个两阶段流程。第一阶段用 [[ANN]] 做快速召回，比如从几百万文档里捞回 top 100 到 1000，这个阶段追求的是召回率，别把相关文档漏掉。第二阶段，在这个小候选集上，用重排模型做精细排序，把最相关的 top 5 到 10 个送进生成模块。说白了，第一阶段是海选，第二阶段是决赛。这里有个边界划分的问题。很多人会问…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 快手

RAG 延迟与准确率优化

匹配口述回答：…系统却走了一遍完整检索加推理，延迟白白浪费。所以上线前我会特别关注query分类，简单问题直接命中缓存或走轻量模型，复杂问题才走全链路。另外，我最近在关注[[Agentic RAG]]的方向，就是让Agent主动决定什么时候检索、什么时候直接生成，而不是被动等用户指令。但这里有个风险，Agent如果判断失误，可能该检的不检，不该检的乱检，反而拉低正确率。所以我会把Agent的决策边界设置得保守一些，优先保证正确率，再逐步放宽。总结一下，RAG落地的核心就是在延迟和正确率之…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…ry的相似度低于某个值，直接触发拒答机制，返回“当前信息不足以回答”，而不是让模型硬猜。这能显著降低 [[幻觉]] 风险。不过，RAG不是万能的。它的前提是知识库质量够高，如果文档本身就有错，或者分块把关键信息切碎了，检索再强也白搭。所以我会把RAG看成一种“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…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…先判断检索结果是否足够支持回答，如果不支持，就主动反问用户澄清意图，或者走一个备用知识库。这个思路其实已经有点[[Agentic RAG]]的味道了，模型不再是被动拼接，而是主动决策。所以我的整体判断是：RAG落地最核心的不是某个模块做到极致，而是整个链路的一致性。检索、排序、生成、拒答，任何一个环节出问题，答案质量都会崩。我更倾向在离线阶段多花功夫做文档清洗和质量校验，而不是上线后靠prompt来救。一句话定位：RAG本质是解决知识时效性与幻觉的平衡文档处理与分块：固…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配口述回答：…有一个方向是自适应检索，根据query的难度动态决定召回多少条，或者决定要不要触发重排。比如简单问题只向量检索就够，复杂问题才走全链路。这个在线上能省不少算力，但实现起来要小心，因为判断query难易本身就不容易，搞错了反而降低体验。所以整体上，我会把RAG检索看成一套组合拳，没有银弹。核心是理解业务场景的精度和延迟要求，然后选最合适的方案组合，上线前一定要用业务数据验证，特别关注bad case，因为往往就是那1%的case决定了用户对系统的信任度。本质是精度与效率的平…

#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：…我会考虑用 [[GraphRAG]] 来增强召回，但它的工程复杂度很高，不是所有场景都值得。所以总结一下，我会把召回优化看成一条链路：先保证数据质量，再选合适的检索模型，用重排兜底，评估时关注Recall@K和MRR。我更倾向于混合检索加领域微调这个组合，因为它在大多数业务场景里性价比最高。一句话定位：RAG召回评估与提升的本质是匹配问题评估指标：Recall@K和MRR的适用边界检索模型：混合检索的落地取舍重排序：Cross-Encoder的精度与成本数据质量：…

#360#召回质量评估#RAG 召回优化

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配口述回答：…但过滤后候选过少时，需要索引原生过滤或扩大搜索范围；先召回再过滤可能造成 Top-K 被无效候选占满，也可能让越权内容短暂进入后续链路。高基数字段、组合过滤和多租户隔离都要进入压测，不能只在无过滤的公开向量集上调参。缓存键也要包含租户、权限和索引版本，避免复用错误结果。运行一段时间后还要监控数据漂移。HNSW 持续插入和删除可能改变图质量，IVF 的旧聚类中心可能不再适合新分布，PQ 码本同样会过期。我会定期用冻结 query 回放，按时间、类别、租户和过滤条件看召回与延迟…

#安克科技#ANN性能权衡#RAG 向量匹配