匹配正文：…缓存也要按租户或可见范围隔离。回答时要覆盖数据访问、候选被无权内容占位、权限变更后的失效与审计记录。面试官：上下文窗口越来越长，RAG 还有必要吗？不要先站队。比较资料规模、更新频率、查询量、引用要求、延迟与成本。小而稳定的资料可能适合长上下文，大规模且持续更新的知识库通常仍需要检索。选型结论应来自约束，而不是来自技术偏好。第三部分 · 用自己的事实完成复盘练完技术追问后，再做一次真实性检查。把项目描述中的每个动词标出来：设计、实现、优化、上线分别是谁做的？把每个…

#RAG#项目深挖#教学复原

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

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

#专题学习#重排与检索优化面试题大全

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【整体架构与流程】解释 RAG 的整体架构与完整工作流程。中等 → 【离线索引构建】描述构建近似最近邻(ANN)索引的完整流程和关键技术选择。中等 → 【在线检索机制】详细解释 RAG 中检索模块(Retriever)的工作机制。中等 → 【为什么混合检索】为什么要采用混合检索(Sparse + Dense)?分别阐述其作用。较难 → 【召回链路全局优化】 …

#RAG#检索#项目实战

面试题·RAG

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配正文：…需要复核。后面发现漏字时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RAG？一条完整的 PDF 解析流程，会包含图像、文字识别、版面、表格和文本合并等环节。放到扫描件上，可以按下面的顺序理解。第一步，渲染和预处理页面。系统把目标页转成适合识别的图像，并检查方向、倾斜、清晰度、对比度和噪声。旋转页如果方向不对，后面的文字识别很可能整页失败。低清页面可以受控提高渲染质量，但不能无限放大，因为处理时间和资源占用也会…

#RAG#解析与入库#扫描 PDF RAG

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：“你们的 Chunk Size 设多少？” 这是 RAG 面试里很常见的一句追问。很多人会马上报出一个数字，再补一句设置了多少 Overlap。听起来很具体，却没有回答最关键的问题：为什么这个数字适合你的文档和用户问题？以下用一个教学示例来说明。一段制度原文依次写了适用条件、办理步骤和例外情况。固定长度切分刚好把“但以下情况不适用”留在前一块，把后面的例外条目放进后一块。用户搜索某个例外条目时，系统可能召回后一块。关键词命中了，前提却不见了。模型拿到的是一句局部事实，…

#RAG#切分与索引#RAG Chunk

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…量:知识库向量离线算一次存好,在线只算问题向量。不做切分:整篇文档当一个片段,要么超长、要么粒度太粗,检索不准。关联面试题「RAG 的完整流程是什么?检索质量怎么优化?」「为什么需要混合检索?向量和 BM25 各自的短板是什么?」 👉 去题库搜 RAG / 混合检索 / 重排 / 切分。训练营延伸课程项目继续练习多格式入库、检索评测、权限与部署的工程闭环。可以先阅读公开项目教程，再根据自己的基础了解具体课程安排。参考资料 OpenAI embedding …

#Agent#AI 编程

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…题的模块分布,能直接反映"这个方向面试考多少"。方向是什么 / 解决什么问题面试频率(站内题量) 代表题库模块代表教程章 RAG 检索增强让模型基于你的知识库回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 RAG基础 62 RAG 基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最…

#求职#职业转型

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：照教程跑通一个 RAG demo,不等于你有了一个能写进简历的项目。真正能写的 RAG 项目,是你围绕一个具体真实场景,产出一条完整的"证据链":需求、架构、可运行代码、评估集、badcase 复盘、方案对比、简历描述、面试追问稿,每一环都能讲清"为什么这么做"。面试官不看你会不会调 API,而看这条链断在哪。这一篇教你把站内 RAG 教程的 10 章,变成一个证据齐全、追问打不穿的个人项目。作者:吴师兄 | 适合:跑过 RAG demo 但简历写不出深度、面试被追问就卡住…

#求职#职业转型

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：… 面试官在验证什么你有没有评估集、指标、LLM-as-Judge、badcase 闭环这套方法,能不能量化和迭代效果先看哪个 RAG 评估章代表题型 "RAG 召回率/忠实度怎么评""LLM 当裁判靠不靠谱""怎么搭评估集""上线后怎么监控效果" 项目里怎么体现讲你的评估集怎么来、用哪些指标、badcase 怎么回流改进,而不是"感觉不错" 刷题去评估与监控题库。重排与优化(70 题):验证你会不会救召回重排是 RAG 里"召回准不准"的关键一环,效果好坏经常卡…

#求职#职业转型

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：很多 RAG 项目在优化时都会经历同一个阶段。换了 Chunk 参数，随手问几个问题，感觉回答顺了一点。加了 Rerank，再问几个熟悉的问题，正确原文似乎排得更靠前。于是大家得出结论：“这次优化有效。” 可是一周以后，另一类问题又答错了。团队想复现之前的结果，却发现当时问了什么、正确证据在哪里、改了哪些参数，都没有完整记录。没有固定评测集，RAG 优化的效果就很难复核，容易停留在演示层面。这就是面试里经常被追问的一道题： RAG 评测集应该怎么构建？为什么只准备问题和…

#RAG#评测与上线#RAG 评测集

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…直接相除，应预先声明跳过或单独评估无答案题，并报告数量。定义可对照 RecBole 的 Hit 与 Recall。继续实践可读 RAG 第 10 章：系统评估与上线优化。

#RAG#评测与上线#RAG 评估指标

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：…录,我们就先动手把一句空泛描述改厚。 3 个核心概念(先白话,再要点) 概念 1:有深度的项目经历 = 四要素一段经得起追问的 RAG 项目经历,要齐这四样: 有深度的项目经历:四要素背景/动机(为什么做 RAG)、系统架构(离线建库 + 在线问答的流程)、个人贡献(是"我"做了什么,不是"系统"做了什么)、方法论(问题→假设→验证→优化的思考链)。缺任何一个,都会显得单薄。概念 2:写好每条 bullet 的万能公式写简历的万能公式个人动作 + 具体技术方案 + …

#RAG#检索#项目实战

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…模型窗口长代码文件+依赖库超出128k限制数据分析Agent 实时性 vs 知识新鲜度数据库schema变更后检索失效三、优化思路检索优化多级索引：粗排（向量快速召回top-100）→ 精排（轻量模型筛选top-10）→ 重排序（仅对关键查询启用）异步预检索：用户输入时预测意图，提前触发检索流混合路由：FAQ类走规则/缓存，开放域走RAG 上下文优化动态压缩：根据相关性分数剪枝，保留关键段落；使用摘要模型生成"记忆卡片" 结构化注入：检索结果转为Markdo…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…统指令] [工作记忆：最近对话] [RAG检索：相关历史摘要] ← 动态填充 [当前用户输入] 平衡策略：设置token预算上限，RAG结果按相关性截断，确保总上下文<模型上限的80% 工程实现要点存储层：向量库（Milvus/Pinecone）+ 图数据库（Neo4j存关系）+ 时序库（TTL自动过期）实时性：记忆写入异步化，检索路径优先读缓存可观测：记录"检索→使用→反馈"链路，持续优化索引学习建议建议从人类记忆类比入手，理解记忆分层原理；掌握向量检索、摘要抽取…

#高德#Agent#向量检索

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…序）、查询引擎技术特点：索引类型丰富（Vector/Tree/Keyword/Composable），支持递归检索、子问题分解 RAG场景：企业知识库、文档问答的首选，检索精度和效率优化深入 Agent集成：提供OpenAIAgent、ReActAgent，但Agent能力相对轻量 3. 其他重要框架框架特色定位 AutoGen 多Agent对话编排，适合复杂协作场景 CrewAI 角色扮演型Agent团队，强调任务委托 Semantic Kernel 微软生态，企业级…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…Knowledge Staleness）问题本质：向量库构建周期长，无法感知实时变化。电商案例：大促期间价格/库存秒级变动，但RAG仍返回昨日缓存的"满199减30"活动信息。用户下单时发现优惠失效，体验极差。关键影响：实时性业务场景下直接不可用。优化方向简述痛点典型解法检索噪声重排序（Rerank）、多路召回融合、查询改写上下文冗余上下文压缩、语义去重、摘要增强知识更新延迟实时索引管道、增量更新、结合API动态查询这些痛点正是Agentic RAG…

#淘天#Agent#RAG 痛点

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配正文：…on Calling的parallel模式），串行改并行流式输出（Streaming）降低首token延迟，提升用户感知执行层优化引入执行引擎（如LangGraph、LlamaIndex Workflows）管理状态机长任务拆分子Agent，分布式执行减少单点阻塞推理机制优化模型层面意图识别用小模型（Distill/SLM），复杂推理才调大模型投机解码（Speculative Decoding）、KV Cache复用加速生成常见查询走RAG缓存，避免重复推理…

#百度#Agent#Agent 性能优化

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…dding稀释、召回噪声 4. Embedding生成模型选择：通用场景用BGE/M3E，垂直领域需微调（如法律/医疗）批处理优化：GPU并行、动态长度填充质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建索引结构： HNSW：高召回、内存型，适合百万级 IVF+PQ：亿级规模、磁盘友好元数据设计：必须包含doc_id、chunk_index、source、timestamp，支持过滤查询性能影响：索引参数（efConstruction/M）直…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：… PostgreSQL扩展已有PG基础设施，数据量<100M Faiss 纯索引库、轻量实验环境、嵌入式部署 5. 索引构建与优化索引算法：HNSW（高召回、快查询，内存占用大）vs IVF（省内存、适合十亿级）参数调优：HNSW的M（连接数，通常16-64）、efConstruction（构建精度）增强策略：多向量表示：一个文档存摘要向量+详细内容向量元数据过滤：先按时间/类别过滤再向量检索增量更新：处理新增文档的索引合并策略学习建议建议系统学习该知识点

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：… tokens）优点：实现简单、Embedding批次处理高效、便于控制上下文长度缺点：边界可能切断语义（如"深度学习...的优化方法"被拆开），导致检索片段不完整适用：通用场景、对延迟敏感、文档结构松散时 2. 语义边界分割实现：按句子（NLTK/spaCy）、段落（\n\n）、或主题模型（如BERTopic）切分优点：保留语义完整性，检索结果可读性强缺点：块大小不均，可能过长（超出模型窗口）或过短（信息密度低）；主题分割计算开销大适用：法律合同、学术论文等结…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配题目：在RAG（检索增强生成）系统中，如何优化文档的分段策略以提高检索质量和生成效果？请讨论分段长度、重叠策略和语义完整性的权衡。

#小鹏#RAG 文档分段#检索增强生成分段策略