匹配追问：…给一家律所做个智能法律助手，他们有成堆的判例和法条，用户问“正当防卫怎么认定”，系统得从几百份文书里找到最贴切的。你从零开始搭这个RAG链路，会怎么设计关键组件，尤其是领域知识怎么处理？层层追问垂直领域的RAG你了解吧？……如果用户问的术语很专业，比如“心肌梗死”和“MI”在检索里怎么对齐？……那多路召回你怎么融合，避免漏掉关键信息？……最后生成答案怎么保证不胡说八道？直球架构详细说说为医疗或法律这类领域构建完整RAG系统链路的方案，包括如何结构化与非结构化处理领域知…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场景医疗诊断：症状→疾病→药物→禁忌的多跳约束法律分析：法条→案例→判决→适用条件的链条推理企业知识：组织架构、项目关联、决策影响的网络分析关键权…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

核心差异传统RAG基于向量相似度，将知识压缩为稠密向量，擅长语义匹配但丢失显式关系；GraphRAG基于知识图谱，保留实体-关系-实体的结构化连接。更适合GraphRAG的场景场景原因复杂多跳问答如"某药物通过哪些靶点影响某疾病"，需跨文档追踪因果链关系密集型查询组织架构、供应链、社交网络等强关联场景可解释性要求高金融风控、医疗诊断需展示推理路径全局聚合分析如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接动态演化知识时序关系、版本变更等需显…

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

匹配正文：

#腾讯#知识图谱#GraphRAG vs RAG

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配正文：答案要点数据层面：高质量数据筛选、知识图谱注入、对抗性数据增强模型架构层面：检索增强生成、知识编辑、约束解码推理策略层面：采样温度控制、Self-Consistency、Chain-of-Verification 外部工具层面：搜索引擎调用、代码执行验证、多模型交叉验证数据层面高质量预训练数据：加强事实性数据清洗，过滤低质、冲突信息知识图谱注入：将结构化知识（如海尔产品知识库）与文本联合训练对抗性数据增强：构造"事实-幻觉"对比样本，提升模型辨别能力模型架构层…

#海尔#幻觉治理#大模型幻觉缓解

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：系统整体架构输入：界面截图 + 用户问题（可选） ↓ [图像解析模块] → 结构化UI表示（组件位置、类型、文本） ↓ [多模态编码模块] → 视觉-文本联合向量 ↓ [混合检索模块] ←→ [知识库：UI组件说明 + 交互规范 + 常见问题] ↓ [生成模块] → 组件功能解释 / 操作指引 / 故障诊断关键模块设计 1. 图像解析模块检测：用UI-specific检测模型（如ScreenSpot、CogAgent的 grounding 能力）识别按钮、输入框、导航栏…

#字节#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：答案要点明确多模态RAG的定义（支持文本、图像、视频、音频等多模态输入和检索）技术挑战（跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 百度

Agent系统架构怎么选？

匹配正文：…ct/CoT等推理范式选择依据设计可扩展的工具注册与调用机制说明记忆模块的分层设计（短期/长期）考虑安全与异常处理机制整体架构：分层解耦的模块化设计 ┌─────────────────────────────────────┐ │ 交互层 (API/GUI) │ ├─────────────────────────────────────┤ │ 推理引擎层 │ ReAct/CoT规划器 │ │ (LLM Core) │ 意图识别与槽位填充 │ ├──────────…

#百度#评估与监控#Agent

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：核心策略：四层Prompt架构 1. 上下文预处理层筛选：按相关性分数阈值过滤，保留Top-K（通常3-5篇）排序：综合BM25分数、向量相似度、时效性加权排序去重：语义去重（embedding聚类）+ 精确去重（URL/ID去重）冲突标记：对矛盾信息打标签，提示模型"存在不同观点" 2. 上下文注入结构 [系统指令] 你是基于检索文档回答的助手，必须引用来源 [检索上下文] [文档1] 内容...【来源：URL1】 [文档2] 内容...【来源：URL2】 [用户查…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：答案要点系统架构分层设计（感知层/决策层/执行层/记忆层） Prompt模块化与职责分离 ReAct/CoT等推理范式与工具调用的结合状态管理与上下文压缩策略安全边界与异常回退机制一、系统架构层面：四层分离设计感知层（Perception）统一输入网关：处理多模态输入、用户意图识别、安全过滤关键决策：是否走Agent链路 vs 直接回复（简单问答短路）决策层（Planning）核心模块：任务分解、工具选择、执行计划生成支持多范式：ReAct、Plan-an…

#字节#Prompt工程#Agent

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…eAct优化、推理预算分配、自适应深度工具层面：工具选择策略、并行调用、结果缓存与容错系统层面：延迟优化、成本控制和可观测性架构设计优化模块化与分层架构将Agent拆分为规划层、执行层、记忆层、工具层，降低耦合采用多Agent协作：主Agent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…

#百度#Agent#Agent 性能优化

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：RAG核心定义 RAG（检索增强生成）是一种将外部知识检索与大语言模型生成结合的技术架构。核心思想：模型生成答案前，先从外部知识库中检索相关信息作为上下文，再基于这些证据进行生成。标准工作流程索引阶段：文档切分 → Embedding模型编码 → 存入向量数据库检索阶段：用户Query向量化 → 相似度检索Top-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，…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：核心架构：四层RAG系统 1. 领域知识库层多源异构数据：结构化（法规条文、药品数据库）+ 非结构化（临床指南、判例文书）分层索引：按效力层级（法律：宪法→法律→司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：核心差异：专业领域RAG vs 通用RAG 维度通用RAG 医疗/法律领域RAG 准确性可接受一定幻觉零容忍，需精确溯源合规性弱约束强监管，需审计留痕知识更新低频指南/法条频繁修订权威性多源融合需区分证据等级/法律效力数据处理与索引流程设计 1. 数据采集层白名单机制：仅接入权威源（临床指南、裁判文书网、药典等）多模态处理：扫描件→OCR→版式还原→表格/图表结构化提取 2. 清洗与结构化原始文档 → 文档类型识别 → 章节语义拆分 → 实体标…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG

RAG 检索准但回答差怎么调?

匹配正文：…；上下文压缩（如LLMLingua）提示优化添加"基于以下文档回答"前缀；明确引用格式要求；设置拒绝回答的兜底策略模型层面 RAG专用SFT数据训练；调整temperature/top-p；尝试更大的上下文窗口模型系统架构引入Self-RAG或Corrective RAG，让模型主动判断检索质量快速验证路径先通过人工检查拼接后的prompt确认上下文质量，再逐步叠加优化，避免盲目调参。

#上下文组织#生成质量调优#RAG 生成质量差

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…earch适合开放式复杂问题，RAG适合封闭域事实问答能举例说明典型产品（如OpenAI Deep Research vs 传统RAG应用）核心区别：单次检索 vs 自主迭代研究维度 RAG Deep Research 本质检索→生成的一次性流程多轮"检索-分析-再检索"的自主循环决策主体预定义流程，无自主规划 LLM自主决定下一步检索什么检索次数通常1-2次数十次甚至上百次输出形态直接回答结构化研究报告（带引用）技术原理差异 RAG 架构：Ret…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…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· 字节

专业领域RAG链路优化陷阱

匹配正文：…用UMLS术语边界，法律用条款编号锚定元数据增强：注入{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + B…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：RAG完整工作流程四阶段架构：阶段核心任务关键组件索引构建文档→Chunk→Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：为什么需要重排？ RAG通常采用两阶段架构：召回（Retrieval）+ 重排（Re-ranking）。召回阶段用双塔模型（如BGE、GTE）做向量相似度检索，追求毫秒级响应；但双塔模型的精度天花板明显——query和doc分别编码，缺乏细粒度交互，容易召回语义相关但不够精准的文档。重排的核心作用维度召回阶段重排阶段模型架构双塔（Bi-encoder）交叉编码器（Cross-encoder）交互方式无交互，独立编码拼接输入，深度交互计算成本低（可预计算…

#字节#重排与优化#RAG Re-ranking

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：…询扩展检索召回但排序低查看正确答案的原始排序位次重排序优化、特征工程检索正确但生成错分析上下文窗口、指令遵循提示工程、RAG-specific微调实际优化需结合具体bad case分析，避免盲目堆技术。学习建议深入理解RAG架构，掌握检索与生成模块的协同机制，学习常见失败模式及优化策略。

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 为何还要重排?

匹配追问：…从文档库里用向量检索找到了几个相关文档，但其中一篇讲的是退货政策，跟订单进度无关。你打算怎么把这篇不相关的文档过滤掉？层层追问 RAG系统里初步检索你一般怎么做的？……那这些Top-K结果有没有遇到过看起来相关但实际没用的文档？……你觉得为什么双编码器容易漏掉这种细粒度匹配？……怎么解决？直球架构 RAG系统中，初步检索已经返回了Top-K个相关文档，为什么还需要一个重排模型？请说明重排模型的作用机制，以及它最终如何影响LLM生成内容的质量。

#字节#重排与优化#RAG 重排

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配追问：…用户问“报销流程怎么走”，向量召回了一堆相关文档。但结果里既有正式流程，也有员工吐槽，你怎么把最准确的那个排到最前面？层层追问 RAG系统里向量召回完就直接丢给大模型了？……如果召回的top-10里混进几个不相关的怎么办……那有没有办法在中间加一道精排，用更精细的模型把相关文档挑出来？直球架构 RAG系统里引入重排模型是标配吗？它在两阶段检索中的具体作用是什么？你了解哪些常用的重排模型，比如Cross-Encoder或者ColBERT？各自优缺点是什么？

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 重排收益与成本

匹配追问：…向量检索召回了一批订单文档。但里面混了个手机促销广告,跟物流完全无关。你怎么确保进到大模型上下文的都是真正相关的信息？层层追问 RAG里第一阶段向量检索你一般怎么做的？……那Top-K里面会不会混进去一些语义相似但实际不相关的文档？……如果我把Top-100直接丢给大模型,会出现什么问题？……那怎么解决这个问题？直球架构 RAG系统中为什么要在初步检索后加一个重排模型？重排对最终生成结果的质量提升具体体现在哪些方面？比如相关性、事实准确性、信息密度这些维度怎么改善的？

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：核心思路 RAG优化是个系统工程，需分模块迭代+数据驱动，避免单点优化陷入局部最优。一、检索层优化（源头质量）手段具体做法索引策略按语义/结构切分（如标题+正文），关键信息冗余存储；多粒度索引（段落+句子）查询改写 Query扩展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top…

#字节#RAG评估闭环#RAG 系统优化