匹配口述回答：…在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否受证据支持。但 RAG 有个前提：检索质量必须高。如果检索出来的文档跟问题不相关，或者 chunk 切碎了导致信息丢失，那模型反而会被误导。常见失败场景是，用户问一个模糊问题，比如“怎么退货”，检索到的全是“如何退款”的文档，模型就答偏了。所以上线我会特别关注召回率，用 [[RAGAS]] 这类框架做评估，确保 top-3 文档里有正确答案。再来看偏好训练，它主…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…g]]模型把语义相近但任务不相关的片段排到前面时，我们怎么拆解和解决。核心矛盾是，Embedding的训练目标是语义相似度，而[[RAG]]业务要的是任务相关性，这两个东西天然有gap。举个例子，用户搜“苹果手机的电池寿命”，结果召回一段“苹果的营养价值”，因为“苹果”这个词向量靠得近，但用户要的是售后，不是营养学。我会从三个层面去分析。先说查询侧。如果query本身就有歧义，比如“苹果”，我能做的是查询重写：让LLM根据上下文把意图补全，比如改成“苹果公司手机电池寿命”。…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 字节

RAG 文档检索选型

匹配口述回答：…一次改变一个环节。例如先固定切块和召回候选，只比较有无重排；再固定重排，比较稠密、稀疏和混合召回。若同时修改 Embedding、chunk 大小和 Prompt，即使最终指标上升，也无法证明贡献来自哪里。还应保留效果变差的 query，说明方案的适用边界，而不是只展示平均分。如果面试官要求结合项目，不要照搬一个现成故事。回答者需要补齐自己的文档类型、查询分布、原始基线、主要 bad case、方案取舍、评测方法和工程代价。没有做过消融或没有线上指标时直接说明，再给出下一步…

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#混合检索#RAG 文档检索选型

面试题·评估· 小鹏

RAG 失败场景诊断

匹配口述回答：这道题其实问的是，怎么把一个[[RAG]]系统的效果真正量化出来，而不是凭感觉说好不好。我的思路是把它拆成两层来看，检索层和生成层，因为这两步出错的模式完全不同，评估方法也得分开。先说检索层，核心就是看召回准不准，最关键的指标是 Recall@K。举个例子，客服系统里用户查退款政策，如果正确答案在Top 3检索结果里，就算召回成功。Recall@K直接决定了后面生成的上限，如果没召回，后面做得再好也没用。其他像Precision@K、MRR这些，更多是调优排序质量时用的，但…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 安克科技

RAG 问答金标构建

匹配口述回答：这道题其实是在问，怎么造一套靠谱的数据来评估[[RAG]]系统好不好用，而不是随便找几个问题测测就完事。我一般会从三个层面来构建评估集：开发集、测试集和对抗集。开发集大概500到1000条，用来迭代调优，比如调 chunk 大小或者 rerank 阈值；测试集1000到3000条，做最终对比评测；对抗集200到500条，专门挑高难度、容易翻车的场景，比如需要多跳推理或者要回答“不存在”。三层分开，避免调参时过拟合到测试数据上。先说问题怎么来。我倾向于混合策略，大概70%用 …

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配题目：在RAG系统中，选择特定Embedding模型进行检索时需要考虑哪些关键因素？

#字节#向量检索#RAG Embedding 选型

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配口述回答：这道题其实问的是，当[[RAG]]落到医疗、法律这种高价值、高风险的垂直领域时，到底要怎么搭一条能真正跑通的链路。核心已经不是通用RAG那套“文档切一切、向量存一存、召回来拼Prompt”了，而是怎么把领域知识的结构化、查询的复杂意图、还有最终答案的可靠性串起来。我先说知识处理这块，这是最花功夫的。通用RAG里往往一刀切[[Chunk]]，但垂直领域不行。我的做法是把数据分成三层来对待：结构化数据，比如药品库、法条，直接做成[[Knowledge Graph]]，存实体和关…

#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?

匹配口述回答：这道题其实是在问，当知识从非结构化文本变成结构化图之后，检索和生成的底层逻辑有什么不同。传统[[RAG]]本质是文本块的向量相似度匹配，而[[GraphRAG]]把知识变成了实体、关系和属性的显式图。这个转变带来的优势不是简单的“更好”，而是让检索从“像不像”进化成“有没有关联”。先说知识结构化建模。传统RAG把文档切成[[Chunk]]，每个chunk存成向量，关系是隐式的，模型自己猜。GraphRAG会先做实体抽取和[[关系抽取]]，把文本变成三元组，比如“李彦宏 - …

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配口述回答：…加灰度发布。比如新图谱先切5%流量，跑一段时间看召回率和用户反馈，没问题再全量。异常自动回滚，这比事后修复成本低得多。再一个，和RAG的联动。图谱更新后，向量索引不能阻塞等待，得异步刷新。查询时走双路召回，向量相似度加图谱结构化检索，结果融合排序。这里有个细节：图谱更新后，向量索引可能还没更新，导致召回不一致。我会在查询时加版本号过滤，确保用户看到的是同一个版本的数据。说到这，其实还有一个容易被忽视的点：知识图谱的动态更新，和RAG里的[[Chunk]]更新策略有很强的关…

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…的路，微调适合让模型学特定风格或固定知识，但你要它回答实时变化的政策，比如电商平台的满减规则，微调一次成本高还跟不上更新，这时候 RAG 就派上用场了。实际落地中，我经常是 RAG 加微调一起上，微调解决回答的语气和格式，RAG 提供最新的事实，两者互补。具体说一下 RAG 的实现流程，核心就是离线建库、在线检索、增强生成三个阶段。离线建库这块，第一步是文档解析和切分，把 PDF、网页这些拆成文本块，chunk 大小我一般控制在 256 到 512 tokens，太长了检索…

#字节#检索生成流程#RAG 技术原理

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配口述回答：这道题问的是检索结果不对目标答案的原因和优化方向，其实本质是问检索和生成之间的对齐问题。我们做[[RAG]]时经常会遇到：明明数据库里有正确答案，但检索模块就是没把它捞上来，或者捞上来了但排序太低，导致生成器没看到。那原因可以从数据、检索、查询三个层面拆，优化也对应着来。先说数据层面。很多人上来就调模型，但我会先检查文档质量和[[Chunk]]策略。举个例子，客服退款场景下，用户问‘退款多久到账’，文档里可能写的是‘退款处理时效为1-3个工作日’，但如果你把这句话和‘退款条…

#小红书#美团#重排与优化

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：这道题问的是[[RAG]]的完整流程，我觉得本质上是在问：怎么把外部知识可靠地注入到生成模型里，同时控制住[[幻觉]]。它不是单纯讲检索或者生成，而是两者怎么分工、怎么衔接。具体来说，我会把流程拆成几个阶段。首先是查询理解，用户问的问题可能比较模糊，比如“退款为什么没到账”，我会想用户到底在问退款状态、到账时间还是异常原因。必要的时候做query改写，比如多跳问题拆解成子问题。这一步的难点在于，改写不能偏离原始意图，否则后面检索全是歪的。然后是检索召回。这里我倾向于多路…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：这道题其实问的是[[RAG]]落地时最核心的工程博弈：延迟和准确率怎么平衡。咱们先看延迟。首Token延迟高，用户问一句，得等检索完才开始生成，体验很糟糕。根本原因是链路串行，向量检索、[[重排序]]、上下文组装、生成，各环节挨个跑，尤其是Rerank，[[Cross-Encoder]]精度高但慢，百毫秒级，成了瓶颈。还有上下文膨胀，检索Top-K文档后，长上下文导致Prefill阶段计算量激增。举个真实场景：客服系统里，用户问“我退款为什么还没到”，系统得先检索退款政策、订…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：我觉得[[RAG]]这道题本质上是在问：当你需要让模型回答它没训练过的新知识时，怎么在知识新鲜度和生成质量之间做平衡。说白了，RAG不是把检索和生成简单拼起来，而是要在信息密度、计算成本和[[幻觉]]风险之间反复取舍。先说离线文档处理这一块。很多人上来就按固定长度[[切块]]，比如512 token一刀切，这在通用场景还行，但遇到代码库或者论文，语义就被拦腰砍断了。我的做法是：先看业务文档的结构，代码按函数切，论文按章节切，普通文档按段落切，然后把零重叠、短窗口与较长窗口作…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配口述回答：这道题其实在问，怎么给大模型配一个能随时更新的外挂知识库，让它回答时能引用真实资料，而不是全靠训练时记住的那点东西。我理解[[RAG]]的核心是三个环节：离线把文档处理好、在线把相关片段找出来、最后把检索结果喂给模型生成答案。先说离线阶段。文档进来，得先解析，PDF、Word、网页这些格式不一样，表格和图片还得[[OCR]]。接下来是清洗，去噪、脱敏。最关键的其实是[[Chunk]]分块，怎么切直接决定检索质量。固定按512个字符切，简单但容易把语义切碎。我倾向用语义边界检…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 字节

RAG检索方法选型原因？

匹配题目：在RAG系统中，您采用了哪些检索方法（如密集检索、稀疏检索等）？请说明选择这些方法的原因，并讨论可能的优化策略。

#字节#评估与监控#RAG 检索方法

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：如果让我设计一个 [[RAG]] 系统，我会把它拆成五个模块：文档处理、索引与检索、[[重排序]]、生成集成，以及评估监控。每个模块都有自己的输入输出，不能只把它理解成“[[向量库]]加大模型”。文档处理是第一层，也经常是最容易被低估的一层。原始文档进来后，先做解析和清洗，比如 PDF、网页、表格、图片 [[OCR]]，各自的处理方式不一样。清洗完以后做[[分块]]，分块要结合文档结构，不能简单按 500 token 硬切。技术文档可以按标题层级切，客服 FAQ 可以一问一…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：这道题其实是在问，怎么在语义理解、检索效率和工程复杂度之间找到平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权…

#字节#向量数据库召回#RAG 向量检索

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…列代表什么。代码可能从函数中间断开，缩进和上下文一起丢失。流程图虽然识别出所有文字，却看不出箭头关系。这就引出一道很有区分度的 RAG 面试题：表格、代码和图片应该怎样切成 Chunk，既能被检索，又不破坏原来的结构？常见回答是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段…

#RAG#切分与索引#RAG 表格切分

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…，必须先经过文字识别。三类文件若都粗暴转成一大段纯文本，格式虽然统一，标题、位置、表格关系和图片信息却可能一起消失。这对应一道 RAG 项目面试题： PDF、PPT 和扫描件应该怎样进入同一个知识库？为什么不能只写一个通用解析函数？一种常见但不完整的回答是：“判断文件后缀，调用不同的库，再把文字拼起来。” 这只能算说出了入口。面试官还会追问：不同解析器统一什么？页面只成功一半怎么办？怎样证明内容能够被检索，而不是只拿到一堆字符？为什么“上传成功”不等于“可以检索”？文…

#RAG#解析与入库#RAG 文档解析

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…演练要说明的不是某次真实损失,而是因果链:一句话被切断 → 检索只返回残缺证据 → 生成阶段依据错误上下文作答。因此,切分策略是 RAG 系统的隐形地基;上层模型无法补回未被检索到的证据。这个失败路径,用一张图就能看明白: 切分前 vs 切分后:错误如何沿链路放大别急着记结论。本章后半会告诉你怎么避免它,但在那之前,我们先把最基础的东西跑起来。 3 个核心概念(先白话,再术语) 概念 1:什么是"切分"? 切分(chunking),英文 chunk 就是"块"的意思,说白…

#RAG#检索#项目实战

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：…。可以利用表格标题、列数、对齐方式、页面边界和续表标识进行判断，但最终规则要在自己的文档样本上验证。如果表格很长，需要拆成多个 Chunk，每块都要重复带上必要表头、表格标题、页码范围和分块序号。这样用户问某个字段时，检索到的数值不会变成没有列名的孤立文本。图片、流程图和说明应该怎样绑定？图片不等于图片里的文字。 OCR 能读出截图中的标签，却不一定理解箭头从哪个节点指向哪个节点。数据图表中的坐标、图例和趋势也不能只靠把可见文字串起来还原。比较稳妥的做法，是先把图片区…

#RAG#解析与入库#复杂 PDF 阅读顺序

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：… 0~1 之间,1 表示方向完全一致(最像),0 表示毫不相关。检索时就是:把用户问题变成向量,去库里找余弦相似度最高的那几个 chunk。余弦相似度:看两个向量指向的方向有多接近为什么用"方向"而不用"距离"?因为一段长文本和一段短文本,向量的长度可能差很多,但只要讲的是一回事,方向就一致。余弦只看方向、不看长短,正好抓住"意思像不像"。概念 3:什么是双塔模型? Embedding 模型通常是**双塔(Bi-Encoder)**结构:query 和 documen…

#RAG#检索#项目实战

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：… 1:召回(recall)和"检索召回模块" 第 3 章我们用"召回率"衡量切分好坏;这里的召回是动词:指从知识库里把可能相关的 chunk 捞出来这个动作。负责这件事的就是"检索召回模块",它是 RAG 的"搜索引擎"。概念 2:稀疏检索 vs 稠密检索稠密检索(Dense) = 第 4 章的向量检索:把文字变成稠密向量,靠"意思相近"找。懂语义。稀疏检索(Sparse) = 关键词检索(BM25):靠"词命中"找,代表向量大部分位置是 0(稀疏)。精确。 "稀疏/稠…

#RAG#检索#项目实战