匹配追问：…F 和网页，然后问‘今年的Q2财报里研发费用占比多少？’——你从文档处理到最终给出答案，中间每一步具体是怎么串起来的？层层追问 RAG 系统里你怎么处理文档的？……分块一般注意什么？……那检索的时候，光用向量够吗？……怎么把检索结果喂给生成模型，上下文太长怎么办？直球架构请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…体上，我会把RAG看成检索和生成的系统工程，不是简单搭个管道就完事。每一步都要有评估和兜底，尤其是幻觉抑制和上下文利用，这两个是RAG落地的核心痛点。 RAG落地核心是检索和生成的平衡检索阶段：分块、混合检索与重排上下文处理：去重过滤与动态窗口生成阶段：prompt约束与幻觉抑制系统评估与风险意识约4分钟 RAG评估要分离检索和生成，分别用Recall@K和F1/人工评分，但更关键的是在线效果指标。这个延伸点会引向面试官追问：如何设计离线评估集？检索和生成哪个更…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发"未知"回答迭代检索：多轮检索-生成，逐步细化答案（…

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

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配口述回答：这道题其实是在问，当检索这个环节失灵了，系统怎么还能给出一个靠谱的答案。本质上是[[RAG]]系统的边界问题，就是知识库覆盖不到、或者检索质量差的时候，怎么保证不崩。先说清楚，检索失败不只是没结果。我一般会先区分两种：一种是零结果，[[向量库]]什么都没返回，这可能是[[embedding]]或者索引有问题；另一种是低质量结果，有东西但相似度不够，或者Top-K之间得分差距太大，这种其实更常见更麻烦。对零结果，我第一反应不是直接放弃，而是查一下是不是Query本身有问题。…

#百度#小鹏#美团

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？假设你在做设备借用知识库。一页指南分成两栏：左栏是办理步骤，依次提交申请、审核通过后领取、用完归还；右栏是申请材料，列着工号证明、审批记录和设备清单。人读这页纸，通常会先沿左栏把流程看完，再去右栏找材料。解析后的文本却可能变成“提交借用申请、工号证明、审核通过后领取设备、审批记录、用完后办理归还、设备清单”。每个字都能在原页找到，内容也与设备借用高度相关。办理动作和申请材料已经混成一条队伍。把它切成段落送进知识库…

#RAG#PDF解析#阅读顺序

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·Agent· 字节

工具集设计关键因素?

匹配口述回答：…，这样模型能回顾自己做过什么，方便多轮规划。还有一个有意思的点，当工具数量超过几十个时，模型选工具会变得困难，这时候需要引入[[RAG]]来检索工具描述，而不是让模型从所有工具里硬选。这块其实涉及工具库的索引和检索质量，值得深入聊。所以整体上，我会把工具集设计看成是给模型搭脚手架，既要让模型够得着，又不能让它摔下来。上线前我会特别关注错误处理的覆盖率，比如所有工具调用失败后的兜底逻辑，以及安全隔离的完善度。工具集设计本质是平衡问题工具粒度：原子与组合的取舍描述清晰度…

#字节#Agent#Agent 工具集设计

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配口述回答：…提升5个点。检索层调优要平衡效果和延迟，比如[[Hybrid Search]]把关键词和向量结合起来，但会增加复杂度。生成层最难，prompt工程能约束引用格式，但真要解决幻觉，可能需要做[[Self-RAG]]让模型自己反思，或者做RAG-specific微调，但成本高。所以我的解决优先级是：先数据层，再检索层，最后生成层。如果数据层做好了，很多问题自然就消失了。不过这里有个延伸点，就是对抗测试集怎么设计才能有效覆盖真实线上的失败场景。单纯靠人工构造很容易漏掉一些隐含的…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…RR、BLEU、ROUGE 理解端到端评估框架RAGAS的核心指标知道人工评估与自动评估的权衡了解业务场景下的定制化评估需求 RAG评估需分检索层、生成层、端到端三个维度展开：一、检索评估（Retrieval Metrics）关注"找得准不准、全不全"： Recall@K：正确答案在Top-K检索结果中的比例，RAG最核心指标 Precision@K：Top-K中相关文档的比例 MRR（平均倒数排名）：正确答案排名的倒数均值，反映排序质量 NDCG：考虑文档相关性分级…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：答案要点清晰描述RAG的两阶段架构（检索+生成）说明向量检索的核心机制（embedding、相似度计算）解释RAG缓解幻觉的原理列举至少2个优势（知识时效性、可溯源性等）提及至少2个局限（检索质量依赖、上下文长度限制等） RAG基本架构 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（…

#百度#评估与监控#RAG 架构

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…就回退整套兼容版本。这里真正考察的不是记住多少优化名词，而是能不能从一个错误出发，建立可复现的定位、实验和上线闭环。一句话定位：RAG优化本质是检索质量和生成质量的平衡检索器：混合检索和重排的适用边界生成器：上下文压缩和引用生成的实际效果整体架构：迭代检索的取舍落地风险与收尾约4分钟检索和生成的联合训练，比如Self-RAG，让模型自己学会反思和修正，而不是靠外部规则。面试官可能会追问Self-RAG的具体实现，比如反思机制怎么设计，或者跟Agentic RA…

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：答案要点 RAG核心原理：检索+生成的两阶段架构系统组件：索引模块、检索模块、生成模块工作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不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…

#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· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…重排序优化：用Cross-Encoder等精排模型提升相关性（可选但重要） 3. 生成阶段上下文组装：将检索结果与用户问题拼接成Prompt 大模型生成：LLM基于"检索到的证据"生成回答，典型Prompt结构：基于以下参考资料回答问题： [检索内容1] [检索内容2] 问题：{用户提问} RAG解决的核心问题问题说明知识时效性大模型训练数据有截止日期，RAG可接入实时数据库幻觉问题生成有溯源依据，可标注参考来源私有数据无需训练即可利用企业内部知识成本可…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配追问：…一个智能客服，用户问“我的订单什么时候发货”，你直接让大模型回答容易胡扯。如果先查一下知识库里的物流规则再生成答案，这个流程你怎么设计？层层追问你一般怎么解决大模型知识过时的问题？……用外部知识库是吧，那具体怎么把外部知识和模型结合起来？……从用户提问到最终答案，中间经历了哪些步骤？直球架构请描述RAG的完整工作流程，包括离线和在线阶段，以及每个阶段的关键组件。比如文档怎么处理、检索怎么实现、生成时怎么拼接Prompt。

#商汤科技#RAG 工作流#RAG 工作流程

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· 字节

RAG 技术原理和实现流程

匹配正文：…用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 + "参考文档：[检索结果]" + 用户问题 LLM生成：模型基于检索到的证据作答，可溯源关键优化点环节常见问题优化手段检索语义不匹配查询改写、HyDE（假设文档嵌入）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适…

#字节#检索生成流程#RAG 技术原理

面试题·Prompt· 阿里

Agent推理链路Prompt优化评估指标

匹配正文：…ling参数正确性幻觉率：虚构信息或错误推理的比例推理步数/深度：完成任务的平均步骤数 3. 效率与成本指标 Token消耗：Prompt+Completion总长度延迟：端到端响应时间重试率：因格式错误等导致的重新生成次数实验方法对照实验设计固定模型版本、温度参数、工具集划分测试集：按任务类型分层抽样设置基线Prompt与新Prompt的A/B对比评估方式组合自动评估：用规则/模型判断输出是否符合预期格式和结果人工抽检：对边界case做人工标注校准 …

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embedding从示例库召回相似case，比静态示例更精准（RAG+Prompt结合）三、推理增强 CoT（思维链）：在示例中展示"Let's think step by step"的推理过程，激发模型逐步思考，适合数学、逻辑题 Self-Consistency：对同一问题采样多条推理路径，投票取多数答案，降低单条CoT的随机性 ToT（思维树）：维护多条推理分支，用评估函数剪枝/扩展，适合需要探索的复杂…

#阿里#Prompt工程#Prompt 优化方法

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…op-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，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：Embedding模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：RAG核心定义 RAG（Retrieval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

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?

匹配口述回答：…生[[Hallucination]]，需要额外做 [[Faithfulness]] 校验。这块如果面试官感兴趣，我可以展开讲讲怎么设计prompt和校验机制。所以我的结论是：重排是RAG从“找得到”进化到“找得准”的关键组件，但不是银弹。我更倾向于把重排看作一个精度调节旋钮，根据业务对准确率和延迟的要求，灵活调整候选集大小、模型轻量程度和级联层数。比如对金融风控场景，我宁可多花50毫秒也要保证精度；对实时聊天机器人，可能就用一个轻量模型快速过一遍。本质是两阶段权衡精度与效…

#字节#重排与优化#RAG Re-ranking