匹配正文：…排序特定领域、资源受限三、查询扩展语义扩展 HyDE（Hypothetical Document Embeddings）：让LLM生成假设答案再检索，解决query-doc语义鸿沟 Query Rewriting：LLM改写歧义/口语化查询，如"那个车"→"小鹏G9" 结构化扩展子查询分解：复杂问题拆分为多个子问题并行检索，结果聚合 Step-back Prompting：先问通用概念再具体到细节四、混合检索融合 BM25 + 向量：关键词匹配兜底专有名词、ID，向…

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配标题与标签：Context vs Prompt Engineering 区别? 大模型应用中目标、方法与场景的对比分析检索 OPPO Prompt工程 Context Engineering Prompt Engineering 大模型应用区别 OPPO

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…文档 → 拼接Prompt模板： "基于以下参考资料回答问题：[文档1]...[文档K]\n问题：{Query}\n答案：" → LLM生成（检索内容通过Attention与Query交互）关键优化策略查询改写：用LLM扩展同义问法，解决语义Gap 多路召回：向量检索 + 关键词检索 + 图谱检索并行引用溯源：要求模型输出引用标记，便于事实核查 Naive vs Advanced RAG Naive：直接检索→拼接→生成，容易噪声干扰 Advanced：加入重排序、查询…

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

#美团#RAG架构#RAG 系统架构

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：…词、跨语言稀疏向量（SPLADE/BM25）关键词精确匹配、长尾实体图检索（KG）结构化关系推理查询侧优化 HyDE：用LLM生成假设文档，再用假设文档去检索查询扩展：同义词扩展、伪相关反馈（PRF）多查询生成：一个query变5个不同表述，聚合结果结果精排两阶段架构：向量召回Top-K → Cross-Encoder/BGE Rerank精排可比较ColBERT的late interaction或Cross-Encoder交互打分；是否优于当前双塔需固定…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…→ 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：答案有来源引用，便于人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garba…

#字节#RAG应用场景#RAG 技术实现

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配正文：…PT的SOP 消息传递松耦合，容错好 AutoGen的ConversableAgent 黑板系统渐进式问题求解传统AI + LLM混合协作与竞争策略协作任务分解：按技能图谱分配（如：Researcher→Writer→Editor）结果聚合：投票、加权融合、迭代精炼竞争/冲突解决仲裁者机制（Judge Agent裁决）置信度阈值触发重协商代价敏感的资源竞价三、实际应用对比维度单智能体多智能体延迟低（单次推理链）高（多轮通信）可扩展性受限…

#百度#Agent#Single-Agent 设计

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配口述回答：…动态调整。没有银弹，关键是理解每种策略的代价，然后做取舍。一句话定位：chunk 本质是检索精度与上下文完整性的取舍固定长度 vs 语义边界：各适用什么场景，边界在哪滑动窗口解决边界问题，但冗余是代价，组合策略才是常态业务案例：企业 SOP 检索，语义分块 + 滑动窗口组合落地风险：块大小、去重、元数据，以及一个延伸可延伸点约4分钟智能分块（如 LLM 判断断点或语法树切分）在代码和表格场景中效果好，但延迟和成本是代价，可结合元数据标注优化。这个延伸点会引向面…

#腾讯#文档处理#RAG Chunk 划分

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…ReAct]] 或者 [[Function Calling]] 的配合。这个做起来复杂度高不少，但效果也更灵活。所以我的判断是，RAG不是银弹，它依赖高质量的知识库和检索链路。我更倾向把RAG看作一个可插拔的知识接口，核心是保证检索的精度和覆盖率。如果知识源本身乱、更新慢，那RAG效果也不会好。 RAG本质是给大模型配外挂知识库核心流程：索引构建与检索生成 RAG vs 微调：边界与混合落地风险：召回失败与幻觉工程师的取舍：从Naive走向Agentic 约4分钟 …

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配口述回答：这道题问的是[[RAG]]怎么缓解[[幻觉]]，我觉得本质是在问一个核心转变：把大模型从闭卷考试变成开卷考试。闭卷时模型全靠参数记忆，记错了就编；开卷时给它参考资料，让它照着写。所以RAG不是消灭幻觉，而是把幻觉从无中生有变成有据可依。具体机制我分成三个点来说。先看事实锚定，这一步在工程上很关键，就是让生成内容绑定到检索回来的文档上。模型被强制照着说，而不是编着说。再看上下文约束，通过system prompt告诉模型只基于提供的文档回答，配合instruction tun…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配口述回答：这道题问的是[[RAG]]的性能瓶颈和优化，其实本质上是在问，你怎么理解RAG系统中检索、生成、效率这三环的协同关系，而不是让我列一堆技术点。我一般会从三个维度去拆解：检索精度、生成质量和系统效率，但真正落地时，这三者经常是互相牵制的，你得有取舍。先说检索精度。最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满2…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 百度

Single-Agent vs Multi-Agent 怎么选?

匹配口述回答：…息会像谣言一样在团队里扩散，而且越传越真。这个问题在面试里经常被问到，我自己倾向于引入一个独立的验证智能体，或者用 [[Self-RAG]] 让每个智能体先自我校验再输出。总结一下，单智能体简单可控，但能力有天花板；多智能体扩展性强，但引入协调成本和通信开销。我更倾向先评估任务复杂度，能用单智能体解决就不用多智能体，非用不可就选混合架构，并且把冲突解决和幻觉防控作为设计重点。本质是单兵 vs 团队，选型看场景单智能体：ReAct循环 + 分层记忆，适合边界清晰的任务多…

#百度#评估与监控#Agent

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配口述回答：这道题问[[RAG]]，其实本质是在问：怎么让大模型在不改变参数的前提下，拥有实时、可信的外部知识。RAG解决的不是模型能力问题，而是知识边界问题。流程上分三块：索引、检索、生成。我先说索引。离线阶段，我们把文档切碎、[[向量化]]、存进 [[Vector Database]]。这里有个常见的坑：[[分块]]策略。固定长度切分简单，但容易切断语义；语义切分效果好，但计算成本高。我的做法是混合：先用段落级粗切，再对超长块做递归切分，控制块大小在256到512 tokens之间…

#商汤科技#检索生成流程#RAG 技术流程

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配口述回答：这道题其实问的是[[RAG]]从早期简单拼接到现在深度融合的演进，本质是看我们怎么理解检索和生成之间的关系。早期做法就是典型的流水线，检索器用[[BM25]]或者[[TF-IDF]]这种[[稀疏检索]]，把文档拿回来，直接拼到prompt里扔给LLM。生成器是固定的，完全不参与检索过程。但现代RAG系统，比如Facebook 2020年那篇RAG论文，已经开始把检索器和生成器一起训练了。具体区别我分几个点讲。先说架构。传统的是两个独立系统串联，检索器是稀疏检索，生成器是LL…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 重排序怎么选?

匹配口述回答：…看成 RAG 从“可用”到“好用”的关键一步。具体落地时，我倾向于至少部署一个轻量 Cross-Encoder，高价值场景再叠加 LLM 重排。但前提是你要评估好延迟和成本，否则重排本身可能成为瓶颈。不过还有一个点值得注意，就是 LLM 做重排时，它自己也可能产生[[幻觉]]，尤其当文档本身有歧义时，它给的分数不一定可靠。所以我会额外加一层置信度校验，比如让模型输出理由，再验证理由是否和文档一致。重排的必要性：向量检索的缺陷方法选择：Cross-Encoder vs C…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配口述回答：…[[Self-RAG]]，让模型在生成过程中自己判断是否需要检索、检索结果是否可信，甚至自我纠错。这种动态路由的方式，能进一步提升RAG的鲁棒性。一句话定位：RAG本质是给LLM外挂知识库，解决知识更新和幻觉问题离线构建：文档切分、向量化、索引存储，重点讲分块策略的取舍在线流程：查询优化、混合检索、重排序、上下文组装，用客服退款场景串起来落地风险和边界：RAG vs微调，常见失败场景，以及上线前必须关注的指标工程师判断：我更倾向混合检索加Rerank，并主动提Sel…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…盖率，在线管道保证召回质量和响应速度。两者独立迭代，但最终都要用业务指标来验证，比如客服场景里客户满意度有没有提升。一句话定位：RAG本质是给LLM外挂知识库离线阶段：文档解析、分块、Embedding、向量存储在线阶段：Query理解、检索、重排、上下文融合、生成边界划分：RAG vs 微调，关键词 vs 向量，固定分块 vs 语义分块落地风险：分块策略、检索质量、拒答处理可延伸点：分块粒度对检索的影响约4分钟分块粒度对检索质量的直接影响，以及动态调整策略 …

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…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（如Self-RAG）关键权衡点召回 vs 精确：分块粒度、检索Top-K数量延迟 vs 质量：是否做重排序、模型大小选择成本：Embedding调用、向量存储、生成token消耗

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配口述回答：这道题其实问的是，当我们要把大模型用在信息检索或生成上，信息密度和可控性之间怎么取舍。说白了，你是想靠一次生成搞定一切，还是拆成先捞后精再生成。我的观点是，没有银弹，真正落地常常是两阶段为主、端到端为辅，混着上。先说说两阶段。先做检索，比如用 [[Hybrid Search]] 把关键词和向量混着召回，再做 [[Rerank]] 精排，最后喂给大模型生成。这么做最大的好处是可控。比如在客服场景里，用户问“我的退款怎么还没到”，我可以先召回退款规则和订单记录，再让模型基于这些…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配口述回答：这道题问的是[[RAG]]系统里召回链路的优化，其实本质上是在问怎么在覆盖、效率和精准之间做平衡。我先说检索器选择。[[稠密检索]]比如 [[Embedding]] 模型，语义匹配强，但对罕见实体和精确匹配很弱；[[稀疏检索]]像 [[BM25]]，关键词匹配稳，可解释性强，但跨表述理解差。所以真正落地时，我倾向双路召回，把稠密和稀疏的结果用倒数排序融合或者学习权重合并，这样能互补。举个例子，客服退款场景里，用户问“怎么退运费”，BM25能精准匹配“运费”这个词，而稠密检索能…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配正文：答案要点固定长度 vs 语义分段 vs 结构感知的优缺点对比重叠窗口的设计原则（比例、滑动步长）粒度与效果的权衡（召回率vs精确度、上下文完整性）实际工程中的混合策略和动态调整方法核心分段策略对比策略适用场景优缺点固定长度通用场景、快速上线简单可控，但可能切断语义语义分段高质量要求、长文档保留完整性，但计算成本高结构感知结构化文档（Markdown/HTML）利用标题/段落边界，效果稳定重叠处理技术滑动窗口：比较零重叠、短窗口与较长窗口，…

#小鹏#文本分块优化#RAG 文本分段

面试题·评估· 京东

知识型与行为型错误诊断

匹配标题与标签：知识型与行为型错误诊断先诊断知识缺失与行为/推理错误，再选 RAG 或 RL 评估京东 RAG 与强化学习知识型与行为型错误诊断知识型幻觉和行为型错误怎么区分？RAG 或 RL 如何选 RAG vs RL 大模型幻觉 RAG 幻觉京东

#京东#RAG 与强化学习#知识型与行为型错误诊断

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配正文：…评测应分开测 factuality、faithfulness、偏见、有害内容、越狱、隐私与工具越权，并覆盖正常与对抗流量。图解 LLM 幻觉与安全风险怎么缓解?图解

#幻觉检测#内容安全#RLHF

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：这道题我觉得它问的不是[[RAG]]的原理，它本质是在问：怎么让大模型在不知道的情况下不要瞎编，同时还要高效、可信。RAG是个好办法，但落地时有很多坑，我主要从检索、生成和边界这三个角度来讲。先说检索。最理想的情况是用户问什么，数据库里就有最匹配的文档。但实际往往有语义鸿沟，比如用户说“退款流程”，库里存的可能是“售后政策”，[[Embedding]] 没对齐就匹配不上。更糟的是检索噪声，Top-K里混进一堆无关文档，把关键信息稀释了。举个例子，电商客服场景，用户问“满减优…

#小红书#RAG局限性#RAG 局限性