匹配口述回答：…：重排模型如果不做领域微调，打分可能不靠谱，比如把非权威来源排前面。所以上线前我会用一批标注数据做微调，然后监控[[RAGAS]]指标里的context precision。生成融合阶段，我最关注的是引用锚定和校验。检索回来的片段不能全塞给大模型，得做上下文压缩，比如用LLM摘要控制token。同时强制生成时标注来源片段ID，法律场景必须输出“依据《XX法》第X条”，这样结果可追溯。后处理加一个领域规则引擎，比如医疗场景查药物禁忌，如果生成内容冲突就拦截。说白了，生成环节如…

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…时拒绝回答。最后说挑战。检索质量决定 RAG 的天花板，如果第一步就召不准，后面再好的模型也白搭。所以我会优先做检索评测，盯着 Recall@K 和 MRR，达标了再优化生成。另一个是[[幻觉]]问题，模型可能不看检索内容瞎编，我会在 prompt 里强制要求引用原文，甚至用 [[Faithfulness]] 指标做自动检测。我的核心取舍是：宁可不回答，也不要给错答案。所以我会把 RAG 看成一套检索系统加上一个生成接口，重心放在检索和过滤上，而不是一味调 prompt。…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…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？检索和生成哪个更难评估？有没有遇到过离线好在线差的情况？

← 上一页第 4 / 4 页

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常见陷阱#RAG 系统陷阱

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…据完整率、召回和成本实测。具体参数我一般根据业务数据试跑，用 [[RAGAS]] 的 [[Context Precision]] 指标调优。说下 Embedding 模型选型。可将BGE-M3或具体多语言E5型号列为候选；先核对语言、最大长度和query/document用法，再测目标任务，不沿用动态榜单口号。如果是垂直领域，比如法律合同，直接用通用模型可能效果不好，我会用领域数据微调，或者用 LLM 生成合成数据训练。部署时有个前提：模型推理延迟必须可控。如果 QPS 高…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配口述回答：…。上线前我还会特别关注几个风险。一个是嵌入模型的质量，如果模型在领域数据上表现差，整个检索效果都会崩，所以一定要先做离线评测，用Recall@K和MRR指标卡一下。另一个是索引的实时更新，知识库频繁增删时，HNSW索引的增量更新容易导致召回率下降，我一般用软删除加定时重建的策略。还有一个方向，就是单向量检索有时候不够，比如用户问题里有否定词或条件限定，向量空间里可能区分不开。这时候可以用[[ColBERT]]这种交互式模型做后期交互，或者用[[Self-RAG]]让模型自…

#字节#文档处理#向量检索

面试题·文档处理· 百度

常用分块方法有哪些?

匹配口述回答：…？所以总的来说，我更倾向把分块看成一套可配置的管道，而不是一个固定的算法。先根据文档类型选主策略，再用重叠和重排兜底，最后用线上指标比如 Recall@K 去反推分块参数合不合理。定位：分块本质是平衡语义完整和检索粒度固定切分 vs 语义切分：场景边界业务案例：企业SOP文档的分块策略落地风险：块大小与重叠窗口的工程选择收尾：我的取舍和延伸可延伸点约4分钟分块策略和重排的配合，以及重排延迟的工程控制面试官可能会追问重排的具体实现、延迟优化，或者分块与重排的联…

#百度#文本分块策略#RAG chunking

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…大号。另外，很多团队忽略数据漂移。业务政策每季度更新，旧向量对新query可能不匹配。我倾向于定期用线上真实query回测，如果Recall@K掉到阈值以下，就触发增量微调。但微调不是万能药，它需要标注数据，成本不低。所以我的判断是：没有银弹。我更倾向走混合路线，开源模型做主体，关键词检索做补充，再根据业务反馈迭代微调。面试官如果感兴趣，我可以展开聊聊微调时怎么构造对比学习样本，或者怎么评估向量质量。一句话定位：选型本质是平衡语言、成本、上下文边界划分：开源 vs 闭…

#百度#文本嵌入模型#Embedding 模型对比

面试题·检索· 字节

RAG检索质量提升5法

匹配口述回答：…代检索；简单请求则应跳过昂贵步骤。路由条件、最大轮数、停止规则和降级路径都要显式配置。上线前要特别防止优化链路彼此叠加后只在离线指标变好，却让端到端答案退化。我会做逐步消融，回放包含长尾实体、否定条件、权限过滤和无答案请求的样本，并核对最终引用是否仍指向原始证据。最后用黄金证据集分别报告 Recall@K、nDCG、引用正确率、忠实度、端到端成功率、延迟和成本。每种组合都要以同一数据集上的质量、延迟和成本增益决定是否采用。一句话定位：RAG检索优化本质是让模型找到更准的…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…融合的权重怎么调，如果向量权重太高，关键词匹配的精准片段可能排不上去；反过来又可能丢了语义。我一般会先离线跑一批query，根据 Recall@K 和 Precision@K 调参，或者用 SPLADE 这种可学习的稀疏检索自动学权重。检索完之后，最关键的一步是[[重排序]]。因为初召回的Top-K里可能有噪声，比如语义相似但上下文不对。我会用 [[Cross-Encoder]] 做精排，比如 bge-reranker，它能看query和文档的完整交互，比向量余弦相似度准很…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：…和关键词。其次，重排模型的计算开销还是不小的，如果Top K设得太大，比如500，延迟就会变高，影响用户体验。上线我会特别关注两个指标：一是重排后的Recall@K有没有提升，二是端到端延迟是否在可接受范围内。另外，重排模型要定期更新，因为数据分布会漂移，比如电商大促期间，用户query的语义可能跟平时不一样。说到更新，其实有个延伸话题：如果知识库频繁变动，重排模型要不要跟着在线微调？我个人觉得，大多数场景下离线定期更新就够了，但如果是实时性要求很高的场景，比如金融行情问答…

#字节#Rerank模型#RAG Rerank

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配口述回答：…坑，就是检索质量。如果知识库里本身就有错，或者分块不合理，检索结果全是无关的，那LLM再强也白搭。所以我上线前一定会做召回评估，看Recall@K和MRR，确保检索质量达标。另外，RAG和微调不是二选一。微调适合让模型学会特定格式或风格，但知识更新慢。RAG适合动态知识，比如价格、库存、政策。真正落地往往是两者结合：微调让模型理解业务语义，RAG提供实时知识。最后说一下我的判断。我会把RAG看成一套系统工程，而不是简单的检索加生成。它的前提是知识库质量要够高，如果文档本身混…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配口述回答：…发挥。而且知识库一更新，模型立马能用新知识，不用重训。但前提是检索质量得过硬，检索错则生成错。上线我会特别关注两件事：一是检索的 Recall@K 能不能稳定在 90% 以上，二是生成时模型是否忠实于上下文，会跑 [[Faithfulness]] 指标。常见失败场景是用户 query 太模糊，比如「我的订单有问题」，这种需要先做 query 改写或 [[Self-RAG]] 让模型自己判断要不要追问。其实 RAG 还有一个隐含前提：知识库本身的质量。如果库里有矛盾或过时的信…

#京东#幻觉抑制#RAG 技术原理

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：…政策，回答就不准。二是检索质量，如果Top-K召回的文档里混了噪声，LLM会被带偏。所以上线前我会用一批历史Query做回放，对比Recall@K和答案准确率。三是延迟，在线阶段每一步都有开销，尤其是重排和LLM生成，所以我会用缓存和异步处理来优化。还有一个细节值得深挖，就是分块粒度对检索的影响。比如一份技术文档，按固定256字切块，可能把一个API说明切成两半，检索时只召回前半段，LLM就不知道完整用法。而如果按章节切，块太大，检索时又可能带进不相关的内容。所以我会根据文…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 高德

语义检索向量数据库构建流程

匹配口述回答：…ery的向量结果和Embedding结果都缓存起来，能挡住大部分重复请求。其实还有一个经常被忽略的点，评估。线上效果好不好，光看Recall@K不够，还要关注用户实际点击行为和业务指标。比如在客服场景，用户搜了之后有没有解决问题，比召回率更重要。这个评估体系怎么搭，我觉得比检索本身更考验工程能力。所以整体来说，我会把[[向量数据库]]看成一个系统工程，每个环节都有trade-off，没有银弹。更倾向根据业务场景做组合方案，而不是套一个固定模板。本质是让机器理解语义并高效…

#高德#评估与监控#向量数据库构建

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…有效需分解检索与推理失败。如果知识库频繁更新，或者查询高度依赖精确匹配，我会搭配关键词或者甚至用微调模型。上线前我会特别关注召回率指标，比如Recall@K，还有延迟，确保在用户容忍范围内。如果效果不行，优先查分块策略和Embedding模型是否匹配领域，而不是盲目调参数。本质定位：端到端语义匹配流程拆解：离线分块+向量化，在线检索+重排落地优化：混合检索、领域微调、效率取舍风险与边界：分块策略、模型失配、上线校验约4分钟分块策略（滑动窗口+重叠）对召回质量的影响…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配追问：…数据库怎么选？……如果数据量从百万涨到十亿，你的选型会变吗？……那实时性要求高，比如用户对话延迟要控制在200毫秒内，你优先看哪些指标？直球架构给一个RAG应用选向量数据库，从性能、扩展性、索引类型、集成难度这几个维度，说说你的评估要点和取舍逻辑。

#京东#向量检索#向量数据库选型

面试题·检索· 美团

Embedding 模型结构选型

匹配口述回答：…的通用模型，再根据业务数据微调。如果延迟敏感就降到 384，精度要求高就试 1024 加 MRL。落地时一定跑通全链路测试，关注 Recall@K 和延迟的 trade-off，别只看模型精度。一句话定位：Embedding模型选型本质是精度、速度、成本的三角权衡主流模型结构：SBERT双塔适合检索，SimCSE无监督有监督场景分化维度选择：384/768/1024对应不同场景，MRL新趋势打破固定维度落地风险：维度高不保证精度，索引结构、数据量、召回指标要一起看收…

#美团#向量检索#Embedding 模型结构选型

面试题·检索· 小米

Embedding 向量维度选型

匹配追问：… BERT 和 Sentence-BERT 的架构差异，重点说输出向量维度对检索精度、存储和速度的影响，以及你实际选型时会参考哪些指标？

#小米#向量检索#Embedding 向量维度选型