匹配正文：…ecall 评估各路的增量贡献（ablation study）避免"伪多路"——多路召回同一批文档 3. 业务约束延迟P99：向量检索<50ms，重排序<100ms 成本：embedding调用次数、存储规模三、端到端验证（最终标准）离线指标高 ≠ RAG效果好，必须回归：答案准确率（人工/模型评估）幻觉率（检索内容是否被正确使用）一句话总结：Recall@k是必要条件，但需结合NDCG保证头部质量，最终用端到端指标验收。学习建议建议系统学习该知识点参考资…

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 字节

RAG 召回评估指标对比

匹配正文：…升生成质量实际评估要点与生成环节联动：高Recall但低Precision时，需增强重排序或压缩上下文多路召回评估：分别评估向量检索、关键词检索、图谱检索，再测融合后的Recall 业务定制：客服场景重MRR（要快准），研报场景重Recall@20（要全）学习建议建议系统学习该知识点

#抖音#Recall@k#RAG 召回评估

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调 …

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#专业领域 RAG#RAG 系统设计

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rerank）：用Cross-Encoder等交互式模型精排，捕捉细粒度相关性负样本硬挖掘：把"语义近但任务远"的样本加入训练，拉远embedding 3. 数据侧根治收集业务真实的<查询, 相关文档>对，微调Embedding模型引入指令微调：训练时显式区分"相似≠相关" 效果验证离线：人工标注…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…冲突、长文本建模困难系统层面：延迟高、成本高、冷启动问题改进方案需具体对应上述问题一、检索阶段的缺陷 1. 召回质量不稳定向量检索存在"语义鸿沟"：query与文档的embedding空间不对齐，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-encoder） 2. 上下文切片粒度难把握切分太细丢失全局语义，切分太粗引入噪声改进：语义切…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25、向量检索、混合检索的结果差异数据集类型类型用途构建要点开发验证集迭代调优覆盖高频场景，人工标注黄金答案对抗测试集压力测试故意构造易混淆、边界、多跳推理case 线上回流数据持续监控用户反馈（点赞/点踩/未采纳）、A/B测试日志数据质量控制方法采集阶段源文档准入：权威来源优先，设定时效性阈值（如知识库只保留2年内文档） …

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单que…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…上线当天可用领域知识医疗问诊需专业医学知识构建医学知识库作为外部记忆专业术语理解准确率提升35% 关键工程实践召回策略：向量检索 + 关键词BM25混合，解决语义漂移问题重排序：Cross-Encoder精排Top-20，提升相关性上下文压缩：检索结果摘要后再输入LLM，控制Token消耗局限认知：检索质量是天花板，若文档切分不当或Query与文档表述差异大，容易"检索到了但没用"。

#美团#混合检索#RAG 技术

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…S：基于合成数据训练评判模型人工评估：最终仲裁，特别是边界案例四、业务实用指标延迟：检索+生成的总耗时，影响产品体验成本：向量检索+LLM调用的综合开销用户满意度：点击率、采纳率、后续追问率等为什么这些最关键？ RAG的核心价值是用外部知识约束生成，所以"检索准不准"和"生成真不真"是根基。自动化指标解决规模化评测问题，业务指标则锚定实际价值。如果只关注生成流畅度而忽视事实性，RAG就失去了意义。

#淘天#评估与监控#RAG 核心指标优先级

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·评估· 得物

AI Agent 四大瓶颈怎么破?

匹配正文：…文档人机协同确认：高风险操作前请求用户确认，暴露决策逻辑长期记忆瓶颈与改进核心问题上下文窗口硬限制，历史会话无法全量加载向量检索召回率低，关键记忆"丢失" 记忆更新与遗忘策略粗糙改进方向分层记忆架构：工作记忆（上下文）+ 短期记忆（session级向量库）+ 长期记忆（知识图谱+摘要）记忆重要性评分：基于访问频率、用户显式标记、时间衰减综合打分主动记忆整理：离线任务定期合并、摘要、去重历史记忆多步推理瓶颈与改进核心问题错误累积：前期规划偏差导致后续步骤…

#得物#评估与监控#Agent

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：RLHF/DPO中引入事实性奖励，惩罚幻觉输出知识蒸馏：从大模型蒸馏事实性强的推理链到小模型 …

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：…对+In-batch负采样，提升领域语义对齐三、检索策略：多路召回+精排用户Query → 改写/扩展 → 并行召回 ├── 向量检索（语义相似） ├── 关键词检索（BM25，兜底专有名词） └── 图谱检索（如有构建实体关系） ↓ 重排序模型（Cross-Encoder/LLM-based） ↓ Top-K 送入生成模型关键优化：Query改写（HyDE、伪文档生成）、多向量表示（ColBERT）四、模型集成与生成上下文压缩：检索结果去冗余，用LLM摘要或选择性…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：… 微调方法：对比学习+难负例挖掘，batch内动态难负例提升显著多路召回架构用户Query → 查询改写（HyDE/扩展）→ 向量检索（Dense）+ 关键词检索（BM25）→ 融合排序 → 精排模型（Cross-Encoder）→ Top-K上下文金融领域加粗体匹配规则（如"第X条"精确命中）重排序用bge-reranker或轻量LLM打分三、生成模块：可控输出 Prompt工程系统角色固化："你是资深医疗顾问，基于以下参考资料回答，不确定时请说明" 上下文组织…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排融合→上下文压缩→生成约束的全链路优化关键局限性局限类型具体表现典型场景检索质量瓶颈语义匹配≠相关性，Top-K可能漏关键信息专业术语、多义词上下文碎片化长文档切块导致逻辑断裂技术文档、法律条款推理能力边界弱于多跳推理、数值计算、跨文档归纳财报分析、科研综述系…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：…设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查询内部数据库、权威API（Wind/ Bloomberg）、监管文件库，按可信度加权检索结果置信度：对检索空缺字段显式标注"该信息未在知识库中验证" 2. 生成约束层约束解码（Constrained Decoding）：关键数字字段强制从检索结果中复制，非生成 Chain-of-Verification：先生成回答…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：答案要点知识图谱构建的质量与成本权衡多跳推理的准确性与效率平衡图结构与向量检索的融合机制动态更新与版本管理评测体系的缺失核心挑战与解决思路 1. 知识图谱构建：质量与成本的死结难点：实体抽取、关系识别、消歧的准确率低，人工标注成本极高；电商领域商品属性繁杂，schema设计困难解法：采用弱监督+主动学习循环：先用LLM生成候选三元组，人工审核高置信度样本，再迭代优化；schema采用自底向上演化，而非一次性完美设计 2. 多跳推理：准确性与效率的权衡难点：2…

#淘天#知识图谱#评估与监控

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配正文：…（结构推理层）基于图算法（BFS/最短路径/随机游走）发现实体间关联路径路径编码：将路径序列转为文本描述供LLM理解 3. 与向量检索的融合最终上下文 = α·子图文本化描述 + β·相关文档片段三、答案生成阶段结构化提示：将子图以自然语言描述或Cypher结果形式注入推理增强：显式利用关系路径进行多跳推理，而非单纯语义相似四、核心优势与应用价值场景传统RAG局限 GraphRAG解决方式因果推理分散在多篇文档，难以关联图谱路径显式建模因果链多实体关…

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…体-关系-属性三元组同一实体跨文档归一化，消除指代歧义关系类型显式定义（如"因果关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检索：如"李彦宏→百度→文心一言→Agent能力" 关系权重量化关联强度，过滤噪声边 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…

#百度#知识图谱#GraphRAG 优势