匹配正文：…长语义改写，稀疏检索擅长专有名词、编号和数字的精确匹配；两类查询同时存在时，可以采用双路召回，再通过 RRF 或经过验证的加权策略融合。 1. 三类方案的边界方案优势主要风险稠密检索同义改写、自然语言意图专有名词和长尾实体可能漏召回 BM25 等稀疏检索关键词、编号、错误码精确命中难以覆盖语义改写混合检索同时覆盖语义和字面信号两套索引增加延迟、成本和维护复杂度 RRF 只依赖名次，适合不同召回分数难以直接比较的情况；线性加权需要先校准分数，并用评测集确定…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…+ 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query走传统搜索，复杂query走大模型深度处理缓存策略：高频query的生成结果缓存，降低延迟和成本核心优势语义理解：突破关键词匹配，支持自然语言问答多跳推…

#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：…索引；回答附引用，证据不足时拒答测更新时间、过期答案率、引用支持率与权限越界用例精确编号与语义问法都存在分别评估稀疏、稠密、融合和查询改写，不预设混合检索必胜在同一标注集比较 Recall@K、MRR/nDCG、延迟和成本召回片段相关但不足以回答检查证据充分性、冲突、上下文预算和生成约束逐主张核验支持证据，并单独统计不可回答与冲突样本用自己的项目事实回答可以按下面顺序填写：问题与约束：用户、资料、更新频率、权限边界和失败样本是什么。本人职责：本人实现或决…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#美团#混合检索#RAG 技术

面试题·评估

RAG 系统效果差怎么排查?

匹配正文：直接回答 RAG 效果差时，先固定一次可回放请求，再沿“数据与权限 → 解析与切分 → 候选资格 → 召回 → 融合与重排 → 上下文组装 → 生成与引用 → 业务结果”逐层定位。不要把所有错误都归因于模型，也不要先换模型或调 Prompt。每一层都要有独立输入、输出、版本和判定标准，才能证明修复命中了根因。先冻结问题，避免边查边变一条排查样本至少记录：查询与会话上下文、用户/租户和可见范围、知识库快照与索引版本、解析与切分版本、检索及重排配置、模型与 Prompt 版本…

#检索归因#生成归因#RAG 系统故障排查

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…长文本能力瓶颈第三层：协同环节问题（最易被忽视）典型症状检索文档相关但生成忽略（选择性失明）多文档信息冲突时生成混乱（矛盾融合失败）检索文档冗余导致关键信息被淹没（信噪比问题）诊断方法注意力可视化：分析生成时对不同文档片段的注意力权重文档去重/压缩实验：测试去除冗余后的效果变化多文档排序敏感性：打乱文档顺序，观察输出稳定性（位置偏见检测）快速决策流程端到端效果差 │ ├── 黄金文档测试 ──→ 仍差 ──→ 优化生成模型（SFT数据、上下文长度） │ …

#检索诊断#生成协同#RAG 效果诊断

面试题·评估

检索准但生成差，怎么调优？

匹配正文：…息二、检索准确但生成差的优化策略 1. 上下文利用优化上下文压缩/重排序：用LLM或轻量模型对检索文档去冗余、排优先级多文档融合：设计结构化Prompt（如"文档[1]说...文档[2]说..."），明确标注来源动态上下文窗口：根据问题复杂度调整送入LLM的文档数量 2. 生成模型/推理优化微调策略：用领域数据SFT，强化"基于给定上下文回答"的指令遵循能力 Prompt工程：添加显式约束，如"若上下文无法回答，请明确说明" 解码策略调整：降低temperature…

#上下文压缩#生成调优#RAG 效果诊断

面试题·评估· 字节

Agent 人工干预 vs 自动处理怎么切换?

匹配正文：…束）核心架构：三层决策体系感知层 → 提取不确定性信号（模型logits分布、工具返回异常、知识缺口标记）决策层 → 多因子融合判断是否触发人工执行层 → 无缝切换+上下文保留置信度阈值设计维度具体做法模型置信度不直接用softmax概率，改用校准后的置信度（Temperature scaling或Platt scaling）任务置信度基于历史同类型任务的准确率动态调整阈值复合阈值采用联合触发机制：模型置信度低且关键实体识别模糊 → 才转人工避…

#字节#Agent#Agent 人工干预

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…索引偏置）；③ 相关性打分失效。技术策略 1. 动态索引与增量更新新文档单独建索引，检索时多路召回（历史索引+增量索引），结果融合排序美团外卖场景：新商家/新菜品实时入增量索引，避免全量重建延迟 2. 查询重写与扩展用LLM将用户query改写为多个视角（时间敏感型、通用型），分别检索后聚合例："附近好吃的" → 扩展为"2024新店推荐"+"高评分老店" 3. 自适应向量微调收集新文档的点击/转化反馈，用对比学习微调embedding模型（LoRA轻量更新）关…

#美团#模型微调#RAG检索偏差

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：…知识库的关键差异：动态演进：记忆随交互持续更新，非静态文档时序敏感：需要"最近发生"和"历史相关"的双重检索多模态关联：可能融合对话、工具调用结果、环境状态向量数据库的稠密检索天然适合"语义相关但表述不同"的记忆匹配，且支持增量写入。 Embedding模型设计场景策略说明通用对话直接用BGE/M3E等开源模型成本低，基线可用垂直领域（如高德地图）领域微调用历史对话数据做对比学习，强化地点、路线、偏好等语义多任务目标联合训练同时优化检索相关性+…

#高德#Agent#向量检索

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配正文：…意图关键词/BM25 精确匹配，保证核心词命中倒排索引结构化属性过滤（价格、距离等）图召回用户行为相似推荐各路召回结果融合时，用加权或机器学习模型做初选 3. 重排序（Rerank）精排粗排：向量相似度Top-K快速筛选精排：Cross-Encoder交互式模型（如BGE-Reranker）计算查询-文档相关性分数业务规则：结合点击率、转化率、时效性等业务特征最终排序 4. 查询侧优化查询改写：扩写同义词、纠错、补全意图（"火锅"→"重庆火锅/老北京涮肉"…

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…en 与单请求成本。用灰度、版本化索引和回滚控制更新风险。假设实验在同一测试集上依次比较：基础向量召回、加入 BM25、加入融合、加入重排、改变上下文组织。每步同时记录质量、延迟和成本，并按 query 类型和文档类型切片。结果用真实实验填写，不能预设某个企业项目或固定提升。

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：…Milvus、Faiss、Pinecone；考虑HNSW索引、量化压缩检索策略稠密检索 + 稀疏检索（BM25）混合；多路召回融合重排序 Cross-Encoder精排（如bge-reranker），提升Top-K质量三、关键优化技术 1. 检索侧优化混合检索：向量语义匹配 + 关键词BM25，用RRF融合排序查询改写：HyDE（假设文档嵌入）、Query扩展、多跳检索上下文压缩：LLMLingua、LongLLMLingua，减少token消耗 2. 生成侧优…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…落切，256-512 tokens；重叠窗口作为待测变量，并用同一评测集验证边界证据、召回与成本检索策略稠密+稀疏混合（RRF融合），复杂场景加知识图谱查询优化 HyDE（假设文档嵌入）、Query扩展、多Query生成上下文处理重排序精筛Top-5，过长时压缩或摘要生成控制要求模型标注引用来源，方便事实核查四、核心挑战检索失效：Query与文档语义鸿沟→用Query改写或HyDE缓解上下文窗口：多文档拼接超限→Rerank精筛+递归摘要知识冲突：检索内…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…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：按相关性排序，标注来源编号支持溯源输出约束：JS…

#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：…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、科研综述系统耦合复杂检索失败时缺乏优雅降级机制边缘Query、新领域…

#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

RAG检索相关但生成差原因

匹配正文：…"对生成有用"的差异，识别信息过载/碎片化问题提示工程层面：重排序、上下文压缩、指令明确性上下文建模：长上下文窗口利用、多文档融合策略、噪声过滤模型微调：领域适配SFT、检索感知训练、负样本挖掘系统性思维：端到端优化而非单点修复核心诊断：检索≠可用检索相关但生成差，本质是检索结果与生成需求不对齐。常见原因：信息过载：Top-K过多导致噪声淹没信号，或关键信息被截断碎片化：多个文档各含部分答案，模型缺乏整合能力格式混乱：原始文档结构破坏，表格/代码等丢失语义 …

#上下文压缩#生成调优#RAG 生成优化

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：…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，再自动提取事实c…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：答案要点领域知识结构化与非结构化数据的统一处理方案多路召回策略（向量+关键词+知识图谱）的设计与融合查询意图识别与改写机制专业术语的Embedding适配与微调方案答案生成的事实性校验与溯源机制一、整体架构设计用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验二、关键组件详解 1. 领域知识处理（最核心）数据分层结构化：药品库、疾病编码、法条条款 → 构建知识图谱（Neo4j/自研）半结构化：病历模板、合同范本…

#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

GraphRAG 原理与构建方法

匹配正文：…适合实体关系问题。全局检索：检索或聚合社区报告、主题摘要，适合数据集级主题与趋势问题。实际系统通常把图候选、原始文本和向量候选融合，再由重排或生成器使用；图路径只说明检索过程，不自动证明最终 claim。 3. 与向量检索的取舍向量检索结构简单、更新成本通常较低，擅长局部语义相关内容；GraphRAG 增加关系与全局视图，但构建、更新、实体解析和质量控制成本更高。向量检索也能通过多查询、迭代检索或层次索引处理复杂问题，因此不能把它限定为“单点事实”。 4. 评测分别评…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 淘天

GraphRAG 落地的主要技术挑战是什么？

匹配正文：…在通用的 70%–80% 覆盖率。缓存还要携带图版本与权限，避免旧路径或跨租户结果继续命中。 3. 图、文本、向量与报告的一致性融合顺序没有固定答案：可以由文本找到实体后扩图，也可以由结构约束筛选文本，还可以并行召回再融合。需要在目标查询上比较覆盖、重复、噪声和延迟。图数据库提供哪些时间或事务能力应按具体产品版本验证，不能把“时间戳版本”当作通用功能。更新时，实体关系、向量和社区报告可能在不同存储中。使用 staged generation、固定查询回放、删除/ACL 检…

#淘天#知识图谱#评估与监控

面试题·知识图谱· 字节

GraphRAG 如何支持复杂关系查询？

匹配正文：…、时间、最大代价和结果预算。BFS 或最短路径只寻找拓扑路径；最短路径未必与问题最相关，更不证明因果。同时召回支撑边的原文片段。融合可采用规则、RRF、学习排序或分阶段过滤，权重要在标注查询集上确定，不使用固定 0.6/0.4。每条用于答案的边都应映射回来源，缺证据或版本过期时拒绝使用。 3. 生成与校验将结构化查询结果、路径及其来源文本一起提供给生成器，要求答案逐项引用证据。数值聚合、日期比较、集合交并和权限判断由确定性执行器完成，并校验返回行数与截断。图上相关关系不能…

#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：…动态扩展"的混合架构。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础，结合论文与开源项目理解GraphRAG如何融合结构化知识提升推理效果。

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配正文：…开放域场景下实体类型边界模糊 schema设计困境：预定义schema覆盖不足 vs 开放抽取图谱稀疏混乱动态更新成本：增量知识融合时的实体消歧和冲突消解实践思路：采用"抽取+生成"双轨策略，对高置信结构化数据用规则抽取，长尾知识用大模型生成式构建。二、实体链接：指代消解与歧义消解的双重挑战跨文档指代：同一实体在不同文档中的表述变异（如"Apple"公司 vs 水果）新实体冷启动：未见实体缺乏上下文锚点，链接模型失效链接与检索的耦合：链接错误会直接污染后续子图检索…

#淘天#多模态#GraphRAG 难点