匹配正文：…一分数的信息损失数据质量控制标注者一致性检验（Kappa系数>0.6）困难样本挖掘：模型置信度接近0.5的pair优先标注领域覆盖：电商场景需覆盖售前咨询、售后、比价等细分场景二、模型架构三阶段RLHF流程 SFT：用高质量对话数据监督微调，建立基础对话能力 Reward Model：输入(prompt, response)输出标量分数，常用架构在最后一层加回归头损失函数：-log σ(r_θ(x,y_w) - r_θ(x,y_l)) 多任务扩展：多维度分数→加…

#淘天#偏好感知对话系统#对话系统训练数据

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：为什么引入RAG RAG的核心价值是解耦知识存储与模型参数，解决大模型固有缺陷：知识时效性：模型参数冻结后无法感知新知识，RAG通过实时检索外部库解决幻觉问题：生成内容可溯源到检索文档，大幅降低"一本正经胡说八道" 训练成本：SFT需要重新训练模型，RAG只需更新知识库，边际成本极低可解释性：能展示"参考了哪些资料"，满足合规审计需求 RAG vs SFT 的适用边界维度 RAG更适合 SFT更适合知识特性频繁更新、领域专精通用能力、长期稳定数据规模海量文档…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…条款。还有客服系统，结合历史工单和FAQ，能精准回复退款政策、订单异常这类问题，减少人工介入。再比如研报分析，长文档里抽关键信息，RAG比人翻几百页快得多。不过，RAG和微调不是二选一，而是互补。比如对高频、固定的知识，微调可以让模型直接记住，省去每次检索的延迟；而对动态更新的知识，比如促销政策，RAG更灵活。所以真正落地的系统，往往是RAG加微调混合用，比如用微调让模型学会理解领域术语，用RAG提供实时知识。最后说下风险。RAG依赖知识库的质量，如果文档本身有错误或过时…

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#检索生成流程#RAG 实现

面试题·模型微调

SFT vs RAG 知识更新

匹配口述回答：…证明，我选SFT；如果知识频繁变更、需要可溯源，比如政策问答、客服，我选RAG；但真正业务里，往往是两者都要。比如客服场景，我会用RAG提供实时政策，同时用SFT优化回答的推理风格和领域格式，让回答更自然。不过这里有个延伸点：如果RAG检索结果质量不高，比如召回率低或重排不准，该怎么兜底？我通常会加一个置信度过滤，分数低的直接拒绝回答，或者用 [[Self-RAG]] 让模型自己反思检索结果是否可靠。这个其实涉及到RAG系统的鲁棒性设计。一句话定位：SFT vs RAG …

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配追问：场景切入假设你在做一个企业风控系统，用户问‘某公司最近投资了哪些医药领域的初创？’传统RAG可能只找到几篇相关文档，但你能把投资关系、公司-领域关联都显式画出来吗？什么时候你会觉得非用图不可？层层追问你用过RAG吧？那如果用户问‘A药物通过什么机制影响B疾病’，你觉得当前RAG能答好吗？……如果不行，你觉得瓶颈在哪？……那如果我把实体关系全部建成图，你觉得能改善什么？直球架构请你对比GraphRAG和传统向量RAG，说清楚GraphRAG的核心优势是什么？在哪些场景…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配题目：在RAG（Retrieval-Augmented Generation）系统中，有哪些方法可以提升检索阶段的质量？除标准向量检索外，还可以采用哪些增强技术？

#字节#HyDE#RAG 检索质量

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· AIlab

RAG 流程：检索、融合、生成

匹配正文：…）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG检索方法选型原因？

匹配题目：在RAG系统中，您采用了哪些检索方法（如密集检索、稀疏检索等）？请说明选择这些方法的原因，并讨论可能的优化策略。

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…文压缩，只保留最相关的几句，避免超出模型窗口。举个例子，企业做合规文档问答，用户问“我们这种跨境业务适用哪个条款”，Naive RAG可能搜出一堆不相关的政策，而Advanced RAG会先识别“跨境”关键词，从知识图谱里找到对应的业务分类，再检索具体条款，最后用重排确保答案精准。落地时我特别关注两个风险。一是检索精度，如果[[Embedding]]模型没在领域数据上微调过，语义会漂移，比如“苹果”可能匹配到水果而不是品牌。我的做法是用[[Dense Retrieval]…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…sion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-t…

#小红书#RAG局限性#RAG 局限性

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

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配题目：在构建面向专业领域（如医学、法律）的RAG系统时，如何对长文档进行有效的文本切块（Chunking）？请系统性地列举常见的文本切分策略，分析其原理、优缺点，并结合具体应用场景比较不同策略的适用性。

#字节#RAG Chunking#长文档切分

面试题·Agent· 小红书

冷启动新用户怎么推荐?

匹配正文：…与相似用户做embedding对齐社交关系特别处理：用GNN学习"好友兴趣分布"作为先验，但引入关系强度门控避免过度泛化。四、RAG增强的生成机制检索源：平台热门内容摘要、相似用户的高频交互、领域知识图谱（如"露营→装备清单"）生成增强：将检索结果作为few-shot示例注入prompt，约束生成内容的平台相关性反思机制：生成后自检"该推荐是否过于热门/是否利用了已知信息"，触发重生成五、落地关键快速反馈闭环：首屏3次交互内必须完成兴趣初筛，否则用户流失生成内…

#小红书#Agent#冷启动推荐

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…工具返回异常或环境变化时，触发重新规划策略选择：简单任务用单步ReAct，复杂任务用多步Plan-and-Solve 2. 记忆系统（Memory）类型作用实现工作记忆当前对话上下文、中间结果上下文窗口直接承载短期记忆近期多轮会话摘要滑动窗口+LLM压缩长期记忆用户画像、领域知识向量数据库+结构化存储 3. 工具调用（Tool Use）统一接口：{name, description, parameters}标准化Schema 动态发现：MCP协议或…

#百度#Agent#Agent 系统设计

面试题·文档处理· 字节

医学论文与法律条文切块

匹配题目：在RAG系统中，如何对专业领域文档（如医学文献或法律条文）进行有效的文本切块？常见的文本分块策略有哪些及其适用场景？

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…在metadata中显式链接 4. 多粒度索引粗粒度：章节级（用于过滤）细粒度：段落/条款级（用于精确匹配）一句话总结专业RAG的切块不是预处理步骤，而是知识建模——把文档的结构权威转化为检索系统的可解释性。学习建议建议系统学习该知识点

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配正文：…ICL) 示例驱动，无需参数更新小样本分类、风格迁移灵活快速；受上下文长度限制工单分类、情感分析微调(SFT/PEFT) 领域数据适配模型参数垂直领域、稳定需求效果深度定制；数据/算力成本高滴滴司机调度策略模型 RAG 检索+生成，外挂知识库知识密集型、需可解释解决幻觉、实时更新；检索质量决定上限智能客服、合规审查 Agent 工具调用+规划+记忆，自主决策复杂任务、多步推理能力边界扩展；稳定性、安全难控自动派单、行程规划选型决策框架第一步：需求…

#滴滴#模型微调#Agent

面试题·模型微调

生成质量差怎么调优?

匹配标题与标签：生成质量差怎么调优? RAG 系统中生成模块的调优策略,涵盖 Prompt 与模型微调模型微调 RAG 生成质量指令遵循生成模块调优 Prompt 优化模型微调

#RAG 生成质量#指令遵循#生成模块调优

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…sion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语义重写（Semantic Rewriting）做法：用Seq2Seq或LLM直接改写Query，改变句式但保留意图优势：解决口语化、不完整Query（"那个红色的"→"红色连衣裙"） …

#京东#Query改写#Query 改写

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配口述回答：这道题其实是在问[[RAG]]系统里召回与精度的取舍。说白了，没有一种检索方法能通吃所有场景，真正落地的做法往往是混合的。我先说[[BM25]]，它本质是精确关键词匹配，靠词频和逆文档频率打分。它的好处是零数据依赖，即插即用，计算开销极低，倒排索引毫秒级响应。但缺点也很明显，同义词、上下位词它完全抓不到。比如用户搜‘苹果手机’，BM25只能匹配到字面‘苹果’和‘手机’，如果文档里写的是‘iPhone’，它就漏了。所以BM25适合品牌名、型号、订单号这种精确检索场景。再说向量…

#小红书#检索方法对比#BM25 向量检索混合检索

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：…case 明确区分。可复现的输入、链路证据和错误输出根因验证与修复后的固定样本回归下一步：production。配套学习：RAG 检索语义相似但无关怎么解?。 9. production · production 线上如何控制重排批量、超时、缓存、模型降级和索引版本？P95 与成本预算是多少？考察重点：验证系统是否真实上线，并具备监控、灰度和回滚能力。两路召回、融合和重排各阶段的 P95 时延记录重排候选深度、批量与算力成本记录空召回、超时、分数漂移和索引版本…

#模拟面试#简历项目#连续追问

项目实战·Agent

第 1 章:为什么需要 Deep Research

匹配正文：…工具调用、多步推理、ReAct、思维链、引用溯源,每个都先白话、再术语、配图 ✓ 想清一个关键判断:同样是「问答」,什么问题普通 RAG 一次检索就够,什么问题非得让 Agent 自己「做一轮调研」 ✓ 划清三条技术路线的边界:普通 RAG vs Agentic RAG vs Deep Research,以及主流系统(OpenAI / Gemini / 开源)各走了哪条 ✓ 提前看清这条路最大的坑:「多步 = 错误会累积放大」,以及工程上从哪几层兜住它(后面几章会逐一展开) …

#Agent#Deep Research#项目实战