匹配口述回答：我会先把 RAG 的错误拆成一条漏斗，再决定优化哪一层。检索侧先确认知识库里有没有答案，解析、分块和权限过滤有没有把证据丢掉，再看正确文档是否进入 Top-K。候选里没有答案时，应该修语料覆盖、分块或召回；候选里有答案但排得靠后，才值得比较 BM25、向量召回、RRF 和 Cross-Encoder 重排。查询改写也要测语义是否漂移，不能只看召回数量变多。生成侧关注模型拿到的到底是什么证据。我会做去重和冲突检测，控制上下文预算与顺序，在 Prompt 里约束引用格式和证据不…

#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：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：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

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#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：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配正文：答案要点数据收集策略与来源选择数据清洗与质量评估方法 Embedding模型选型与微调向量索引结构选择（HNSW/IVF）检索策略优化（重排序、混合检索）知识库更新与维护机制一、数据收集阶段来源分类结构化数据：数据库、API、Excel表格非结构化数据：PDF、Word、网页、聊天记录半结构化数据：Markdown、JSON、XML 关键原则优先收集高频查询场景的数据建立数据版本管理和溯源机制二、数据清洗与预处理核心步骤格式统一：PDF转文本（处…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配正文：答案要点数据构建：文档切分策略、元数据标注、负样本构造检索优化：混合检索、查询改写、Embedding微调后处理：重排序模型、上下文压缩、置信度过滤评估数据集：MS MARCO、Natural Questions、HotpotQA、自建业务数据集数据构建层面文档切分优化按语义边界切分（标题、段落），避免硬截断；重叠窗口保留上下文连贯性构建多级索引：摘要级 + 细节级，先粗筛再精确定位数据质量提升清洗低质量文档，添加领域-specific的元数据标签（时间、…

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，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…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调

生成质量差怎么调优?

匹配正文：…验机制问题定位首先确认是纯生成问题（检索结果已准确），而非检索-生成不匹配。常见症状：内容拼凑感强、逻辑断裂、答非所问。核心优化策略 1. Prompt工程（零成本首选）指令结构化：明确输出格式（"请分三点回答"）、约束条件（"仅基于提供的文档"） Few-shot示例：在Prompt中嵌入2-3个高质量输入-输出样例角色设定：赋予模型特定身份（"你是严谨的医学助手"）提升一致性 2. 上下文处理优化问题技术手段文档过长/噪声多重排序（Rerank）：用Cr…

#RAG 生成质量#指令遵循#生成模块调优

面试题·RAG

RAG 完整流程分几步？

匹配正文：…模板拼在一起交给大模型，要求它“根据给定资料回答”，输出的答案就是用户最终看到的结果。一句口诀帮助记忆：解析洗数据，分块定粒度，向量建索引，检索找资料，生成出答案。前三步做得好不好，直接决定后两步的上限。入门之后，可以往检索优化方向深入：重排（Rerank）、混合检索（关键词 + 向量）、查询改写，以及不同分块策略的对比实验。

#入门#基础概念#RAG流程

面试题·推理优化

KV Cache 是什么?为什么能加速推理?

匹配正文：…代价是显存:缓存随序列长度和并发数线性增长,长对话高并发下可能比模型权重还占显存它是因果Transformer自回归推理中的常用优化，也是PagedAttention等缓存管理的基础；具体缓存策略依架构和框架配置。核心概念 KV Cache(键值缓存)是大模型推理时,把注意力计算中每个已处理 token 的 Key 和 Value 向量缓存在显存里、避免重复计算的优化技术。背景是:大模型生成文本是自回归的——答案一个 token 一个 token 往外蹦,而每生成一个新 …

#入门#基础概念#KV Cache

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配正文：…识别密集子图，生成高层语义摘要回答"这家公司的行业地位"类问题时，社区摘要提供宏观视角，弥补单文档片段的局部性 4. 结构化查询优化将自然语言问题映射为图查询（子图匹配、路径搜索）支持复杂约束：时间范围、关系类型过滤，比向量检索的"黑盒相似"更可控一句话总结 GraphRAG的优势本质是用结构化先验补偿了纯统计方法的语义漂移，在需要因果推理、关联挖掘、全局概览的场景下召回质量显著提升。学习建议建议系统学习该知识点

#百度#知识图谱#评估与监控

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：…义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs 局部匹配传统RAG：依赖向量相似度，擅长"找相似"，弱于"综合推理" GraphRAG：社区摘要检索——先定位相关社区，再展开细节解决"XX领域发展趋势"类全局查询（传统RAG无法回答，因答案分散在多文档）支持多跳推理：通过图遍历显式追踪关系链 3. 检索路径优化利用图算法（如Leiden社区发现）预计算语义聚类查询时：社区摘要→相关子图→原始文本，由粗到精的层次…

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：答案要点能清晰区分RAG与微调的技术边界，说明何时选RAG 讲清楚"离线建库-在线检索-增强生成"的三阶段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：… 图文对齐索引场景层用户常见问题、操作SOP、报错案例问题-截图-解答三元组关键：用CLIP/SigLIP将组件截图编码为向量，与文档文本共享语义空间 3. 检索增强生成多路召回：视觉相似检索（找同类UI）+ 文本语义检索（找功能描述）+ 规则匹配（精确组件ID）融合排序：用轻量模型（如ColBERT）对多模态候选重排生成：输入结构化的UI上下文 + 检索到的知识，用VLM或纯文本LLM生成回答实际优化考虑问题方案延迟高预计算热门界面的解析结果；检索用…

#字节#多模态#多模态 RAG

面试题·Prompt· 字节

Prompt 工程方法怎么选?

匹配正文：答案要点区分手动Prompt设计与自动化优化两大范式讲清连续提示（Prompt Tuning）vs 离散提示（AutoPrompt等）的本质区别能对比效果、效率、适用场景三维度提及实际落地中的选择考量（如API黑盒场景的限制）一、手动设计方法核心思路：基于经验规则构造离散文本模板 Few-shot：在Prompt中嵌入示例，引导模型模仿输出格式 Chain-of-Thought (CoT)：显式写出推理步骤，激发多步推理能力角色设定与指令分解：通过System …

#字节#Prompt Engineering 方法#Prompt Tuning vs AutoPrompt

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…n（Retrieve/IsRel/IsSup/IsUse），让模型自主决定何时检索、如何使用 Toolformer范式：预训练阶段嵌入API调用能力，将外部工具调用内化为模型原生能力长上下文优化 NTK-aware RoPE、YaRN 等方法用于扩展可处理的上下文；具体长度和质量取决于模型及训练配置。更长窗口能减少截断，但不能代替检索质量与事实核验。二、训练策略层面数据质量提升指令微调数据：过滤低质量指令，引入思维链（CoT）数据增强推理能力知识边界标注：明确标注"…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：一、查询侧优化（让问题更清晰）查询重写/扩展 HyDE（Hypothetical Document Embedding）：让LLM先生成假设答案，用答案去检索而非原始问题 Query2Doc：类似思路，用少量生成内容扩展查询语义多查询扩展：一个query改写成多个不同表述，分别检索后合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融…

#字节#HyDE#RAG 检索质量

面试题·RAG· OPPO

时间窗口对话系统：约束与取舍

匹配正文：…4-01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动标注（"根据…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 淘天

偏好数据如何收集与建模?

匹配正文：…建模为图结构，捕捉"问A→看B→买C"的跨域关联。二、偏好建模架构用户输入 → Context Encoder → [用户画像Embedding] + [实时会话状态] ↓ 偏好融合网络（Attention-based） ↓ 生成回复 / 商品推荐（多任务输出）静态偏好：用户长期画像（价格敏感度、品牌偏好、风格标签）→ 存向量库动态偏好：当前会话意图漂移检测（用KL散度监控话题转移）群体先验：相似用户簇的偏好作为冷启动回退三、训练优化流程阶段目标方法 SFT…

#淘天#用户偏好建模#偏好感知对话系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…上下文依赖等问题，提升召回率和相关性。三类创新方法及优势 1. 同义扩展（Lexical Expansion）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Q…

#京东#Query改写#Query 改写

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = sc…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG检索质量提升5法

匹配正文：RAG 检索优化应按检索前、检索中和检索后三个阶段设计，并用独立评测判断每一步是否真的带来增益。 1. 检索前：查询理解与扩展查询改写：消除指代、纠错或补全约束，使 query 自包含。多查询/子问题分解：从不同表述或子任务召回候选，再去重融合。 HyDE：先生成假设文档表示再检索，适合原查询与目标文档表述差异较大的场景，但假设内容偏差也可能带来噪声。伪相关反馈：利用首轮结果扩展词项，需防止错误结果造成 query drift。 2. 检索中：多路召回与排序 BM25 …

#字节#重排与优化#RAG 检索质量提升

RAG 检索精度提升的三大陷阱

RAG 工作原理与架构怎么搭?

领域 RAG 知识库构建

RAG 技术流程怎么跑?

领域RAG应用链路怎么搭?

大模型知识库怎么构建?

RAG 检索噪声 3 大策略

RAG 深度与局限怎么破?

生成质量差怎么调优?

RAG 完整流程分几步？

KV Cache 是什么?为什么能加速推理?

GraphRAG 为何召回更精准?

GraphRAG创新点 vs 传统RAG 是什么?

RAG 技术原理和实现流程

截图界面怎么用 RAG 解析?

Prompt 工程方法怎么选?

对话模型准确性怎么提?

RAG 检索增强技术有哪些？

推荐不准的分层诊断

时间窗口对话系统：约束与取舍

偏好数据如何收集与建模?

Query 改写有哪些创新方法?

医疗法律 RAG 架构关键环节

RAG检索质量提升5法