匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：答案要点能列举至少3种检索方法（向量检索、关键词检索、混合检索等）并对比优缺点阐述技术选型的核心考量维度（数据特征、延迟要求、精度要求、成本）给出具体的性能优化手段（索引优化、重排序、缓存策略）体现工程权衡思维，而非单纯罗列技术常用检索方法对比方法核心机制优点缺点适用场景稠密向量检索 Embedding语义匹配语义理解强，容错性好对长尾/专业术语弱，计算成本高开放域问答、语义相似查询稀疏向量检索 BM25/TF-IDF关键词匹配精准匹配强，可解…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…在检索质量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文…

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

#小红书#RAG局限性#RAG 局限性

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…nce等）二、检索模型优化双路召回策略稀疏检索（BM25）：关键词匹配，对专有名词、ID类查询效果好，可解释性强稠密检索（Embedding）：语义理解能力强，需选合适模型（bge、m3e等），注意领域适配混合检索：BM25 + 向量分数加权融合，或RRF（Reciprocal Rank Fusion）合并结果 Embedding优化领域微调：用业务数据对比学习训练查询改写：HyDE（生成伪文档再检索）、Query2Doc扩展三、重排序（Rerank）策略交…

#360#召回质量评估#RAG 召回优化

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：… 解析并清洗文档，保留来源、版本、权限和时间等元数据。按结构或候选分块策略生成 chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改写，再进行向量、BM25 或多路召回。候选可以通过 RRF、规则或 Cross-Encoder 重排。ANN 检索是近似计算，不是“确定性知识”；相同输入能否稳定复现…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 美团

混合检索怎么提升 RAG 召回?

匹配正文：…尺度。 Dense/DPR 类双塔分别编码 query 和 document，再用点积、余弦或距离检索。点积同时受方向和模长影响；向量做 L2 归一化后，点积排序与余弦排序等价。模型质量取决于训练域、负样本和文档切分。融合与评估可对两路候选取并集去重后用 RRF 按名次融合；也可校准两路分数后加权，或交给 cross-encoder 重排。RRF 不要求原始分数同尺度，但仍需调节候选深度和常数；分数加权必须防止尺度漂移。应分别报告 BM25、Dense 与 Hybrid…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与Generator的协同 …

#字节#Retriever#RAG Retriever

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 小红书

中文知识库检索选型

匹配正文：…度换速度瓶颈：向量压缩后信息损失，细粒度匹配能力弱 ColBERT Late Interaction机制：token-level向量保留到最后一刻交互 MaxSim操作捕捉细粒度对齐，精度显著优于DPR 代价：存储膨胀（需存文档所有token向量），延迟更高三、工程落地建议场景方案关键词强相关（电商搜索） BM25为主语义理解优先（问答、客服）稠密检索+微调通用场景 Hybrid：BM25召回+稠密向量重排，或两路召回融合小红书UGC场景的特殊性：内容口语化…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…6, # 版本控制 "access_level": "internal", # 权限标记 "title": "退款流程" # 用于重排序 } 设计要点：支持预过滤（如where category='payment'），减少向量搜索空间保留原文存储位置，避免向量库膨胀索引结构设计向量索引：HNSW（平衡速度与召回）或 IVF（内存受限时）倒排索引：BM25/关键词索引，用于混合检索分层索引：热点数据内存HNSW + 冷数据磁盘索引生产实践：90%场景用向量+关键词…

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：…查询方便局限：向量性能不如专用库，单机瓶颈明显方案B：分离架构（大规模生产） [应用层] → [向量库: Milvus] ← 向量ID关联 → [关系库: PG/MySQL] ↓ [缓存层: Redis] 热点向量加速优势：各自优化、独立扩缩容关键：用doc_id做关联，保证最终一致性集成关键点写入流程：原文入库 → 生成embedding → 双写（事务或异步补偿）检索流程：多路召回（向量Top-K + BM25关键词）→ 重排序 → 过滤业务条件一致性：向…

#安克科技#知识库存储架构#RAG 知识库存储

学习路线·学习路线

大模型应用开发学习路线

匹配正文：…正确做法是选一条主线，沿完整工程链路向下做。 RAG 主线：适合知识库、检索与企业问答按“解析与入库 → 切分与索引 → 检索与重排 → 生成与对话 → 评测与上线”推进。系统学习：RAG 智能问答系统项目验收：25 道 RAG 项目面试题必须留下的证据：资料样本、解析质量检查、评测集构造、基线、对照实验、bad case、引用与权限边界不要把“用了向量库”当项目亮点。面试官更关心的是：资料为什么检索不到，你怎样定义正确，改了哪一层，哪些问题仍然解决不了。 Agen…

#学习路线#RAG#Agent

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部…

#RAG#项目深挖#教学复原

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…pt、Function Calling、Agent、MCP 分别在哪一层? RAG 和微调怎么选,什么时候组合使用? 检索召回率、重排、引用溯源、离线评估为什么决定上线质量? 学习方式建议很朴素:每个概念先写一句人话定义,再写一个工程场景,最后找 2-3 道真题练口述。比如 RAG 不要背“检索增强生成”六个字,要能说出“公司制度经常变,把知识放进向量库比重新训练模型更可控,但效果取决于切块和检索质量”。研一/研二可以在这一阶段顺手整理个人知识库,把后续项目文档、论文摘要和…

#求职#职业转型

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…交给模型生成答案。它适合“答案已经存在于某一处资料中”的问题。例如安装方法、字段含义、某条规则的适用条件。工程重点是解析、召回、重排、证据门槛和引用，而不是让模型自主做长期规划。 Agentic RAG 把检索从固定步骤变成 Agent 可以反复调用的工具。模型看到第一次结果不够，可以改写查询，再查一次或打开某个候选来源。它适合一次检索经常不够，但任务仍以“回答当前问题”为主的场景。 Deep Research 的目标不再是一段即时回答，而是一轮完整研究。系统要先明确任务边…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…这张图,你就理解了本书的章节为什么这么排: RAG 的两条链路:离线建库 + 在线问答离线建库:把各种格式的文档解析、切分,经 Embedding(把文字转成一串数字向量)转成向量,存进向量库。只跑一次或定期更新,用户感知不到。在线问答:用户每次提问,把问题向量化、检索、重排,把最相关的几段拼成上下文交给模型生成。每次提问都要实时跑完。两条链路靠向量库这一个交汇点连起来,这正是 Part 1 里 retrieve() 那一步的"真实版"。注意一个常被忽略的细节:连录播…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…API,至少要知道: 应用场景只会调包会卡在哪里需要补的模型侧能力企业知识库问答答案不稳定,错了不知道是检索还是生成问题 Embedding、重排、评估集、引用溯源 Agent 工具调用工具乱调、循环失控、成本爆炸 ReAct、状态机、工具 schema、终止条件领域客服助手语气和流程不稳定,模板约束不够 SFT/LoRA 的适用边界、数据构造高并发推理服务延迟高、显存吃紧、成本不可控 KV Cache、批处理、vLLM/SGLang 基本概念结果质量评估…

#求职#职业转型

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…建库 → 提问 → 召回 → 拼上下文 → 回答" ✓ 看懂 RAG 的四大模块(解析切分入库 / Query 理解 / 检索召回重排 / 上下文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + 两阶段(粗排→精排)"的漏斗 ✓ 想通一个关键问题:为什么离线要同时建"向量库 + 倒排索引"两套索引 ✓ 建立"模块联动"的全局视角:一处没做好会顺着链路放大本章按三段式组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战 RAG 零基…

#RAG#检索#项目实战

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…到最近的句号再带过去。把 0、较小、中等、较大 overlap 作为候选范围,固定同一批文档、切分器、评估集、top_k 和检索/重排配置,同时记录 Recall@K、MRR、重复率、上下文 token、索引体积与延迟,再选择满足质量门槛且代价可接受的配置。不同语料与 chunk 大小可能得到不同结果,不能预设某个固定数值就是拐点。 overlap 参数要在同一评估集上比较候选范围招式 5:chunk 元数据白话:每个 chunk 除了正文,还贴几个"标签"。为什么需要…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…类岗位画像总览岗位类型一句话解释日常任务更适合谁面试高频模块 RAG 工程让模型基于企业资料回答问题文档处理、切块、Embedding、检索、重排、引用、评估后端、数据、企业系统、知识库项目背景 RAG 基础、向量检索、重排与优化 Agent 开发让模型调用工具完成多步任务工具 schema、任务规划、状态机、记忆、异常兜底后端、全栈、自动化、研发工具背景 Agent、Prompt 工程推理部署/LLMOps 让模型服务稳定、便宜、跑得快模型服务、并…

#求职#职业转型

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…关键词你要准备的项目证据大模型应用开发实习 RAG/Agent 项目、API 调用、服务化能力 RAG/知识库实习文档处理、向量检索、重排、评估、引用 Agent/AI 助手实习工具调用、任务规划、记忆、异常兜底 AIGC/多模态应用实习多模态理解、内容生成、评估、业务场景应用算法实习微调、评估、数据构造、实验对比在校生可以先读工程面试教学复原，理解项目怎样被逐层追问；历史面试资料的来源复核状态单独保留。研究生项目怎么做才不空一个学生项目最怕“像课程作业”…

#求职#职业转型

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…s 提升性能太通用为 RAG 检索结果和模型响应增加缓存,降低重复查询延迟处理 MQ 异步任务没有模型场景将长文档解析、Embedding 和索引构建拆成异步任务,支持失败重试做系统监控告警没有质量闭环增加回答质量 badcase 采集、延迟和成本指标监控写了一个 AI demo 太浅构建企业文档 RAG,覆盖切块、检索、重排、引用溯源和评估集简历不是把“Java”删掉换成“LLM”。更好的做法是保留后端优势,再补上模型链路。面试官需要相信你不是只会 A…

#求职#职业转型

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…分边界、标题继承、表头补齐或跨页合并。第三种情况，正确 Chunk 存在，却没有进入前几条检索结果。这时再查问题改写、关键词与向量召回、过滤条件、融合和重排。第四种情况，正确证据已经排在前面，模型仍然答错。这时才去看提示词、上下文组织、引用约束和生成模型。从最终错误反查解析链路先确认正确证据在哪一层消失，再决定检查解析、切分、检索还是生成。最终答案错误不能直接归因于大模型。这种分层有一个直接好处：修改目标变得清楚。如果正确单元格从未被还原，换 Rerank 没…

#RAG#解析与入库#RAG 文档解析评估