匹配追问：…中英文的PDF和网页。你怎么把这些文档切成合适的片段，然后转成向量存到库里？从文本清洗到最终向量入库，你具体怎么走？层层追问做RAG检索时，文档和查询怎么变成向量的？……那你文本预处理一般怎么做？……选embedding模型要考虑哪些因素？……向量生成后为什么还要归一化？直球架构请描述RAG系统中文档或查询的向量化全流程，重点讲文本预处理策略、embedding模型选型依据、向量生成与批量优化，以及归一化的作用。工程上有什么注意事项？

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…调或专用模型关键指标：MTEB榜单参考，但务必用自己的召回率测试验证。 4. 向量索引结构设计原始向量 → 索引构建 → 查询优化 ↓ Flat：精确但慢，<10万条可用 IVF：聚类加速，平衡精度与速度 HNSW：图索引，高召回+快速，推荐默认选择元数据关联：每个向量携带doc_id、chunk_index、source、title等，支持过滤查询和结果溯源。 5. 入库与更新机制批量写入：避免逐条插入，控制batch_size防内存溢出增量更新：文档版本变更时，…

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配正文：答案要点明确任务边界与成功标准合理设计动作空间（工具调用/推理/终止）模仿学习冷启动+RLHF持续优化构建可复现的仿真环境多维度评估（任务成功率、效率、安全性）一、任务定义与边界划分核心原则：先收敛再扩展从垂直场景切入（如美团外卖智能客服），定义清晰的输入输出边界明确成功指标：任务完成率、用户满意度、平均交互轮数划分任务类型：信息查询、订单操作、异常处理、多轮协商二、环境构建：三层仿真体系层级功能实现方式工具层 API模拟沙箱环境+Mock数据…

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

#美团#Agent#Agent 训练流程

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…同知识长尾覆盖：冷门问题靠检索补全，不依赖参数记忆领域专精：通用模型 + 垂直知识库 = 专业回答淘天场景的典型价值场景优化效果智能客服商品参数、售后政策实时检索，避免"货不对板" 商品文案生成结合SKU属性库，生成准确规格描述商家问答平台规则动态更新，确保政策解读时效性本质价值：将LLM从"闭卷考试"转为"开卷考试"，用显式检索弥补隐式记忆的不可靠性。学习建议建议先掌握RAG基本流程，理解检索与生成的协同机制，结合实例分析其在减少幻觉和提升准确率中…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配题目：在医疗或法律等专业领域构建智能助手时，请设计一个基于检索增强生成（RAG）的完整技术链路，涵盖文档处理、索引构建、检索策略、生成优化及评估方法。

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：核心定位差异维度 RAG RLHF 作用环节推理时提供外部资料，也可训练检索/生成组件后训练时调整策略行为主要目标为回答提供可检索的证据与更新知识学习给定反馈中的帮助性、安全性或风格偏好技术本质信息检索 + 上下文增强策略优化 + 人类偏好对齐 RAG：用外部知识划定"能说什么" 机制：检索相关文档 → 组织上下文 → 生成并检查证据支持；提示不是硬解码约束。优势：可追溯资料并更新知识库；简单实现可复用现有模型而不重新训练，检索器/生成器也可以按任务训练。…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：…控性LLM需具备"忠实于检索内容"的能力，而非过度依赖参数知识或自由发挥。这涉及prompt设计、上下文窗口利用和指令遵循能力。 RAG的边界：不解决忠实性幻觉能解决：编造不存在的事实、过时信息、专业领域知识盲区不能解决：逻辑矛盾、推理错误、对检索内容的曲解或过度推断典型反例：检索内容正确，但模型错误拼接信息得出荒谬结论——这是忠实性问题，需靠训练或推理优化解决。学习建议建议系统学习该知识点

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配口述回答：…务绑定，客服加解决率，知识问答加信息完整性。我更倾向把评估看成持续监控，上线后跑离线集，定期看趋势，不追求单次完美。一句话定位：RAG评估本质是两段式质量验证检索质量：召回率和排序，业务场景决定指标侧重生成质量：忠实性和相关性，LLM打分有坑端到端框架：RAGAS自动但需校准，人工兜底落地取舍：先保检索再优化生成，关注失败场景约4分钟 RAGAS对上下文相关性的打分可能和人对不上，需要额外评估上下文压缩能力。面试官可能会追问上下文压缩的具体做法，比如怎么衡量冗余…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…RR、BLEU、ROUGE 理解端到端评估框架RAGAS的核心指标知道人工评估与自动评估的权衡了解业务场景下的定制化评估需求 RAG评估需分检索层、生成层、端到端三个维度展开：一、检索评估（Retrieval Metrics）关注"找得准不准、全不全"： Recall@K：正确答案在Top-K检索结果中的比例，RAG最核心指标 Precision@K：Top-K中相关文档的比例 MRR（平均倒数排名）：正确答案排名的倒数均值，反映排序质量 NDCG：考虑文档相关性分级…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…度、答案相关性）消融实验与人工分析的结合典型错误模式的识别（检索不准、生成幻觉、协同失效）核心诊断思路：分层定位，逐层验证 RAG故障排查的关键是隔离变量，把端到端问题拆解到具体模块。第一层：判断检索模块是否合格关键指标 Recall@K：正确答案是否在Top-K检索结果中（K通常取5或10） MRR/NDCG：排序质量，相关文档是否排在前面诊断方法人工抽检：随机采样bad case，人工判断"给定这个问题，理想文档应该是什么"，对比实际检索结果查询改写分析：…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：…跨模型可比检查license，避免数据污染关键：覆盖多轮对话、边界case（如无答案、需澄清）、跨领域query。标注流程 RAG标注：检索相关性：人工标注doc与query的相关性等级（0-3分）答案准确性：对比标准答案，标注幻觉、遗漏、矛盾 Agent标注：轨迹标注：记录正确工具调用序列作为gold path 状态检查：关键步骤的中间状态是否正确效率优化：先用规则/模型预标注，人工抽检+修正，迭代提升质量。负样本构造（Hard Negative） RAG：…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…值时触发告警落地关键监控看板：新文档命中率、头部结果多样性指标 A/B实验：灰度验证策略效果，避免全量风险学习建议建议掌握RAG基础架构，理解检索偏差成因，学习持续学习、向量重排序、数据分布监控等技术，结合实际案例思考系统优化。

#美团#模型微调#RAG检索偏差

面试题·模型微调· 科大讯飞

Prompt 怎么设计和优化?

匹配正文：…pt 实践经历题。场景、公司、基线、样本数、准确率、幻觉率、token 和延迟都必须来自候选人的真实实验。题库不提供可直接背诵的“优化成绩”。回答框架任务与失败定义：输入、输出、错误类型、主指标和线上约束。初始基线：模型及版本、原 Prompt、解码参数、评测集和基线结果。迭代过程：每轮只改变有限变量，例如指令分层、上下文、示例选择、结构化输出或校验。因果验证：固定模型与数据做单变量对照，按切片报告质量、格式成功率、延迟和成本。上线治理：版本化、灰度、回归集、监控…

#科大讯飞#阿里#模型微调

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。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：R…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…考依据，不能"脑补" 4. 多租户隔离场景 SaaS服务不同企业客户——各客户数据隔离在各自知识库，同一模型服务多方一句话总结 RAG用"查资料"替代"背知识"，在知识动态、来源重要、成本敏感的场景下，是比SFT更灵活的工程选择。两者并非互斥，实践中常先RAG打底，再SFT优化生成风格。学习建议掌握RAG与SFT的基本原理，对比其在知识更新、数据隐私和推理可解释性方面的差异，结合实际应用场景理解优势。

#美团#模型微调#RAG vs SFT

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…识（数据隐私+快速迭代）长尾事实问答：冷门实体、最新产品规格需可溯源的场景：客服回复、金融咨询（必须给出参考来源）关键认知 RAG不是SFT的替代，而是互补：SFT负责语言能力和基础推理，RAG负责动态知识注入。复杂推理任务仍需SFT强化，纯RAG对检索质量极度敏感，需配套重排序、查询改写等优化。学习建议掌握排序模型基本架构，学习权重初始化常用方法，结合实际业务理解A/B测试与线上反馈机制。

#美团#RAG vs SFT#RAG

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…ness指标自动评估，但人工抽检还是少不了。上线后我会建一个Bad case库，每周分析一次，看是检索漏了还是模型读错了，再针对性优化。比如发现很多case是分块不合理导致的，就回头调分块策略。另外，当知识库频繁更新时，比如电商每天上架新商品，传统RAG的索引重建成本很高。我倾向用增量更新加双缓冲索引，但一致性校验是个坑，比如旧索引里删了某条数据，新索引还没建好，查询时就会返回过时结果。这块我还在探索更稳定的方案。所以整体上，我更倾向把RAG看成一套持续迭代的系统，而不是…

#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

RAG 检索与生成流程详解

匹配正文：…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、Faiss…

#字节#检索生成流程#RAG 实现

面试题·模型微调· 快手

Agent 系统怎么调优优化?

匹配正文：…打分，解决稀疏奖励问题 DPO/RLHF：人类偏好标注"哪种工具选择更合理"，对齐复杂场景下的决策偏好 3. Prompt与系统层优化动态示例选择（Dynamic Few-shot）：根据用户意图检索相似的成功案例工具描述优化：用LLM自动生成工具文档，迭代测试哪个描述调用成功率最高业界优秀案例及技术特点应用核心特点 OpenAI GPTs/Assistant API Function Calling原生支持，结构化输出强制JSON schema，内置RAG检索 C…

#快手#Agent#Agent 调优

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非事实记忆。 RAG上限：受限于检索精度和上下文长度。再强的生成模型也救不回错误的检索结果。适合事实密集型任务，但长程多跳推理是短板。选型建议场景推荐方案领域知识稳定、需深度推理（代码、数学） SFT 知识频繁变更、需可溯源（客服、政策问答） RAG 两者都要 RAG+SFT：RAG提供实时知识，SFT优化推理风格和领域格式关键判断：知识更新频率 > …

#SFT#RAG 知识更新#SFT vs RAG 知识更新