匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“上次那个蓝色的充电宝还有吗”，但知识库里只有商品描述“BluePower 10000mAh”。你怎么让系统能把这俩对上？层层追问 RAG系统的召回你是怎么做的？……如果只用向量检索，遇到长尾或精确匹配问题怎么办？……那索引结构上，亿级数据怎么保证延迟？……查询重写用过吗？比如用户问“它”这种指代？直球架构请完整阐述RAG召回链路的优化方案，包括检索器选择（多路召回）、索引结构（HNSW/IVF等）、查询重写（HyDE…

#阿里云#查询重写#RAG 召回优化

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·检索· 百度

向量检索 4 种范式怎么选?

匹配正文：…，上层稀疏快速定位，下层稠密精确搜索复杂度：构建O(n log n)，查询O(log n)，精度-速度权衡极佳现状：当前单模态向量检索的SOTA方案工业实践选型建议规模推荐方案说明百万级 HNSW（如Milvus/Zilliz）内存放得下，精度高亿级 IVF+HNSW 或 IVF+PQ 磁盘+内存混合，平衡成本十亿级 Faiss-GPU、DiskANN、自研分布式量化压缩+图索引+分片 RAG场景的典型配置：Embedding 768/1024维 → 先…

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

#百度#ANN索引#向量检索方法

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…设计要支持过滤和排序索引结构需权衡召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用十亿级/超大规模自研或云厂商方案（阿里云OpenSearc…

#安克科技#向量数据库选型#RAG 知识库存储

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…y测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embedding微调、索引参数调优。学习建议建议先掌握RAG整体架构，再分步学习数据清洗、分块策略和嵌入原理，结合开源工具如LangChain和FAISS动手实践，加深理解。参考资料 Pandoc官方输入格式 ColBERT原论文:文本late interaction ColPali原论文:视觉文档检索 Faiss官方索引、增量与存储

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配追问：…统。假设用户上传了一本手册，我们把它切段后向量化，上线后用户问问题。你怎么决定切多长？重叠窗口怎么设？嵌入模型选哪个？层层追问向量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：… [[Context Recall]]，确保模型没有忽略检索到的证据。说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模型多强，而是检索链路多稳。我更倾向先…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…；如果场景多变，或者刚起步没什么标注数据，先用Contriever快速验证，等数据积累够了再切到DPR。真正上线时，我几乎一定会把向量检索和关键词检索结合起来，也就是 [[Hybrid Search]]，因为向量擅长语义匹配，但精确匹配比如订单号、政策条款号，还是[[BM25]]更靠谱。怎么评估编码模型的检索能力？RAG场景下，我最看重的是 Recall@K，比如Recall@5。为什么？因为生成阶段能容忍一些噪声，你给大模型十段文档，哪怕其中两三段不相关，它也能挑出有用的…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配口述回答：这道题问的是[[RAG]]的性能瓶颈和优化，其实本质上是在问，你怎么理解RAG系统中检索、生成、效率这三环的协同关系，而不是让我列一堆技术点。我一般会从三个维度去拆解：检索精度、生成质量和系统效率，但真正落地时，这三者经常是互相牵制的，你得有取舍。先说检索精度。最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满2…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：这道题其实是在问，大模型产生[[幻觉]]，我们到底从哪下手。检索增强提供证据，偏好训练调整行为；幻觉成因可能重叠，不能把[[RAG]]和[[RLHF]]分别对应成不知道与知道但乱说两类。先说 RAG，它的核心思路是开卷考试。模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…型检索到了“满200减30”和“优惠券不能叠加使用”两条规则，但它自己推理出“满400减60”，这就错了。这类逻辑矛盾、推理错误，RAG管不了，得靠训练或者推理优化，比如[[Self-RAG]]让模型学会反思。所以真正落地的时候，我倾向于把RAG当成基础设施，但不会只依赖它。比如检索环节，我会做**[[混合检索]]**，把[[BM25]]关键词和向量检索结合起来，避免因为语义偏差漏掉关键文档。生成环节，我会加[[Rerank]]和[[Self-Refine]]，先让模型基于…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配题目：在构建基于大模型的检索增强系统时，如何评估和选择合适的向量数据库？请从性能、可扩展性、支持的索引类型、查询延迟、与现有技术栈的集成等方面进行详细说明。

#京东#评估与监控#向量数据库选型

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…识来源上，我们是让模型把知识记在脑子里，还是给它配一本随时能翻的书？本质是知识存储与模型参数要不要解耦的问题。先说为什么引入[[RAG]]。最核心的原因就是，模型参数一旦训完就冻住了，新知识进不来，而且模型会自己编造内容，也就是[[Hallucination]]。RAG的思路很简单，我不指望你背下所有知识，我给你一个外部知识库，你遇到问题先去查，查到了再回答。这样知识更新只需要改数据库，不用重新训练模型，成本低得多，而且回答能溯源到具体文档，可信度高。那RAG和[[SFT…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：这道题其实问的是，怎么让大模型在不重训的情况下，能回答实时、专业、可溯源的问题。[[RAG]]的核心思路很简单：不把知识全塞进模型参数里，而是动态拉取相关文档作为上下文，让模型基于检索结果来生成。你可以把它理解成给模型配了个外挂知识库，模型负责推理和表达，知识库负责提供事实。具体架构分三块：索引模块、检索模块、生成模块。先说索引，离线阶段要把原始文档切成小块，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里。这里有个关键取舍：…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：这道题其实是在问，怎么让大模型在需要专业知识时，不靠死记硬背，而是能现场翻书。说白了，[[RAG]]的核心就是把大模型从闭卷考试变成开卷考试。整个流程分三步：索引、检索、生成。索引就是把文档切碎，转成向量存进[[向量库]]；检索是把用户的问题也转成向量，去库里找最像的那几段；生成是把这些段落塞进提示词，让模型基于它们回答。这里有个关键认知，检索质量决定了RAG的上限，生成质量决定了下限，所以我会把大部分精力放在检索上。具体说下索引。文档切分不是随便按字数切，我会按语义段落…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：这道题问的是[[RAG]]检索不准怎么办，在我看来，本质是两件事没对齐：一是信息源怎么拆和怎么标，二是匹配逻辑怎么调。拆得不对，后面怎么改都难。我从数据构建、检索优化和后处理三个角度讲一下我的做法。先说数据构建。文档切分很多人直接按固定字数截断，但这对语义是破坏性的。我一般会按语义边界来切，比如标题、段落，还会加一个重叠窗口，保证上下文连贯。举个例子，处理客服退款政策文档时，我会把“退款条件”和“退款流程”作为两个独立块，但每块末尾带上下一块的标题，这样检索时不会漏掉跨块信…

#字节#RAG 检索噪声#RAG 数据构建

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：这道题问的是[[RAG]]在实际落地时，检索和生成之间那个匹配缺口怎么补。说白了，RAG不是拿回文档就万事大吉，中间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配追问：场景切入假设你做一个企业知识库问答系统，比如把所有产品文档、财务报告都丢进去。用户问“我们今年在亚洲市场的整体表现怎么样”，传统RAG可能只返回几段零散文字，但GraphRAG据说能给出一个全局总结。你了解它是怎么做到的吗？层层追问传统RAG你肯定用过，就是把文档切块然后向量检索。……那如果问题需要跨多个文档推理呢？……比如“A公司收购了B公司后，对C市场有什么影响”？你觉得这种复杂查询，GraphRAG怎么改进的？直球架构直接说下GraphRAG的核心思想，以及相…

#美团#GraphRAG#传统 RAG 对比

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配口述回答：…。成本敏感的场景，比如中小公司内部知识库，视觉caption加文本RAG就够了，别一上来就搞复杂的。这里有个坑，很多人以为多模态RAG能解决所有图文问题，其实前提是图文之间有强相关性。比如一张产品图和它的参数表，这是强相关；但一张风景图和一段无关的描述，强行做多模态检索反而引入噪声。上线前我会特别关注召回率，尤其是不同模态的权重怎么调，用 [[Hybrid Search]] 把向量和关键词结合起来，避免纯向量检索在冷门词上翻车。另外，有一个方向我最近在关注，就是多模态R…

#淘天#多模态#多模态 RAG 架构设计

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：这道题问的是[[RAG]]，其实本质上是在问：当大模型的知识不够用时，怎么低成本地给它外挂一个知识库。RAG的核心思想很简单，就是给LLM配一本参考书，让它生成前先翻书找证据，而不是全靠记忆瞎编。具体流程分三步。第一步是建索引，把文档切碎，用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里。切分这里就有个坑：固定字数切容易把语义切散，我一般会按段落或小节切，结合[[滑动窗口]]保留上下文。第二步是检索，用户的问题也转成向量，去库里做…

#字节#外部知识检索#RAG 原理

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配追问：场景切入假设你在做医疗领域的RAG助手，医生问一种药和另一种药能不能一起吃，系统得从哪个权威文档里找答案？如果查到两个版本的说法矛盾了，你索引里怎么处理这种冲突，保证给出的答案合规又准确？层层追问 RAG的数据处理流程你大概怎么设计？……那如果领域要求零容忍幻觉呢，比如法律条文引用必须精确到条款？……索引结构上除了向量检索，你还会加什么来保证精确匹配和溯源？直球架构设计一个专业领域RAG的数据处理和索引流程，重点保证知识准确性、合规性和检索效率。从数据采集到索引构建，…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：我会选一个自己真实参与的 RAG 项目，从业务问题讲到可验证证据。项目服务【真实场景】，语料来自【语料来源】，我负责【本人职责】；其他模块会说明团队分工，不把整条链路都算成个人贡献。技术上我会画出【技术链路】，包括解析与分块、元数据和权限、索引、查询处理、召回、重排、上下文、生成、引用与监控。然后挑一个最有代表性的 bad case，说明【关键改动】为什么针对根因，而不是直接罗列 BM25、向量检索或 RRF。检索、排序和生成分层评测，每轮固定语料与测试集做消融。项目结果…

#百度#RAG项目复盘#RAG 项目指标化复盘