匹配正文：答案要点能清晰划分RAG的三大核心模块（索引、检索、生成）并说明各自职责理解Embedding模型的选型考量和向量数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：… 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、跨文档关联难以捕获生成整合上下文爆炸检索文档过长，淹没关键信息忠实性缺陷模型"幻觉"编造…

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· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配正文：真实性边界问题要求说明“在项目中应用 RAG”的技术细节。检索延迟、端到端延迟、准确率和幻觉率只能来自真实项目；通用架构示意不能包装成个人上线结果。回答框架知识库：数据来源、解析、分块、元数据、权限、版本与更新方式。检索器：稀疏/稠密模型、索引、Top-K、过滤、融合和查询改写。重排与上下文：候选规模、重排模型、去重、上下文预算、引用和冲突处理。生成与防护：模型版本、证据约束、拒答、输出校验和安全边界。评测与上线：分层指标、压测、消融、灰度、观测、回滚和成本。 …

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：答案要点清晰描述RAG三阶段流程（索引-检索-生成）说明检索器核心组件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配追问：…出5段内容，但最后生成答案时却忽略了最相关的两段，或者把两段矛盾的信息混在一起回答——你觉得这种问题可能出在哪个环节？层层追问 RAG系统里检索回来的内容你怎么喂给模型？……如果一次检索了10段，但上下文窗口只能塞5段，你怎么办？……那你怎么保证选出来的5段是最有用的，而不是重复或者无关的？直球架构实现一个RAG系统，从检索质量、上下文处理、生成效果三方面，你觉得哪些技术细节最关键？常见的坑有哪些？比如分块策略、重排序、幻觉抑制这些，说说你的经验。

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…键协作点上下文融合：检索结果按相关性排序，截断至上下文窗口置信度过滤：低分文档丢弃，避免引入噪声迭代优化：Advanced RAG中加入重排序（Rerank）或查询改写，提升召回精度质量提升本质：Generator从" parametric memory "（参数知识）扩展到" non-parametric memory "（外部知识），减少幻觉，实现可溯源回答。学习建议建议先掌握RAG整体架构，再重点理解Retriever的两种主流技术（如BM25与DPR），并…

#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· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…t中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知识库补充提供"未找到答案，提交人工反馈"入口关键权衡：业务容忍度决定策略——客服场景宁可不答不能错答；通用问答可适当放宽。

#百度#小鹏#美团

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：… 典型应用场景场景说明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：答案有来源引用，便于人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garbage in, garbage out"）多跳推理、跨文档关联能…

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配口述回答：【30秒速答】缓解幻觉和安全风险要组合训练、证据、权限与评测。数据侧治理来源、隐私和有害样本，SFT 或偏好优化塑造行为；DPO 直接优化 chosen/rejected 相对 reference 的概率，不训练独立奖励模型。知识任务接检索和工具并核对引用，工具采用最小权限。Contrastive Decoding 比较 expert 与 amateur 的 token 分数，不是简单重复惩罚，也不保证事实。水印用于来源追踪，不会降低幻觉。最终分别测事实支持、安全分类、越狱…

#幻觉检测#内容安全#RLHF

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配口述回答：…词索引，还能组合索引。它的检索策略也很深，比如[[Hybrid Search]]、[[Rerank]]、子问题分解这些。所以纯[[RAG]]场景，LlamaIndex是首选，检索精度和效率都优化得很到位。但它的Agent能力相对轻量，虽然也有OpenAIAgent，但复杂决策还是得靠LangChain。那真实业务里怎么用呢？我举个例子，企业智能客服。比如用户问“我买的商品降价了，能退差价吗？”这个场景，你会需要两个能力：一个是检索产品手册里的退换货政策，另一个是调用订单AP…

#阿里云#Agent#Agent 框架对比

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配口述回答：[[RAG]] 出错时，我不会先凭感觉说是检索的问题还是生成的问题，而是做隔离变量实验。因为 RAG 是串联系统，前面检索错会传导到生成，生成模型也可能在检索正确的情况下自己发挥，所以要把两个模块拆开看。答案跑题、数字错误或引用缺失只能作为排查线索，不能直接归因。检索和生成可能同时失败，必须用黄金证据替换、重复对照和证据级指标隔离变量。第一步看检索 TopK。检查正确文档有没有被召回，排在第几位。如果正确文档根本不在 TopK，基本就是 retriever 召回问题，对应…

#百度#评估与监控#RAG 错误定位

面试题·评估· 安克科技

RAG 问答金标构建

匹配口述回答：这道题其实是在问，怎么造一套靠谱的数据来评估[[RAG]]系统好不好用，而不是随便找几个问题测测就完事。我一般会从三个层面来构建评估集：开发集、测试集和对抗集。开发集大概500到1000条，用来迭代调优，比如调 chunk 大小或者 rerank 阈值；测试集1000到3000条，做最终对比评测；对抗集200到500条，专门挑高难度、容易翻车的场景，比如需要多跳推理或者要回答“不存在”。三层分开，避免调参时过拟合到测试数据上。先说问题怎么来。我倾向于混合策略，大概70%用 …

#安克科技#评估与监控#RAG 问答金标构建

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…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，而不是一次搭完就完事。数据质量、检索策略、模型调优，每个环节都要根据业务反馈不断调整。一句话定位：RAG本质是查文档+读文档的工程化数据准备：分块是核心难点，语义切分比固定长度好检索策略：混合检索兜底，重排提升精度生成集成：上下文压缩和Prompt防幻觉评估闭环：Bad case驱动迭代约4分钟知识库频繁…

#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·RAG

RAG 完整流程分几步？

匹配口述回答：… 如果让我进一步优化，我会考虑查询改写，比如用户问“怎么退款”，系统先把它改写成“退款流程和条件”，再去检索，能明显提升召回率。 RAG本质是给大模型建一个外部知识库离线建库：解析、分块、向量化在线问答：检索、生成落地风险：分块粒度与检索质量约2分钟查询改写能提升检索召回率面试官可能会追问查询改写的具体实现方式，比如基于规则还是模型生成，或者会不会引入幻觉。

#入门#基础概念#RAG流程

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配口述回答：…果摘要总结不准确，全局查询就会出错。所以我在设计时，会对社区摘要做一层[[Faithfulness]]校验，用事实一致性检查过滤掉幻觉内容，再返回给用户。所以总的来说，我会把GraphRAG看成传统RAG的一个强力补充，而不是替代。它特别适合那些'为什么'和'如何关联'的问题，但前提是数据质量够硬，并且你愿意承担前期建模的投入。如果只是简单问答，我倾向于先用传统RAG快速上线，等遇到多跳瓶颈再引入图结构。这道题问的是什么时候该上GraphRAG，本质是结构化知识vs语义匹…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配追问：… 做专业领域问答，怎么保证回答可靠？……那如果用户问的问题在知识库里没完全匹配的呢？……你觉得检索和生成怎么配合，才能既准确又避免幻觉？直球架构设计一个面向法律或医疗领域的RAG智能助手，从整体架构、检索模块、生成模块到知识更新机制，你会怎么设计？说清楚每个模块的关键点。

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：这道题问的是怎么提升[[RAG]]里检索阶段的质量，本质上就是怎么让检索更精准地命中回答真正需要的信息。我会从查询、召回、排序、索引几个环节来说，但重点不是列全所有方法，而是讲清楚在什么场景下该选什么，以及实际落地时容易踩的坑。先说查询侧。标准做法是直接拿用户问题去做向量检索，但问题往往又短又模糊，比如用户问“这个能退吗”，在电商客服场景里，你得知道他说的是哪个商品、什么原因。所以我会做查询改写，最常用的是 HyDE，就是让LLM先生成一个假设的回答，然后用这个答案去检索。…

#字节#HyDE#RAG 检索质量

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…nker、Prompt 和模型都版本化，多租户权限和缓存隔离单独验证。这样面试官追问任何一层，都能回到真实 trace 和实验。 RAG本质是让大模型先查后答，不是硬记数据层：多源解析和表格保留检索层：混合召回加重排，型号编码单独倒排生成层：置信度阈值防幻觉，版本冲突处理落地前提和风险约90秒即使检索准，模型仍可能忽略部分上下文，需要更精细的段落关联策略，但会引入延迟追问：具体怎么用Parent Document策略？或者怎么在延迟和上下文完整性之间平衡？

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配口述回答：这道题其实问的是[[RAG]]系统里精度和效率怎么取舍。核心思路就一句话：召回阶段用[[双塔]]模型快速筛出候选，[[重排]]阶段用[[交叉编码器]]细粒度打分，确保最终结果既快又准。先说为什么必须重排。你想想，召回阶段用的是 Bi-Encoder，query和doc各自独立编码成向量，然后算相似度。好处是doc向量可以离线算好，线上只算query，所以能到毫秒级。但代价就是缺乏细粒度交互，两个向量之间没有token级的匹配，容易把语义相关但实际不精准的文档也召回来。比如用…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：这道题问的是[[RAG]]的完整工作流，其实本质是在问：怎么把大模型的知识边界和实时性不足这个短板，用外部知识库补上，同时还要控制[[幻觉]]。不是简单拼凑，而是每个环节都要做取舍。先说检索之前，有个预处理。用户的问题往往不规整，比如“上次那个退款怎么还没到”，这里“上次”指代什么？得先做查询改写，把指代消解掉，拆成“订单号xxx的退款进度”。这一步不做，后面检索全是错的。然后进入检索，这是最核心的部分。很多人以为向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：这道题问的是[[RAG]]的完整流程，我觉得本质上是在问：怎么把外部知识可靠地注入到生成模型里，同时控制住[[幻觉]]。它不是单纯讲检索或者生成，而是两者怎么分工、怎么衔接。具体来说，我会把流程拆成几个阶段。首先是查询理解，用户问的问题可能比较模糊，比如“退款为什么没到账”，我会想用户到底在问退款状态、到账时间还是异常原因。必要的时候做query改写，比如多跳问题拆解成子问题。这一步的难点在于，改写不能偏离原始意图，否则后面检索全是歪的。然后是检索召回。这里我倾向于多路…

#美团#RAG全链路#RAG 工作流程