匹配追问：场景切入假设你在做电商客服RAG，用户问‘我的订单怎么还没到’，你从知识库召回退换货政策。但有时候召回的结果不相关，比如用户其实想问物流延迟。你会怎么优化召回链路，让语义匹配更准、速度也快？层层追问 RAG系统的召回你怎么做的？……如果召回结果不准，你能想到哪些方向改进？……进一步，数据量涨到千万级，检索延迟怎么控制？还有增量数据怎么实时更新？直球架构设计一个RAG召回系统，要优化检索效率、相关性、可扩展性。从索引结构、多路召回、精排到工程架构，你会怎么选型和组合？关…

#阿里云#召回链路优化#RAG 召回优化

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· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：…。索引更新也有讲究，全量重建太慢，我会用双缓冲影子索引，新索引构建完后原子切换，切换前用固定query回放，对比Recall@K和延迟，不通过就回滚。说到反馈闭环，其实还有一个方向是[[Self-RAG]]，让模型在生成时自己判断是否需要检索，以及检索结果的可靠性。这能解决很多不必要的检索开销和[[幻觉]]问题，但需要更多训练数据和控制。最后收一下：我会把检索模块看成一个系统工程，不是单一算法能解决的。混合检索、分块策略、索引更新、反馈闭环，这几个环节环环相扣。我更倾向…

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#向量数据库召回#RAG 向量检索

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配追问：…服助手，用户问“这个订单什么时候发货”，结果检索出来的上下文全是退款政策，完全对不上。你遇到这种情况会怎么排查和修复？层层追问 RAG应用中检索上下文质量不行，你一般怎么处理？……比如是召回不够还是噪声太多？……那如果要兼顾效果和延迟，你会优先上哪些方案？直球架构当检索上下文不准确或质量差时，请给出你的应对策略和技术方案，包括问题诊断环节和至少三种具体方案，并说明各自的适用场景和trade-off。

#字节#检索故障诊断#检索质量优化

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：答案要点向量数据库选型需考虑规模、延迟、成本三要素元数据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 …

#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向量匹配原理与ANN算法取舍

匹配正文：…ction/M/nlist/nprobe）精度与效率的权衡策略（分层检索、量化压缩、动态阈值）一、相似度计算方法余弦相似度是RAG中最常用的度量：公式：cos(θ) = (A·B) / (||A|| × ||B||) 核心优势：对向量长度不敏感，只关注方向一致性，适合语义相似性判断工程实践：向量通常已归一化，此时点积等价于余弦相似度，计算更快其他方法包括欧氏距离与内积。内积也可用于已归一化向量，此时等价于余弦；两端单位范数时，平方L2=2−2×内积，排序等价。度量…

#安克科技#HNSW与IVF#RAG 向量匹配

面试题·检索· 安克科技

RAG 向量匹配怎么高效实现?

匹配追问：场景切入假设你做一个客服知识库问答系统，用户问的问题要实时匹配千万级FAQ向量，延迟要求50ms以内，但召回率不能低于95%。你会怎么设计这个向量匹配模块？层层追问 RAG里query向量和知识库向量怎么匹配最快？……直接暴力搜索肯定不行，那你会用哪些近似搜索算法？……HNSW和IVF有什么关键参数会影响召回率和延迟？直球架构请你讲一下RAG系统中高效实现向量相似度匹配的核心技术，重点包括ANN算法选型、索引结构设计以及召回率、延迟、内存之间的性能权衡。

#安克科技#ANN性能权衡#RAG 向量匹配

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：…据的存储场景和查询模式阐述混合检索架构的设计（向量+关键词+结构化过滤）说明数据同步与一致性保障机制讨论选型考量因素（规模、延迟、成本、团队能力）给出具体的集成方案（如PostgreSQL+pgvector或分离架构）核心设计原则 RAG知识库不是"二选一"，而是分层存储 + 混合检索。向量负责语义匹配，结构化负责精确过滤，两者互补。存储层设计数据类型存储方案典型场景向量Embedding 专用向量库（Milvus/Pinecone/Qdrant）或 pg…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…这些噪声必须去掉，但别把关键信息也误删了。说白了，预处理的目标是让后续分块和[[向量化]]拿到干净的输入。接下来是文本分块，这是RAG里最关键的工程决策之一。固定长度切分与重叠窗口可以作为候选，但不能直接当成默认答案。我会比较多组 chunk size，以及无重叠、短重叠和较长重叠，在同一评测集验证边界召回、答案质量、索引体积和延迟。但固定长度对结构化文档比如合同或者论文就不够用了，这时候得用结构感知分块，按章节、条款边界来切，同时保留元数据，比如标题、段落号，这样检索时能…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：…控，我发现很多团队只关注召回率，但其实检索延迟和存储成本的平衡才是线上真正的瓶颈。比如[[HNSW]]索引参数调不好，召回率再高，延迟超标也上不了线。这块其实可以深挖一下。所以整体上，我会把向量化流程看成一个根据业务场景不断迭代的工程系统，而不是一套固定的脚本。预处理、模型选择、归一化、版本管理，每一步都要和业务数据对齐，上线后持续观测，才不至于变成'离线跑分高、线上效果差'的尴尬局面。一句话定位：RAG落地的核心工程问题文本预处理：分块与元数据保留嵌入模型选择：业务…

#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文本向量化：分块与嵌入陷阱

匹配口述回答：…回率和MRR，用一批标注好的query-doc对来评估。在线我会抽检人工看召回的相关性，建立bad case闭环。特别要注意的是，RAG不是向量化就完事了，如果检索结果质量差，生成必然跑偏。所以上线前我会用历史query回放，对比新旧流程的召回率和延迟，通过才切换，不通过就回滚。最后说边界。分块和模型选型没有银弹，固定切分适合日志、代码这种结构简单的，语义切分适合新闻、报告；稠密向量适合语义匹配，稀疏向量比如[[BM25]]适合关键词精确匹配，真正落地常常两者混合。我倾向用…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配口述回答：…并同时观察 GPU 利用率、显存、CPU、网络、队列与错误。优化上线前设置质量和安全回归门槛，避免通过更多截断、超时或拒答换取表面延迟。最后，所有参数、阈值和方案优劣都应绑定目标数据、硬件、流量与错误预算。没有回放或对照实验时，只能说明机制和预期风险，不能承诺固定收益。上线结论还要同时满足质量、尾延迟、成本、安全和可回滚，不能只优化一个平均指标。召回阶段：多级索引与量化取舍生成阶段：投机解码与批处理架构解耦与降级兜底监控指标与落地风险约4分钟 Agentic RA…

#高德#Agent#Agent 系统延迟优化

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配标题与标签：Agent 训练 vs RAG 怎么选? 从任务定义到强化学习,完整闭环与评估机制评估美团 Agent Agent 训练流程 Agent 迭代设计强化学习 Agent Agent 评估机制美团

#美团#Agent#Agent 训练流程

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…控制，我最近在关注一个方向：让大模型在生成时能主动判断检索内容是否足够，如果不够就触发多轮检索，而不是硬凑答案。比如[[Self-RAG]]那种思路，让模型自己决定要不要搜、搜什么。这其实又回到了[[Agentic RAG]]的范畴。所以总结一下，我的判断是：向量检索解决“找得到”，大模型生成解决“说得对、说得通、说得完整”。两者缺一不可，但落地时得根据场景做取舍，比如对时效性要求高的场景，我会更依赖大模型自己的知识，减少检索延迟；对准确性要求高的场景，我会加强检索和重排，…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…生成答案时附上引用。用户追问'那和店铺券呢'，再检索店铺券规则。整个过程完全动态，而且每个回答都有出处，客服复核也方便。不过落地RAG不是简单的'配个[[向量库]]就行'。有几个风险我特别关注。一是文档切分策略，[[Chunk]]太大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延迟，大规模知识库下，[[ANN]]检索可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或…

#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?

匹配口述回答：…问题：如果用户问的是多跳问题，比如「这个症状应该用哪种药，但指南里没有直接说，需要从两个段落推理出来」，那简单的 [[Naive RAG]] 就不够用了。这时候我会考虑 [[Agentic RAG]] 或者 [[Self-RAG]]，让模型自己决定要不要再搜、要不要推理。但这个对延迟和稳定性要求高，得根据业务场景权衡。一句话定位：本质是专业场景下的可信生成问题文档处理与索引：双轨策略加图谱检索策略：多路召回加精排重排生成优化：强制引用加约束解码评估与取舍：宁缺毋滥，…

#字节#RAG 全链路#RAG 技术链路

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：…如果文档删除或修改，我不用原地操作，而是软删除加版本号过滤。上线前我一定用一批历史query回放，对比新旧索引的Recall@K和延迟，达标才原子切换，不达标就回滚。所以我会把编码模型看成RAG的入口守门员，它的召回能力决定了整个系统的天花板，而生成模型只是在这个天花板下做文章。 RAG本质是给LLM配外挂知识库编码模型：DPR有监督精度高但贵，Contriever无监督通用但领域弱评估重点：Recall@K，因为生成能容忍噪声但不能漏落地风险：文档更新频繁时索引重建…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 淘天

现代RAG架构有哪些改进?

匹配口述回答：…文档，那迭代反而放大错误。我特别关注的是，上线前要压测检索的Recall和Precision，同时控制迭代轮次，一般两轮就够，多了延迟和成本受不了。常见失败场景是迭代检索陷入死循环，模型反复说“还需要查”，这时候得设最大轮次，超时就用默认策略。所以我会把现代RAG看成一种动态决策系统，而不是简单的检索+生成。我更倾向的做法是先用[[Corrective RAG]]做置信度评估，低置信时触发工具扩展或生成降级，同时保留传统流程兜底。另外有个点值得注意，就是这些反思token…

#淘天#评估与监控#RAG架构改进

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…g]]模型把语义相近但任务不相关的片段排到前面时，我们怎么拆解和解决。核心矛盾是，Embedding的训练目标是语义相似度，而[[RAG]]业务要的是任务相关性，这两个东西天然有gap。举个例子，用户搜“苹果手机的电池寿命”，结果召回一段“苹果的营养价值”，因为“苹果”这个词向量靠得近，但用户要的是售后，不是营养学。我会从三个层面去分析。先说查询侧。如果query本身就有歧义，比如“苹果”，我能做的是查询重写：让LLM根据上下文把意图补全，比如改成“苹果公司手机电池寿命”。…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配口述回答：…排序]]，但实际落地时，数据层的问题往往是最快见效的。比如清洗掉脏数据、补充缺失知识，可能一天就提升5个点。检索层调优要平衡效果和延迟，比如[[Hybrid Search]]把关键词和向量结合起来，但会增加复杂度。生成层最难，prompt工程能约束引用格式，但真要解决幻觉，可能需要做[[Self-RAG]]让模型自己反思，或者做RAG-specific微调，但成本高。所以我的解决优先级是：先数据层，再检索层，最后生成层。如果数据层做好了，很多问题自然就消失了。不过这里有个…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估· 美团

RAG 解决了哪些问题?

匹配口述回答：…确率；二是做bad case分析，看看是不是切分粒度或者[[embedding]]模型选得不对。另外，我最近在关注[[Self-RAG]]，就是让模型自己判断什么时候需要检索，什么时候直接用内部知识。这个方向能进一步减少不必要的检索，提升效率，也降低延迟。所以总的来说，我会把RAG看成是大模型落地的标配能力，但它不是银弹。更倾向的做法是：先用RAG解决知识更新的问题，再用微调优化行为，同时做好检索质量的监控和迭代。 RAG本质是给模型外挂知识库，解决静态知识问题业务场景…

#美团#混合检索#RAG 技术

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…是当意图识别和外部工具联动时，比如识别到“查库存”意图后触发 [[Function Calling]]，怎么保证调用链路的可靠性和延迟，这个在实际工程里挺有挑战的。总的来说，我把意图识别看成RAG系统的守门员，它做得好，检索和生成才能事半功倍。一句话定位：意图识别是RAG的路由中枢检索准确性：方式选择与查询改写生成质量：上下文筛选与幻觉防控落地风险：前提与常见失败场景工程师取舍：倾向Agentic RAG和轻量级初分约4分钟意图识别与外部工具联动时，如何保证调…

#OPPO#RAG 意图识别#RAG

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配口述回答：…多跳推理场景下特别有用，比如用户问“张三在A公司的职位是什么，他后来跳槽去了哪”，一次检索很难覆盖完整信息链。当然这也有代价，就是延迟会明显增加。所以整体上，我会把RAG问题排查看成三步：先用黄金文档锁定责任方，再用指标和人工分析细化根因，最后针对性优化。如果检索和生成单独测都好但合起来差，那就去优化协同，比如改进prompt让模型更关注文档、加文档压缩、或者用动态检索。最怕的就是不看数据，上来就调embedding或者换模型。 RAG效果差，本质是定位哪个环节掉链子黄金…

#检索诊断#生成协同#RAG 效果诊断

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配题目：在RAG系统中，选择特定Embedding模型进行检索时需要考虑哪些关键因素？

#字节#向量检索#RAG Embedding 选型