匹配正文：RAG 的完整链路 RAG 由离线知识准备和在线问答两部分组成。检索能提供外部证据，但检索结果和生成都可能出错，因此整条链路要可评估、可追踪和可回滚。 1. 离线准备解析并清洗文档，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…

#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：…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 的 Recall@K、MRR/NDCG、无答案率、P95 延迟和成本，并按编号、术语、同义改写…

#美团#混合检索#混合检索 Hybrid Retrieval

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配追问：…么设计重叠窗口来保留上下文？……再比如，分段颗粒度太细召回率高但可能信息不全，太粗又可能引入噪声，你怎么权衡？直球架构设计一个RAG文档分段模块，要求支持固定长度、语义和结构感知三种策略，并实现重叠处理。你如何设计接口、选择策略、配置重叠比例？另外，怎么在离线评估中验证分段粒度对检索效果的影响？

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

#小鹏#文本分块优化#RAG 文本分段

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·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总能返回结果，相关和足够怎样区分？阈值应该怎么定，换模型后还能不能继续用？有答案却被拒绝，和没答案却强答，哪个更严重？检索分数过…

#RAG#生成与对话#RAG 无答案检测

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配口述回答：…追踪。所以我的倾向是，不要追求一个方案解决所有问题，而是把RAG、缓存、结构化查询结合起来，根据场景做取舍。本质是多步决策放大了RAG的延迟和错误延迟：检索层、决策层、编排层，重点说检索和决策正确率：检索噪声、上下文碎片、决策漂移，重点说检索噪声和决策漂移架构层面：RAG作为Agent的一个工具，不是底层依赖落地风险与取舍：小模型路由、大模型生成，反思机制约4分钟检索置信度的量化方法，以及阈值调优的难点面试官可能会追问如何设定置信度阈值、如何评估检索质量、以及…

#阿里云#Agent#RAG Agent 延迟优化

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：这道题问的是[[RAG]]的[[向量化]]过程，其实本质是在问：怎么把非结构化文本转成机器能高效检索的语义表示，并且这个转换要能支撑实际业务。我不会去背一遍原理，而是按我理解的技术选型和工程落地说一下。先说嵌入模型选型。很多人觉得直接拿个通用模型就行，但真正落地会发现，场景不同，选择差异很大。比如通用中文场景，我会用BGE-large-zh或者M3E，它们开源、能私有化部署，维度一般是768到1024，上下文长度够用。但如果业务是多语言，比如要检索中英文混合的文档，那E5-…

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 美团

Agent三大能力评估陷阱

匹配口述回答：这道题其实是在问，当我们说一个[[Agent]]能力很强的时候，到底在评估哪些方面。我觉得本质上是看它能不能完成一个闭环：获取信息、处理信息、然后执行动作。对应到题目里的三个词，就是search、coding和GUI操作。先说coding。这不仅仅是写代码，更核心的是工具构建和自动化执行的能力。比如一个数据分析Agent，你给它一个Excel文件，让它做清洗、统计、画图，它需要能自己写Python脚本并执行。再比如Devin那种编程Agent，能端到端把需求变成代码。实际落…

#美团#Agent#Agent 能力评估

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配口述回答：…有意思的延伸，就是怎么让模型自己判断什么时候该查、什么时候不该查。比如简单问候语就没必要走检索，否则浪费算力。现在有[[Self-RAG]]这类方案，让模型生成时动态决定是否触发检索，甚至能自我反思检索结果是否可靠。这个方向我觉得是RAG下一步的关键。所以整体上，我更倾向于把RAG看作一个插件，而不是银弹。它解决的是知识更新和事实准确性这两个痛点，但推理能力还得靠SFT打底。落地的时候，我会先评估业务场景对实时性和可溯源的要求有多高，再决定RAG和SFT的比例。本质是参数…

#美团#RAG vs SFT#RAG

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配口述回答：…常是 RAG 提供实时知识，SFT 优化生成风格，两者一起上。最后说下落地风险。一个前提是数据质量必须高，文档本身有错、有矛盾，RAG 反而会放大错误。上线前我会特别关注两件事：一是检索延迟，高频场景下向量检索加重排可能超过 500ms，需要加缓存或者用 [[HNSW]] 索引优化；二是数据一致性，文档更新后，旧向量和旧片段要能及时清理或软删除，否则用户会看到过时信息。还有一个点值得深入，就是怎么评估 RAG 系统的质量。光看单个环节的指标不够，比如检索的 Recall …

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…内部术语的表达方式固化下来；而 RAG 适合高频更新、需要引用外部事实的场景，比如客服的退款政策、电商的满减规则。真正落地往往是 RAG 加微调一起上，RAG 负责事实，微调负责表达。不过 RAG 也有前提和风险。知识库本身的质量决定天花板，如果文档本身有错、过期、或者切分不合理，检索结果就会带偏模型。另外，检索延迟和精度要平衡，Top-K 取太多会让 Prompt 过长，影响模型推理速度和效果。上线我会特别关注 [[RAGAS]] 评估指标，比如上下文精度和召回率，定期用…

#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· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…批文档就行；而且答案可溯源，用户问“你凭什么这么说”，你能指回原始文档。但微调也有它的场景，比如想让模型学会特定语气或者输出格式，RAG 做不到。所以真正落地往往是 RAG 加微调配合，RAG 负责事实性，微调负责风格和指令遵循。另外，RAG 上线后要持续监控召回质量，比如用 [[RAGAS]] 框架评估 [[Faithfulness]] 和 [[Context Recall]]。如果发现召回不准，可能要调切块大小、换 Embedding 模型，或者加 [[Rerank]]…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

RAG 和微调怎么选？

匹配口述回答：…知识需求，先用RAG快速验证效果，不够再考虑微调。如果必须微调，也会优先用[[LoRA]]这类低成本方法，降低迭代开销。面试官问RAG还是微调，本质是问怎么给模型补知识先说边界：RAG管事实，微调管表达然后从时效性、成本、幻觉三个角度展开最后给出组合拳的判断和延伸约2分钟 RAG不是万无一失，检索质量是瓶颈，需要靠Rerank保障Top5文档质量。面试官可能会追问Rerank的具体做法、如何构造训练数据、怎么评估检索效果。

#入门#基础概念#RAG和微调的区别

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配口述回答：这道题其实是在问，当知识从非结构化文本变成结构化图之后，检索和生成的底层逻辑有什么不同。传统[[RAG]]本质是文本块的向量相似度匹配，而[[GraphRAG]]把知识变成了实体、关系和属性的显式图。这个转变带来的优势不是简单的“更好”，而是让检索从“像不像”进化成“有没有关联”。先说知识结构化建模。传统RAG把文档切成[[Chunk]]，每个chunk存成向量，关系是隐式的，模型自己猜。GraphRAG会先做实体抽取和[[关系抽取]]，把文本变成三元组，比如“李彦宏 - …

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…舍，追问点约4分钟 GraphRAG在复杂多跳问答场景有优势，但成本和延迟高，需要权衡。面试官可能会追问GraphRAG和普通RAG的具体对比，或者如何评估投入产出比。

#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?

匹配口述回答：…[[Hybrid Search]]或者[[BM25]]就够了，根本用不上图。真正落地时，我通常会把它们搭配着用：简单事实查询走传统RAG，复杂推理走GraphRAG，甚至还可以用个路由层，根据问题类型动态选择。还有一个有意思的延伸点：GraphRAG的社区摘要本身是LLM生成的，这其实引入了[[Hallucination]]风险，摘要可能不准确，导致后续检索都基于错误的前提。所以上线前我会特别关注社区摘要的[[Faithfulness]]，用一些自动评估指标比如[[RAGA…

#美团#GraphRAG#传统 RAG 对比

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配口述回答：…瓶颈。业务场景很典型。比如电商客服，用户上传一张商品破损的照片，系统能检索到类似案例的图片和解决方案文本，然后生成回复，比纯文本RAG准确得多。医疗诊断也是，CT影像加病历文本一起检索，辅助医生写报告。工业质检里，视频流的关键帧检索可以快速定位历史故障记录。不过这类系统落地有个前提：数据质量必须够高。如果图片模糊、标注不准，模态对齐会崩，生成结果反而更差。所以我做项目时，会先花精力做数据清洗和模态对齐的评估，而不是一上来就搭检索框架。最后说我的判断。我会把多模态RAG看…

#快手#多模态#多模态 RAG

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配题目：在RAG系统中，生成模块（Generator）如何有效整合检索到的上下文信息来构建输入Prompt，并驱动大模型生成准确、连贯的答案？请详细说明Prompt构造的关键要素及其对生成质量的影响机制。

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 阿里

Agent Prompt优化评估指标

匹配口述回答：…，我更倾向把Prompt优化看成一种低成本、高频迭代的手段，但它的上限受限于模型能力。如果遇到效果瓶颈，我会考虑结合[[Self-RAG]]或者[[Chain-of-Verification]]这类框架，让Agent自己学会反思，而不是死磕Prompt。本质是量化Prompt对Agent决策的影响定量指标：任务成功率为主，资源稳定性为辅定性指标：可解释性和鲁棒性，避免指标欺骗实验设计：分层评估+边界测试，控制变量落地风险：指标提升不等于体验提升，警惕过拟合约4分钟…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 阿里

Agent推理链路Prompt优化评估指标

匹配口述回答：…集中修最大的失败模式，比如工具调用格式错误，而不是去抠Prompt的措辞。一句话定位：Prompt优化本质是找推理链路中的瓶颈评估指标：端到端成功率优先，辅以效率和稳定性实验方法：分层测试集、A/B对比、自动+人工组合风险前提：模型版本锁定、回归测试防退化收尾取舍：优先修长尾失败，而非追求单点指标约4分钟长链路Agent中局部Prompt优化可能失效，需引入自反思机制追问Self-RAG或Reflexion的具体实现细节，以及如何与Prompt优化协同

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配口述回答：这道题问的是[[RAG]]系统里两个关键环节：一是怎么把用户的问题改得更适合检索，二是拿到文档后怎么组织提示词让模型好好回答。说白了，query改写的本质是弥合用户表达和文档表达之间的语义鸿沟，而提示词构建的核心是教会模型怎么用文档、怎么处理不确定性。先说query改写。常见策略其实分几类，但真正落地你会发现很少只用一种，往往是组合着来。比如查询扩展，最简单的是用LLM生成同义词或近义词，把“退款流程”扩展成“退货退款步骤”“取消订单退钱”之类的，这样能提升召回。更高级一点…

#百度#小鹏#美团

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…[Agent]]这些方案组合起来用，而不是指望一个方案包打天下。本质是给大模型外挂知识库核心流程：检索+生成，关键在检索质量 RAG适合事实精度场景，纯模型适合创意场景落地风险：检索失败、上下文管理、多跳推理我的取舍：RAG是基础能力，不是银弹约4分钟 RAG在多跳推理场景容易断链，Self-RAG通过让模型自己决定是否检索和反思来缓解，但仍有局限。这个延伸点会引向面试官追问Self-RAG的具体实现、评估指标，或者如何解决跨文档推理的准确性问题。

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…复杂推理模式的任务，更适合 [[LoRA]] 微调，比如把模型调成客服语气。但实际落地常常是两者一起上：微调让模型学会用检索工具，RAG提供最新知识，互不冲突。不过RAG也不是银弹，有个常见失败场景是检索回来的内容冲突或过时，反而把模型带偏。所以我上线前会特别关注 [[Faithfulness]] 评估，看生成内容是忠实于检索结果还是自己脑补，如果忠实度低就得调重排或加 [[Self-RAG]] 让模型自己判断要不要引用。所以我会把RAG看作一个工程框架，它的核心价值是低…

#字节#外部知识检索#RAG 原理