匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…相关性加权融合、构建结构化上下文（表格/树状）长上下文利用：Lost in Middle问题缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：…结果的事实一致性，冲突时过滤掉。还有一个点值得注意：当检索结果为空或置信度极低时，是直接拒绝还是触发联网搜索？我倾向先拒绝，因为RAG的目标是可控性，联网搜索会引入不可控风险。但如果业务允许，可以设计一个降级策略，比如提示用户补充关键词。整体上，我会把RAG看成一个检索增强的闭环系统，不是简单的管道。每个环节的失败场景都要有预案，比如知识库更新不及时导致旧政策被检索出来，这时需要版本控制或时间戳过滤。上线前，我会用 [[RAGAS]] 这类工具评估 [[Faithfuln…

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#评估与监控#RAG 工作流程

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配口述回答：这道题问的是[[RAG]]的完整流程，但我觉得面试官更想听的不是我背一遍流程，而是我有没有真正踩过坑，知道每个环节为什么这么设计。说白了，RAG的本质就是给大模型配一个外挂知识库，让它别再胡编乱造。那这个外挂怎么建、怎么查、怎么用，我分三个阶段来拆解。先说离线建库。这一步的核心矛盾是：知识颗粒度太粗，模型找不准；太细，又丢了上下文。比如客服场景里的退货政策，一个段落可能有三四百字，里面包含适用条件、退款时限、特殊品类限制，如果按固定512 token切，很可能把条件跟结论切…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配追问：…规则和订单状态，但生成的回答还是不够准。你觉得RAG流程里哪些环节可以优化？比如检索、生成、或者整个流程设计上。层层追问你做过RAG系统吧，检索召回这一块一般怎么搞？……那如果用户问的问题比较模糊，比如“怎么退换货”，你怎么让检索更准？……再进一步，生成的时候怎么确保答案不胡编乱造，又能利用好上下文？……整体流程上还有什么可以调优的？直球架构请系统性地讲一下RAG流程的优化手段，包括检索层（索引、查询、重排序）、生成层（上下文压缩、提示工程）、以及流程层（自适应检索、…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…心取舍是：宁可不回答，也不要给错答案。所以我会把 RAG 看成一套检索系统加上一个生成接口，重心放在检索和过滤上，而不是一味调 prompt。 RAG本质是给LLM配外挂知识库离线阶段：文档处理与向量化在线阶段：检索与生成关键组件：Embedding、向量库、Reranker 落地挑战与取舍约4分钟知识库频繁更新时，增量索引比全量重建更复杂，需要双缓冲和版本管理面试官可能会追问增量索引的具体实现，比如如何保证检索一致性，或者如何设计双缓冲切换

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…ss-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Query → 路由判断 → 多路检索(向量+关键词+图谱) → Rerank精排 → 上下文压缩/摘要 → LLM生成增强点：查询改写、混合检索、检索结果过滤、引用溯源落地关键挑…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…一堆退款政策文档，但真正需要的是该笔订单的处理状态，这时候 Rerank 能把带订单号的文档顶上来。然后生成。把召回的结果拼成 prompt，格式大概是“基于以下资料回答问题：文档1...文档K。问题：xxx。答案：”。这里有个前提，就是 prompt 模板要设计好，明确告诉模型只能基于资料回答，不然模型容易自由发挥，产生 [[Hallucination]]。而且我会要求模型输出引用标记，比如 [1][2]，方便事后溯源。再说说落地时我特别关注的几个风险。先看噪声敏感：如…

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…T8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Generator → Answer 关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"…

#字节#Retriever#RAG Retriever

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配口述回答：…过才原子切换。所以整体上，我不会追求单一方案最优，而是根据场景做取舍。比如客服场景，我会更看重延迟，把简单查询走缓存，复杂查询走RAG；而风控合同场景，我会更看重精度，哪怕多花点时间。最后，我始终认为RAG不是一个孤立的组件，它和 Prompt 设计、模型选择、甚至微调策略都要协同考虑。 RAG落地本质是检索和生成的权衡检索层的延迟与精度矛盾上下文管理中的信息丢失 Agent决策链的级联错误我的优化思路与取舍约4分钟知识库频繁更新时，增量索引的实时性和一致性平衡，…

#阿里云#Agent#Agent RAG 瓶颈

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

RAG 文档检索选型

匹配追问：场景切入假设要为电商客服设计 RAG：用户问‘我昨天买的充电宝怎么还没到？’，系统要同时匹配订单号和‘物流延迟’这种语义。检索链路应怎么设计，稠密和稀疏检索如何取舍？层层追问 RAG检索你一般用什么方法？……如果用户输入的专有名词很多，比如‘iPhone 15 Pro Max 256G 钛金属’，纯语义检索会不会漏？……那你怎么把关键词和语义结合起来？具体融合策略是什么？直球架构说说你在RAG系统里用了哪些检索方法？技术选型怎么考虑的？针对检索效果做了哪些优化？比如索…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配追问：…的订单到哪了’，系统先检索知识库再生成回答。你怎么知道检索到的文档对不对、生成的内容有没有瞎编？具体用什么指标来衡量？层层追问 RAG效果好不好，你一般怎么评估？……光看生成回答够吗？……检索部分怎么量化？有没有一个统一的框架把检索和生成都管起来？直球架构请设计RAG系统的评估方案，分检索和生成两个层面，列出具体指标，再给一个端到端的自动化评估框架。实际项目中你会怎么平衡自动评估和人工抽检？

#淘天#评估与监控#RAG 线上效果评估

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配口述回答：…，微调适合改变模型的行为风格或任务格式。比如让模型学会客服话术，可以用 [[SFT]]；但让模型知道今天最新的退款政策，就应该用 RAG，因为微调一次成本高，而且改完可能遗忘旧知识。真正落地时，常常是 RAG 加微调一起上。不过 RAG 也不是万能。前提是知识库质量要过关，检索要准，不然脏数据喂给模型只会放大错误。如果问题需要强推理，检索结果只是零散片段，模型推理能力弱还是会答错。所以上线我会特别关注检索的召回率和 prompt 里约束模型不能脱离资料发挥。如果面试官追问…

#入门#基础概念#什么是RAG

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…于建立基线，也容易排查，但遇到精确实体、短 query、冲突文档、权限过滤或多步问题时，单路向量召回往往不够。 Advanced RAG 是在明确 bad case 上增加处理。检索前可以做改写、扩展、分解或路由；检索中加入 BM25 与向量混合、元数据过滤和重排；生成前再做去重、压缩、冲突处理和引用组织。这里没有哪个模块默认该上。比如正确文档没进候选，先修覆盖和召回；候选已有答案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。 Mo…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配追问：场景切入假设你做一个客服知识库，用户问“怎么退货”，系统得从海量文档里找相关步骤。这个从查文档到生成答案的流程，你怎么设计？关键组件和顺序是什么？层层追问你想给大模型外挂知识库，一般流程是怎样的？……那文档怎么切分成块？……检索完怎么把内容和用户问题拼起来喂给大模型？……如果检索结果不相关，有什么优化手段？直球架构讲一下 RAG 的完整实现方案，从离线索引构建到在线查询生成，包括文档切分、向量化、检索策略、重排序、以及提示拼接这几个环节，你是怎么设计和落地的？

#字节#RAG系统实现#RAG 实现

面试题·RAG

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…已经被新版本替换？当前用户又是否有权查看？如果 Chunk 里只有正文和向量，这些问题都无法可靠回答。于是，面试官会继续问： RAG 的 Chunk 除了正文，还应该保存哪些 metadata？这些字段分别解决什么问题？常见回答是列出一串字段：doc_id、page、title、created_at、prev_id、next_id。字段名背得再多，也不等于设计合理。真正需要回答的是：哪个字段参与搜索前过滤，哪个字段补足语义，哪个字段帮助取回上下文，哪个字段让用户回到原…

#RAG#切分与索引#RAG Metadata

面试题·Agent· 字节

Agent 架构的取舍与适用条件

匹配正文：…票"需比价、查规则、下单）需多工具组合（搜索+计算+API调用）可接受2-5秒延迟不适合Agent：单轮问答、FAQ类（纯RAG或Prompt即可）延迟敏感（如实时客服首响<1s）容错率极低（医疗诊断等）字节实际案例参考：抖音电商客服中，简单退换货走固定Workflow，复杂纠纷升级Agent处理，兼顾效率与灵活性。学习建议建议先掌握大模型基础能力与RAG流程，再学习Agent的决策、规划、工具调用机制，结合实际案例对比端到端模型与Agent的优劣。

#字节#Agent#Agent 架构

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配正文：五大技术范式对比范式核心原理适用场景优缺点典型案例提示工程通过指令设计激活模型能力通用问答、格式转换零成本、易迭代；受模型能力上限约束客服话术生成上下文学习(ICL) 示例驱动，无需参数更新小样本分类、风格迁移灵活快速；受上下文长度限制工单分类、情感分析微调(SFT/PEFT) 领域数据适配模型参数垂直领域、稳定需求效果深度定制；数据/算力成本高滴滴司机调度策略模型 RAG 检索+生成，外挂知识库知识密集型、需可解释解决幻觉、实时更新；…

#滴滴#模型微调#Agent

面试题·Prompt· 百度

Agent系统架构怎么选？

匹配正文：…───────────┤ │ 能力层 │ 工具注册中心 │ │ (Tools) │ 记忆管理(短期/长期) │ │ │ 知识检索(RAG) │ ├─────────────────────────────────────┤ │ 执行层 │ 工具执行沙箱 │ │ (Execution)│ 结果校验与重试机制 │ └─────────────────────────────────────┘ 核心组件设计 1. 推理引擎：ReAct + Function Calling 双模态 …

#百度#评估与监控#Agent

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配正文：…lanning）作用：将目标拆解为可执行的子任务序列，选择策略（CoT、ToT、ReAct）重要性：复杂任务的"导航仪"。关键设计：动态重规划：环境变化时回溯调整分层规划：高层抽象策略 + 低层具体动作 3. 记忆（Memory）作用：存储上下文信息，分三类：工作记忆：当前对话/任务窗口短期记忆：会话级上下文（如RAG检索的片段）长期记忆：用户画像、历史经验（需向量库存储）重要性：支撑个性化和持续学习，避免"金鱼式"交互 4. 工具调用（Tool Use） …

#美团#评估与监控#Agent

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…ct优化、推理预算分配、自适应深度工具层面：工具选择策略、并行调用、结果缓存与容错系统层面：延迟优化、成本控制和可观测性架构设计优化模块化与分层架构将Agent拆分为规划层、执行层、记忆层、工具层，降低耦合采用多Agent协作：主Agent负责任务分解，子Agent并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推理范…

#百度#Agent#Agent 性能优化

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…nt 做调研的轨迹」去训练它。而这些轨迹,现实里没有现成的、得自己造,这就是「训练数据构造」。本章讲的就是:这条数据流水线该怎么设计。为什么要造数据:通用模型缺「Agent 本能」,要用优质轨迹训出来概念 1:种子数据 vs 轨迹数据数据构造分两层,先有「问题」,再有「做这些问题的完整过程」: 种子数据(seed):一批高质量的调研问题。比如「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」。它是整个数据的源头。轨迹数据(tra…

#Agent#Deep Research#项目实战

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：…收串题｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【意图识别作用】 RAG 系统中意图识别模块承担什么关键作用? 中等 → 【意图识别实现】 RAG 系统的意图识别模块是如何实现的? 中等 → 【Query 改写方法】 Query 改写技术有哪些常见的创新方法(同义扩展、语义重写等)? 中等 → 【意图 Prompt 模板】大模型意图识别任务里,如何设计有效的 prompt 模板? 中等 → 【大规模意图】需要…

#RAG#检索#项目实战