匹配口述回答：…做版本管理，新旧向量混在一起，检索质量会崩。所以上线前我会建立一个版本管理机制，每次模型更新，用同样的query集做回放测试，对比Recall@K和延迟，通过才切换。说到混合检索，其实还有个权衡：什么时候用稠密向量，什么时候用稀疏向量？比如订单号检索，稀疏向量或者关键词匹配更准；而意图理解，稠密向量更好。真正稳定的RAG系统，往往是稠密加稀疏再加[[重排]]，但重排会增加延迟，所以需要根据业务场景做取舍。所以整体上，我会把Embedding模型选型看成是工程和效果的平衡，…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：…，如果源文档噪声太大，后面所有环节都会打折扣。常见失败场景就是预处理没做好，导致检索结果一堆垃圾，用户直接弃用。上线后我会特别关注Recall@K和延迟的监控，定期做bad case分析。定位：RAG知识库搭建本质是质量与延迟的平衡预处理：格式解析与元数据，扫描件OCR的坑分块：固定长度与语义切分的适用边界，重叠窗口向量化与索引：Embedding选型、HNSW与IVF-PQ的取舍检索优化：混合检索与重排序，落地风险约4分钟知识库频繁更新时，如何平衡索引实时性与…

#美团#RAG 知识库搭建#文档预处理

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：…里有个前提：块太小语义不完整，块太大检索噪声高，Embedding会被稀释，所以上线前我会用一批典型query跑一遍，调块大小直到Recall@K稳定。再聊Embedding模型和[[向量数据库]]的选择。通用场景BGE-M3或者GTE-large够用，但如果是英文为主，OpenAI的text-embedding-3-large效果更好。垂直领域比如金融合同或者医疗文档，最好用领域数据微调一下，否则领域术语的语义抓不准。向量数据库这块，[[HNSW]]索引是首选，召回高查询…

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#RAG 知识库构建#文档预处理

面试题·文档处理· 京东

RAG 分块策略选型

匹配口述回答：…上下文，语义分块可能不准。我的前提是先确认Embedding模型的实际输入限制，再比较结构分块、固定长度和不同重叠窗口。上线后应把Recall@K与项目基线、证据完整率和成本一起看，不能套用统一阈值。所以我的取舍是：先按文档结构和查询类型提出固定长度、结构分块、语义分块与不同重叠窗口候选，再用评测结果决定。但不管哪种，都得匹配embedding模型和LLM窗口，留足生成余量。另外，如果文档更新频繁，比如政策每周变，分块策略还得考虑增量更新。我倾向用版本号标记每个块，检索时…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 百度

常用分块方法有哪些?

匹配口述回答：…的来说，我更倾向把分块看成一套可配置的管道，而不是一个固定的算法。先根据文档类型选主策略，再用重叠和重排兜底，最后用线上指标比如 Recall@K 去反推分块参数合不合理。定位：分块本质是平衡语义完整和检索粒度固定切分 vs 语义切分：场景边界业务案例：企业SOP文档的分块策略落地风险：块大小与重叠窗口的工程选择收尾：我的取舍和延伸可延伸点约4分钟分块策略和重排的配合，以及重排延迟的工程控制面试官可能会追问重排的具体实现、延迟优化，或者分块与重排的联合调参经验

#百度#文本分块策略#RAG chunking

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：…入模型和业务语言不匹配，比如金融术语通用模型没学好；三是阈值设置太严或太松，影响用户体验。上线前我会用一批真实query回放，对比Recall@K和延迟，通过才切换。所以，我更倾向把向量化看成一条流水线，每个环节都要根据业务场景做选择，没有银弹。本质是语义搜索的工程化落地嵌入模型选型要按场景分，通用和垂直不一样文本分块策略要兼顾语义完整和检索精度，重叠窗口是标配向量匹配优化从余弦相似度到ANN，线上常用HNSW加粗排落地风险：分块不合理、模型不匹配、阈值设置不当 …

#安克科技#RAG 向量化#Embedding 模型

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：…是维度压缩，如果向量维度太高，比如1024维，存储和检索压力大，我会用PCA降到256维，精度损失能接受但速度翻倍。当然压缩前要测Recall@K，确保不跌太多。质量保障是上线前的关键。离线我会算Top-K召回率和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…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…或者Embedding模型没选对，比如用通用Embedding去处理法律合同，效果就很差。我会先用一批典型query做离线评估，看Recall@K，不达标就调分块策略或换Embedding模型。幻觉多半是检索到的材料不相关或冲突，模型强行编答案。我的做法是加一个置信度阈值，如果Rerank后最高分都低于阈值，就返回“我无法回答”，而不是硬答。还有一个方向是[[Agentic RAG]]，就是让模型不只是查一次，而是根据问题自主决定查哪个库、要不要多步推理，比如用户问“为什…

#美团#评估与监控#RAG 工作原理

面试题·评估· 快手

LangChain 关键组件与流程?

匹配口述回答：…一般用混合策略：短期用Buffer，长期用Summary，并且定期清理。上线前我会特别关注召回质量，用一组测试query跑一遍，看Recall@K和延迟，不达标就调[[Chunk]]大小或[[重排序]]策略。另外，Agent的决策稳定性是个大问题。有时候同一个问题，Agent两次走的路径不一样，导致答案不一致。我倾向于用 [[Self-RAG]] 让模型自己学会反思，或者加一个[[验证链]]，对Agent的输出做二次校验。所以，LangChain我更倾向看成快速验证想法的…

#快手#评估与监控#Agent

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配口述回答：…，直接原地动图索引会导致召回率下降。我的做法是增量更新走软删除加异步重建，用双缓冲影子索引，构建完用固定 query 集回放对比 Recall@K 和延迟，达标才原子切换，不达标回滚。上线后还要监控内存和查询 P99，防止 OOM 或者慢查询打满。所以我的选型思路是：先明确业务对延迟和规模的容忍度，再挑索引类型，然后看扩展性和生态集成。没有万能方案，我更倾向先用成熟的开源方案比如 Milvus 快速跑通，等规模真到了瓶颈再针对性优化，而不是一开始就自研。另外，选型时还要考…

#京东#评估与监控#向量数据库选型

面试题·评估· 字节

知识库更新策略怎么选?

匹配口述回答：…更类型分类处理，低频重要数据用全量加双写事务，高频海量数据用增量加异步对账。每轮更新上线前，必须用固定 query 集回放，对比 Recall@K 和延迟，通过才原子切换，不通过就回滚。点本质：知识库更新不是单纯的数据同步，是实时性、一致性和检索质量的三方博弈边界划分：全量重建适合低频稳定场景，增量更新适合高频变动，实际常混用核心方案：CDC捕获变更、消息队列异步消费、双索引切换保证一致性工程风险：删除不能直接动图索引、版本过滤不能漏、校验不能少收尾取舍：我更倾向按…

#字节#评估与监控#RAG 知识库更新

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配口述回答：…数据库的图索引结构，原地删除非常危险，召回质量会崩。我会用软删除加异步重建，查询时用双缓冲影子索引，构建完用固定query回放对比Recall@K，通过才原子切换。最后说落地风险。前提是Embedding模型得能捕捉意图，否则检索结果就是垃圾。常见失败场景是用户说‘还是上次那个’，模型没把‘上次’和具体记忆关联起来，导致召回失败。上线我会特别关注记忆是否可用，就是检索结果在Prompt里能不能真正帮上忙；是否可控，支持显式删除修改，符合合规要求；是否可解释，检索时返回时间戳…

#高德#Agent#向量检索

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…动图索引，否则召回质量会崩。我倾向软删除加后台异步重建，用base加delta双索引，查询时合并。上线前用固定query回放，对比Recall@K和延迟，通过才原子切换。所以整体看，我更倾向把知识库构建看成一个持续优化的检索系统，而不是一次性的数据导入。每个环节都要有反馈闭环，比如监控检索点击率，自动标记低质量片段，甚至用用户反馈迭代Embedding模型。这样知识库才能真正用起来，而不是变成一个没人用的数据垃圾场。知识库构建本质是检索质量工程数据清洗的坑与语义切分 E…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配口述回答：…大号。另外，很多团队忽略数据漂移。业务政策每季度更新，旧向量对新query可能不匹配。我倾向于定期用线上真实query回测，如果Recall@K掉到阈值以下，就触发增量微调。但微调不是万能药，它需要标注数据，成本不低。所以我的判断是：没有银弹。我更倾向走混合路线，开源模型做主体，关键词检索做补充，再根据业务反馈迭代微调。面试官如果感兴趣，我可以展开聊聊微调时怎么构造对比学习样本，或者怎么评估向量质量。一句话定位：选型本质是平衡语言、成本、上下文边界划分：开源 vs 闭…

#百度#文本嵌入模型#Embedding 模型对比

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配口述回答：…不同义、指代消解失败。其次，社区划分的粒度要是没调好，全局摘要要么太笼统要么太碎片。上线前我会拿一批历史 query 做回放，看 Recall@K 和响应时间，确保社区划分和实体链接的精度在可接受范围内。说到社区划分，其实有个延伸点：社区粒度怎么影响全局摘要的概括性和精确性？比如电商场景，一个大的社区可能覆盖「退款全流程」，但用户只问「退款超时」，这时候社区摘要就太宽泛了；反过来，社区分得太细，用户问「所有退款相关规则」，又得拼凑多个社区。这个平衡怎么做，我一般从数据分布和…

#百度#知识图谱#GraphRAG 精准召回

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配口述回答：…答案。这里有个坑：如果图片编码器和文本编码器没有对齐好，检索到的可能是完全不相关的商品，答案就会瞎编。所以上线前我会特别关注检索的Recall@K和跨模态对齐的余弦相似度分布。落地风险方面，模态对齐质量直接决定检索精度，而延迟和成本会随模态数倍增。比如同时处理图像、表格和文字，编码和存储开销都翻倍。常见失败场景是文档里的图表被当作普通图片编码，丢掉了坐标和数值信息，导致问答时答非所问。所以我会把图表单独走OCR加结构化解析，而不是统一用视觉编码器。最后提一个有意思的方向，…

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：…能翻倍，而且如果图片质量差、分辨率低，编码器可能提取不到有效特征，召回率反而下降。所以上线前我会用一批典型的query去回放，对比Recall@K，确保延迟和准确率都能接受。另外，真正多模态还有一个容易被忽略的问题：多模态Embedding的存储和检索成本。CLIP这种模型的向量维度通常是512或768，但一些更大的模型可能到1024以上，这对[[HNSW]]索引的内存消耗压力很大。我最近在关注用[[Product Quantization]]做量化压缩，能在召回率损失1%…

#淘天#多模态#伪多模态RAG

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配口述回答：…，或者向量数据库索引参数没调好，可能召回不相关的内容，反而误导Agent。所以上线前我会用一批标注好的query做召回率测试，确保Recall@K达标。另外，我最近也在思考，如果Agent需要同时处理多个独立子任务，比如客服既要查订单又要查物流，那用单Agent串行效率太低了。可能得引入多Agent协作，每个Agent负责一个领域，再有个协调Agent调度。不过这样通信成本和一致性控制会更复杂，这块我还在摸索。总的来说，我会把Agent看成是LLM能力的延伸，核心是让模型…

#百度#Agent#AI Agent 设计

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：…前我会特别关注两个风险：一是改写引入的[[幻觉]]，二是混合检索的融合权重不合理导致召回偏科。我会用一批历史query做回放，对比Recall@K和最终回答质量，调好再上线。这里有个延伸点：最近[[GraphRAG]]在检索阶段引入[[知识图谱]]做实体关系扩展，能处理多跳推理问题，但构建和维护图谱成本很高。我其实很好奇，在什么业务场景下，GraphRAG的收益能覆盖它的成本？所以我的核心观点是：检索质量不是堆方法，而是理解业务场景后做精准的取舍。本质是让检索更精准地命…

#字节#HyDE#RAG 检索质量

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配口述回答：…系，把最相关的客服话术排到前面。但要注意，如果召回的 top-K 里没有正确答案，精排再强也没用。所以上线我会特别关注召回阶段的 Recall@K，如果 K 不够大，精排就是空转。最后说落地风险和前提。混合检索是常态，但混合不是简单拼凑，要处理分数归一化、延迟叠加、一致性等问题。比如 BM25 和向量分数怎么合并？我倾向用加权求和或级联，先向量粗筛再用 BM25 精调。另一个风险是索引更新延迟：知识库文档有新增或修改，向量索引不能实时更新，如果用户刚上传了新政策，但索引还…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…够不够。常见失败场景是，你花很多精力优化生成，但最后发现检索出来就是错的，那大模型再聪明也白搭。所以上线前，我会特别关注检索阶段的Recall@K，用一批历史问题打标，低于90%就不上。生成阶段也有挑战。比如多文档拼起来太长，超过模型上下文窗口，得压缩或者选最重要的片段。还有就是噪声干扰，检索到相关但误导性的内容，模型可能被带偏。比如用户问“满减能用优惠券吗”，你检索到“满减和优惠券不能叠加”，但模型如果没理解透，可能直接说“能用”。所以我会在提示词里加一句：如果检索内容冲…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG检索质量提升5法

匹配口述回答：…做逐步消融，回放包含长尾实体、否定条件、权限过滤和无答案请求的样本，并核对最终引用是否仍指向原始证据。最后用黄金证据集分别报告 Recall@K、nDCG、引用正确率、忠实度、端到端成功率、延迟和成本。每种组合都要以同一数据集上的质量、延迟和成本增益决定是否采用。一句话定位：RAG检索优化本质是让模型找到更准的上下文检索前：查询改写和HyDE，解决用户问得模糊的问题检索中：混合检索加重排序，兼顾召回率和精度检索后：上下文压缩和动态分块，减少噪声选型判断：先上混合检…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配口述回答：…融合的权重怎么调，如果向量权重太高，关键词匹配的精准片段可能排不上去；反过来又可能丢了语义。我一般会先离线跑一批query，根据 Recall@K 和 Precision@K 调参，或者用 SPLADE 这种可学习的稀疏检索自动学权重。检索完之后，最关键的一步是[[重排序]]。因为初召回的Top-K里可能有噪声，比如语义相似但上下文不对。我会用 [[Cross-Encoder]] 做精排，比如 bge-reranker，它能看query和文档的完整交互，比向量余弦相似度准很…

#字节#混合检索#RAG 检索优化

面试题·检索· 字节

RAG 重排序怎么选?

匹配口述回答：…且很多噪声文档根本没必要排。如果取太小，比如 10，又可能漏掉好文档。我一般取 100 到 200 作为起点，然后根据实际召回的 Recall@K 曲线调整。另外，级联过滤是个很实用的策略：先轻量模型过滤掉明显不相关的，再重量级模型精排，这样能在成本和精度之间找到平衡。所以回到问题，我会把重排看成 RAG 从“可用”到“好用”的关键一步。具体落地时，我倾向于至少部署一个轻量 Cross-Encoder，高价值场景再叠加 LLM 重排。但前提是你要评估好延迟和成本，否则重排本…

#字节#重排与优化#RAG Re-ranking