匹配口述回答：…名词。多图和高分辨率场景会进一步考验桥接模块。固定数量query可能压缩过度，直接保留大量patch又会占用语言上下文。可以通过分块、动态分辨率或区域选择控制带宽，但每种设计都要检查小目标、OCR和跨图关系。若视觉编码器也参与微调，训练显存、灾难性遗忘和视觉特征漂移都要重新评估，不能沿用冻结配置的结论。先拆视觉编码器桥接和LLM 讲LLaVA两阶段训练范围说明BLIP-2的Q-Former 说明Flamingo的Resampler与cross-attention 比较…

#视觉编码器#投影层/连接器#多模态对齐

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…此生成回答。如果只靠微调，你每改一次政策就得重训一次，根本不现实。但RAG落地也有不少坑。前提是你的知识库质量得高。如果文档[[分块]]不合理，检索出来的片段牛头不对马嘴，模型再聪明也没用。常见失败场景是，用户问一个很具体的问题，比如“订单号12345的状态”，但你分块时把整个订单详情页当成一个大块，检索出来一堆无关信息，模型就糊涂了。所以我会特别关注Chunk策略，比如用语义切分而不是固定字数，或者用[[Parent Document]]保留上下文层级。另外，检索本身也不…

#科大讯飞#阿里#RAG 架构

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配追问：…ent记忆和普通知识库检索有什么本质不同？……那如果要支持动态更新和时序感知，你一般怎么存和查？……具体到embedding模型、分块粒度、索引和检索策略，你会怎么设计来提升记忆的有效性？直球架构请设计一个AI Agent的记忆模块，核心用向量数据库。说明embedding模型是否微调、chunk怎么切、索引选什么结构，以及检索时如何结合相似度、时间衰减和重排序来提升记忆召回效果。

← 上一页第 6 / 6 页

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#高德#Agent#向量检索

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…上下文压缩，把检索回来的长文本摘要成关键信息，避免把噪声带进生成。这里有一个关键点：不是所有场景都需要重排。如果知识库质量高、[[分块]]合理，直接用 [[BM25]] 加向量检索的混合就够用了；只有噪声多、需要精确排序的场景，比如企业合规文档，才需要加重排。我实际落地企业知识库时，最关注的是检索后的上下文压缩，因为LLM对输入长度敏感，压缩能直接提升生成的准确率和速度。但这里有个坑：压缩本身也会丢失信息，所以需要设计好压缩策略，比如只保留跟问题最相关的段落。再后来就是[[…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 字节

RAG检索质量提升5法

匹配口述回答：…安全线，要由 Recall、nDCG、吞吐和延迟预算确定。检索后要做权限与元数据过滤、去重、证据片段抽取、上下文压缩和引用保留。分块大小与压缩策略依文档结构、查询类型和模型窗口决定，不能为不同查询类型指定通用固定块长。压缩还可能丢掉限定条件，需要单独测证据保留率。复杂多跳任务可以在当前证据不足时生成新查询迭代检索；简单请求则应跳过昂贵步骤。路由条件、最大轮数、停止规则和降级路径都要显式配置。上线前要特别防止优化链路彼此叠加后只在离线指标变好，却让端到端答案退化。我会做逐…

#字节#重排与优化#RAG 检索质量提升

面试题·检索· 字节

RAG检索方法如何优化？

匹配口述回答：…效策略，比如文档更新后要清掉相关缓存，否则用户拿到的是旧数据。这里有个延伸点：很多时候检索效果不好，不是方法选错了，而是文档[[分块]]粒度没调好。比如一份采购合同，如果整块嵌入，用户问“违约金比例”，向量可能被合同主旨带偏；但如果切太碎，又会丢失上下文。我一般先用固定大小分块，再通过Badcase分析看是召回不足还是重排不准，决定要不要切更细或者加父子文档结构。所以总的来说，我会把混合检索当成基线方案先跑通，再根据业务反馈迭代。我更倾向在工程上先保证检索的召回率，再通过…

#字节#RAG检索选型#RAG 检索方法