匹配正文：…T的开发商"）在图中归一关系类型自带语义：区分"创始人"vs"投资人"vs"竞争对手"，向量相似度无法区分 2. 多跳推理召回向量检索是单点匹配，GraphRAG支持路径遍历示例：问"与某投资人相关的AI公司" → 从"投资人"节点出发，沿"投资"边扩散，召回未被直接提及的关联实体传统RAG需靠运气命中，GraphRAG通过图遍历确定性扩展上下文 3. 全局结构感知社区发现算法（如Leiden）识别密集子图，生成高层语义摘要回答"这家公司的行业地位"类问题时，社区…

#百度#知识图谱#评估与监控

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配正文：…图查询（如Cypher或子图模式）支持多跳遍历：从种子实体扩展至关联社区动态剪枝策略，平衡召回率与相关性 3. 混合检索机制向量检索：基于embedding的语义相似度图结构检索：基于拓扑结构的关联性打分两者融合排序，避免纯向量检索的语义漂移 4. 全局-局部联合召回全局层：社区摘要回答宏观问题（"这家公司整体如何"）局部层：具体实体关系回答细节问题根据查询意图自动选择召回层级 5. 迭代式查询扩展首轮召回结果反馈，动态扩展查询子图处理复杂多条件查询时的组…

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

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：…-[疾病Z]），满足合规审计需求。全局语义聚合微软GraphRAG的"社区摘要"机制：先聚类图社区生成摘要，再回答全局问题，避免向量检索的局部碎片化。适用条件数据侧：已有结构化知识或可从非结构化文本抽取实体关系（NER+RE pipeline成熟）查询侧：问题涉及"为什么""如何关联"而非单纯"是什么" 成本侧：可接受图谱构建的一次性成本（实体对齐、关系消歧），换取查询时的精准度工程参考：微软开源GraphRAG（2024），采用"索引时构建社区摘要+查询时多层级检…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配正文：…新文档 → 实时抽取 → 内存缓冲 → 异步批量写入冷数据通路：定期全量校验 + 社区结构优化查询降级：索引更新期间，回退到纯向量检索避坑：避免每次更新都重建全局社区结构，采用增量Louvain或动态图嵌入算法控制计算量。学习建议建议系统学习该知识点

#淘天#GraphRAG 增量更新#动态知识图谱

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（离线）实体抽取：用LLM从文档中提取实体（人、组织、事件等）和关系图建模：构建 (实体)-[关系]-(实体) 的知识图谱社区发现：用Leiden等算法检测图中的紧密社区分层摘要：对每个社区生成多粒度摘要（从局部到全局） 2. 检索阶段（在线）全局查询：先匹配相关社区摘要，快速定位大范围局部展开：在目标社区内…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…决连接性查询：需要综合多文档信息才能回答的问题支持抽象概括：从具体事实归纳高层主题、趋势减少语义漂移：图结构约束检索范围，避免向量检索的无关内容典型场景大规模文档分析（如企业知识库、研究报告库）需要全局洞察的决策支持（竞品分析、技术趋势研判）多跳推理需求（"A公司的技术如何影响了B行业"）实现要点 # 核心流程示意 # 1. 索引：文档 → 图谱 → 社区 → 摘要 docs → entity_extraction(kg) → community_detecti…

#字节#知识图谱#GraphRAG 原理

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配正文：…aphRAG的优势场景：如"总结整个数据集的主题"这类需要聚合推理的问题 GraphRAG 核心思想传统RAG把文档切成文本块做向量检索，本质是**"找相似片段"；GraphRAG则是先构建知识图谱**，把非结构化文本转化为结构化的"实体-关系-实体"网络，实现基于图结构的推理检索。工作流程（微软开源方案）阶段关键操作 1. 索引构建用LLM从文本中抽取实体（人/组织/概念）和关系，生成图结构 2. 社区检测用Leiden等算法对图做聚类，发现紧密关联的实体社区 …

#淘天#知识图谱#GraphRAG 原理

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：…unction格式）执行沙箱：超时控制、并发限制、结果缓存记忆层（Memory）短期：对话窗口、KV Cache复用长期：向量检索 + 结构化知识库 + 用户画像二、Prompt设计方法论：三层递进 1. 元指令层（Meta-Prompt）角色定义 + 能力边界 + 安全约束明确"能做什么、不能做什么"，设置拒绝话术模板 2. 推理范式层（Reasoning Pattern） ReAct格式：Thought → Action → Observation 循环结…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配正文：…oT/ReAct/Tree of Thoughts）行动：工具调用、代码执行、外部API交互记忆：短期上下文 + 长期知识库（向量检索）主流架构模式模式特点代表 ReAct 推理与行动交替，实时修正大多数开源Agent Plan-and-Execute 先全局规划再执行复杂多步骤任务 Multi-Agent 多角色协作分工 AutoGPT、MetaGPT 优势与局限性当前优势能力边界扩展：通过工具调用突破LLM知识截止和计算限制任务泛化：同一框架适配不同…

#字节#评估与监控#Agent

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…Action → Observation，多轮交互获取精确信息多工具编排：搜索引擎+计算器+代码解释器，按场景路由知识库构建向量检索（Dense）+ 关键词匹配（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepS…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…l或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生成内容有检索文档支撑，可溯源验证知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医…

#淘天#阿里#RAG 架构

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…热切换 ~1h 强一致（版本控制）低频高危（定价策略）人工审核+灰度发布天级强一致落地挑战与应对延迟与效果权衡问题：向量检索+LLM生成链路过长（>500ms）解法：检索结果缓存（LRU+语义去重）；预计算热门查询的RAG结果；异步预填充一致性保障向量库与实时库的数据对齐：统一事件时间戳，检索时带valid_time过滤模型幻觉vs知识冲突：显式标注知识来源，冲突时优先级排序（实时库 > 向量库 > 模型参数）效果评估闭环离线：分布漂移前后的KL散度…

#美团#分布漂移#外接数据库增强

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…多轮追问/转人工核心指标：事实准确率>95%、引用完整率>90%、平均响应<2s 学习建议建议先掌握RAG基础流程，再深入学习向量检索、领域数据清洗、提示工程和合规要求，结合真实案例进行系统设计练习。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_score，或RRF倒数排序融合 2. 重排序（Re-ranking）原理：用Cross-encoder等交互式模型对初筛结果精细打分。双塔模型（Bi-encoder）分离编码查询和文档，精度受限；Cross…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…K相关片段生成模块：基座模型 + 领域Prompt + 引用约束应用层：对话管理、权限控制、审核反馈检索模块设计多路召回向量检索：Dense Embedding（领域微调，如E5-Mistral-medical）关键词检索：BM25 + 领域同义词词典（如ICD-10编码映射）结构化检索：SQL/图查询针对法条层级、药品属性精排与过滤 Cross-Encoder重排序时效性过滤（法律：优先现行有效；医疗：优先近3年指南）权威性分级（法规 > 专家共识 > …

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配正文：…er替代Bi-Encoder做精排，过滤低相关性文档上下文压缩：用LLM或专用模型对长文档摘要，减少噪声信息占比多路召回融合：向量检索 + 关键词检索 + 图谱召回，取交集或加权融合降低单路噪声动态阈值：根据查询难度自适应调整top-k数量，难查询多召回、易查询严过滤二、生成阶段：增强鲁棒性置信度引导生成：让模型输出引用来源并给出相关性评分，低置信度时主动降权或拒绝回答反事实训练（Counterfactual Training）：SFT阶段注入噪声文档，训练模型学…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹配：跨越词汇鸿沟稠密向量检索（Dense Retrieval）查询和文档分别编码为向量，用 ANN（近似最近邻）快速检索代表：DPR、Contriever，采用双塔架构——编码器分离，可离线建索引，毫秒级响应三、深度学习精排：BERT 及其变体交互式架构（Cross-Encoder）拼接 [CLS] Query [SEP] Doc [SEP] 输入 BE…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配正文：…4-01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动标注（"根据…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…PT-4、文心等生成最终回答引用溯源：输出参考文档编号，增强可信度标准工作流程用户Query → Query理解/改写 → 向量检索（Top-K）→ 重排序 → 上下文组装 → LLM生成 → 后处理（溯源/拒答）核心优势维度说明时效性知识库实时更新，无需重新训练可解释性答案可溯源到具体文档成本比全量SFT低几个数量级领域适配快速接入私有/专业文档关键挑战检索精度：语义Gap导致"找不准"，需迭代优化Embedding和切分策略上下文窗口：多…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = sc…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…：错误案例回流，持续微调Embedding和Reranker 学习建议建议先掌握RAG基础流程，再结合垂直领域特点学习文档分块、向量检索、重排序模型和提示工程，多参考医疗/法律类RAG实战案例。

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量库规模大、索引结构低效、网络IO 优化方案：索引层： HNSW换IVF-PQ（牺牲1-…

#百度#重排与优化#RAG 系统瓶颈

GraphRAG 架构原理与优势

GraphRAG 为何召回更精准?

GraphRAG 精准召回三大依赖

GraphRAG适用场景 vs 传统RAG 有哪些?

GraphRAG 如何保证时效性与一致性？

GraphRAG 怎么提升检索质量?

GraphRAG 原理与实现方法

GraphRAG 工作原理是什么?

Agent系统Prompt设计：架构与机制

AI Agent 核心特点与局限

对话模型准确性怎么提?

RAG 核心架构与工作流程

分布漂移下外接数据库怎么增强模型?

垂直领域 RAG 完整架构

RAG 检索模块怎么提升相关性?

医疗法律RAG架构怎么搭？

RAG 检索噪声怎么处理?

查询文档相关性怎么算?

RAG 模型分类有哪些?

时间窗口对话系统：约束与取舍

RAG 技术原理与核心组件详解

医疗法律 RAG 架构关键环节

专业领域RAG链路优化陷阱

RAG 瓶颈在哪一步