匹配正文：答案要点区分结构化数据与向量数据的存储场景和查询模式阐述混合检索架构的设计（向量+关键词+结构化过滤）说明数据同步与一致性保障机制讨论选型考量因素（规模、延迟、成本、团队能力）给出具体的集成方案（如PostgreSQL+pgvector或分离架构）核心设计原则 RAG知识库不是"二选一"，而是分层存储 + 混合检索。向量负责语义匹配，结构化负责精确过滤，两者互补。存储层设计数据类型存储方案典型场景向量Embedding 专用向量库（Milvus/Pine…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：…看数据规模和延迟要求 RAG中的关键作用作为召回环节，解决"找什么"的问题。检索质量直接决定生成上限，常见优化：query改写、混合检索（向量+关键词）、重排序（Rerank）。

#美团#Embedding检索#Embedding 相似性检索

面试题·项目与经历· 美团

项目难题怎么定位与解决?

匹配口述回答：…理或建立拒答；若切分破坏语义，比较块大小、重叠和结构化切分；若过滤条件错，修元数据与权限；若候选有答案但排序靠后，才评估查询改写、混合检索、难负样本和重排器；若证据正确而回答错误，则查冲突证据、提示约束、模型能力和引用校验。推动落地时把方案拆成最小实验，每次只改一个关键变量，沿用同一测试集并补线上小流量灰度。上线条件写成指标阈值，回滚条件包含正确率下降、拒答异常、时延或成本越界。协作部分说明如何让产品确认错误定义、让数据同学复核样本、让平台同学接入追踪，但只描述真实发生过的…

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

#问题定位#工程实践#跨团队协作

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配口述回答：…与适用场景检索优化：混合索引与分层检索的工程落地风险与取舍：存储成本、实时性、个性化之间的权衡收尾：我更倾向先做物理分片再加混合检索约4分钟写操作先更新工作记忆再异步刷盘，宕机时通过写前日志和版本号保证一致性面试官可能会追问异步刷盘的具体一致性方案，比如 CAP 权衡、写前日志细节

#字节#蚂蚁#Agent

面试题·Agent· 高德

Agent记忆分层：摘要与检索协同

匹配口述回答：…[Agent]]既记得住又反应快。核心矛盾就是大模型窗口有限，推理成本也高，所以不能一股脑全塞进去。我的思路是用**分层记忆加[[混合检索]]**来解耦合。先说记忆分层。我分成三层：工作记忆、短期记忆和长期记忆。工作记忆就是最近几十轮对话，直接塞进prompt，保证即时连贯性。但满了就得下沉，触发条件可以是token数超阈值或者轮数到上限。下沉到短期记忆，这里我会做两件事：一是增量摘要，每K轮用轻量模型总结发生了什么和用户意图变化；二是提取关键事件，比如决策点、用户确认、任…

#高德#Agent#Agent 记忆管理

面试题·Agent· 蚂蚁

Agent 系统哪个模块最不稳定?

匹配口述回答：…Embedding]]可能把“退款政策”和“退货流程”混为一谈。而且早期的一个错误记忆会被反复检索强化，就像滚雪球。我的做法是[[混合检索]]，把关键词和向量两条路结合起来，再加置信度过滤，分太低的直接丢掉。说白了，向量检索的语义近似性不等于业务精确性，所以我会把记忆的有效期和置信度机制看成标配。最后，这些单模块故障会通过重试机制级联放大。比如规划错误导致无效工具调用，工具报错，模型把错误信息当成新上下文，然后生成更离谱的规划，这就是级联失效。所以我的建议是模块间加熔断和降…

#蚂蚁#Agent#Agent 稳定性

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配口述回答：…可用。针对这些痛点，优化方向其实挺明确的。检索噪声可以用[[重排]]或者多路召回融合来解决，比如先用[[BM25]]和向量做[[混合检索]]，再让一个更精细的排序模型过滤一遍。上下文冗余可以做上下文压缩，或者用摘要增强，把多个chunk的关键信息提炼成一个精炼版本。知识更新延迟就得靠实时索引管道，或者干脆让模型直接调用API获取动态数据。不过说实话，这些优化都是打补丁。真正要想从根本上解决问题，得跳出'检索-拼接-生成'这个线性范式。比如现在比较热的 [[Agentic …

#淘天#Agent#RAG 痛点

面试题·Agent· 字节

工具集设计最佳实践?

匹配口述回答：…：高并发场景下的工具检索约4分钟工具数量过多时需引入工具检索机制面试官可能追问工具检索的具体实现，比如用关键词还是向量，或者混合检索的权衡

#字节#Agent#Agent 工具集设计

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配口述回答：…用固定query回放校验Recall@K和延迟，达标才原子切换。删除千万别原地动图索引，否则召回质量会崩。另外，我最近在关注[[混合检索]]，比如把向量和BM25结合，在RAG里能显著提升召回率。但混合检索的权重怎么调、什么时候用关键词什么时候用向量，这是个值得深挖的点。所以整体上，我更倾向把向量化加索引看成一条完整的pipeline，而不是割裂的两步。从分块到嵌入到索引到检索，每一步的决策都依赖场景和数据特征，没有银弹。本质是让知识库能被机器理解并快速找到分块与嵌入…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…。上线前会用固定 query 回放，对比 Recall@K 和延迟，通过才原子切换，不通过就回滚。还有一个方向值得深入，就是[[混合检索]]。单纯用向量检索，遇到订单号、错误码这种精确匹配场景召回很差，因为 Embedding 对精确 token 不敏感。我会结合 [[BM25]] 做[[稀疏检索]]，然后用 Hybrid Search 融合分数，或者用 ColBERT 的 late interaction 做二阶段精排。这其实引出一个问题：稠密和稀疏向量怎么融合、权重怎么…

#字节#文档处理#RAG 数据处理流程

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：…度提升也很明显。这里有个边界：如果文档本身是结构化或者关键词密集的，比如订单号、错误码，那向量搜索不一定比[[BM25]]好，[[混合检索]]才是正解。然后说文本[[分块]]策略，这是最容易被低估的坑。固定长度分块最简单，但具体token数要作为候选变量；它经常把一句话或者一个逻辑段切两半，导致检索时上下文不完整。递归分块会好一些，先按段落切，超长了再细分，尽量保持语义边界。还有语义分块，用模型判断边界，精度最高但计算成本也高。我的做法是：先比较递归分块、结构分块以及零重叠…

#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：…，语义切分适合新闻、报告；稠密向量适合语义匹配，稀疏向量比如[[BM25]]适合关键词精确匹配，真正落地常常两者混合。我倾向用[[混合检索]]，把两条路的结果合并再[[重排]]，这样既能抓住语义也能兜底精确匹配。如果面试官追问，我会补充一点：RAG的向量化质量最终要靠端到端评测，不是单看召回率。我常用[[RAGAS]]框架，从[[Faithfulness]]、[[Context Precision]]等维度评估生成质量，再反推索引和检索的瓶颈。这样能避免“召回好但生成差”的…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：…[[Faithfulness]] 和 [[Context Recall]]，确保模型没有忽略检索到的证据。说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：…和召回。当然最终要看业务指标，比如客服场景下的用户满意度或问题解决率。优化策略这块，我习惯按三个方向展开。检索侧，最见效的是[[混合检索]]，把[[BM25]]和[[Embedding]]结合起来，能覆盖关键词和语义两种场景。比如企业合规文档里，员工查“报销流程”可能用模糊描述，但查“SOP-2024-01”这种编号就必须靠关键词，所以两条路都得有。再一个就是[[分块]]策略，按语义切分比固定窗口好，但遇到表格或代码块，就得保留结构完整性。另外[[重排]]也很关键，用[[C…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配口述回答：…，长文档超出窗口，关键信息被截断，导致断章取义。所以落地时我特别关注检索质量，会把RAG看成一种系统而非单一模型。我会优先做[[混合检索]]，关键词加向量双路召回，再配合[[重排]]提高精度。同时，如果场景对时效性要求高，比如客服政策经常变，我会搭配微调，让模型记住高频更新的知识，RAG负责低频冷门知识。另外生成后验证也很重要，用事实核查模型或者人工抽检，形成完整防线。总的来说，我更倾向把RAG定位成幻觉的缓解手段而不是根治方案。上线前我会重点监控召回率和精确率，上线后持…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…合知识频繁更新或需要高可信度的场景。但它的天花板在于检索质量，如果知识库本身混乱或检索策略粗糙，效果反而比纯模型更差。我更倾向先用混合检索加Rerank打好基础，再根据业务需求决定是否引入[[Agent]]或微调。一句话定位：RAG本质是给LLM开卷考减少幻觉：显式证据约束生成事实准确：可追溯+多源交叉上下文相关：动态适配+长尾覆盖落地风险与工程取舍约4分钟 RAG处理多跳推理吃力，可考虑Agentic RAG或ReAct框架让模型自主规划检索步骤。面试官可能会…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…，做精准匹配，比如药品名、法条编号这种不能靠语义。这俩互补，向量管模糊搜索，关键词管精确查找。真正落地时，我很少只用一种，都是[[混合检索]]。另外，如果领域知识结构性强，我会搭一个 [[Knowledge Graph]]，抽取实体关系，比如疾病和症状、药品和禁忌，这样检索时能通过图谱邻居扩展，找到间接相关的片段。检索策略，我走多路召回加精排再加[[重排]]。召回层同时跑向量、关键词和图谱邻居，各取 Top-K，合并去重。然后精排用 [[Cross-Encoder]] 打分…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…elf-RAG]]让模型学会反思。所以真正落地的时候，我倾向于把RAG当成基础设施，但不会只依赖它。比如检索环节，我会做**[[混合检索]]**，把[[BM25]]关键词和向量检索结合起来，避免因为语义偏差漏掉关键文档。生成环节，我会加[[Rerank]]和[[Self-Refine]]，先让模型基于检索内容生成，再自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种…

#京东#知识型幻觉#RAG 幻觉

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：…会选 Milvus 或 Zilliz，用 HNSW 索引，纯内存跑。但光向量不够，商品还有品牌、价格、库存这些标量属性，需要做[[混合检索]]，也就是向量相似度加标量过滤。这就要求数据库支持标量过滤下推到存储层，而不是先全量向量检索再过滤，否则延迟扛不住。这里有个风险点：索引构建和更新。HNSW 构建很吃内存，如果数据频繁更新，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…

#京东#评估与监控#向量数据库选型

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…才是治本。总的来说，我会把这个问题看成是“语义空间和业务空间的对齐问题”，而不仅仅是一个检索召回的问题。落地时，我会优先用重排加混合检索快速止血，同时推动数据侧积累标注，做模型微调。这样既快又稳。问题本质：embedding语义相似和业务相关错位查询侧优化：query改写和HyDE 检索侧优化：混合检索加重排，负样本硬挖掘数据侧根治：微调embedding模型落地取舍：优先重排，数据侧是根本约4分钟当检索结果碎片化时，即使语义相关也可能因信息不完整而无法回答，需…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…。还有个噪声敏感问题，检索到无关内容会干扰生成，这就是所谓的"迷失在中间"效应。所以真正落地的时候，我会做几个工程取舍。先说[[混合检索]]，不只用向量，还结合[[BM25]]这类关键词匹配，让两种方法互补。再一个是加[[重排]]，召回Top-K之后用更精细的模型比如[[Cross-Encoder]]重新打分，把真正相关的顶上来。还有就是置信度过滤，分太低的直接扔掉，宁可少给信息也别给错的。还有一个常被问到的问题是RAG和微调的边界。我的看法是，RAG适合知识更新快、需要…

#百度#评估与监控#RAG 架构

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…态知识 RAG vs SFT边界：知识更新 vs 风格固化具体场景：金融政策、客服退款、企业合规落地风险：检索质量决定上限，需混合检索+重排收尾：RAG打底+SFT优化，非互斥约4分钟知识库频繁更新时，Vector Database的增量索引和一致性如何保证？面试官会追问双索引方案的具体实现、检索精度下降的应对、一致性校验方法。

#美团#模型微调#RAG vs SFT

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…名词，而是能不能从一个错误出发，建立可复现的定位、实验和上线闭环。一句话定位：RAG优化本质是检索质量和生成质量的平衡检索器：混合检索和重排的适用边界生成器：上下文压缩和引用生成的实际效果整体架构：迭代检索的取舍落地风险与收尾约4分钟检索和生成的联合训练，比如Self-RAG，让模型自己学会反思和修正，而不是靠外部规则。面试官可能会追问Self-RAG的具体实现，比如反思机制怎么设计，或者跟Agentic RAG的对比。

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配口述回答：…环，后面生成交给大模型就行。一句话定位：把RAG看作给大模型开卷考试核心流程和关键取舍：索引、检索、生成的工程细节最佳实践：混合检索、重排序、Query改写落地风险：检索失效、知识冲突、时效性进阶方向和我的判断：Agentic RAG和GraphRAG 约4分钟 Agentic RAG是进化方向，但Agent决策可靠性是关键前提面试官可能会追问Agentic RAG的实现细节、如何避免死循环、以及和GraphRAG的对比

#字节#RAG 最佳实践#RAG 技术原理