匹配正文：…索结果作为上下文，与问题一起输入LLM，生成最终回答核心优势对比维度纯生成模型 RAG 知识时效性训练数据截止，无法更新知识库实时更新，无需重训幻觉问题容易编造事实基于检索文档生成，可控可溯源成本全量微调昂贵只需更新知识库，零训练成本可解释性黑盒生成可展示引用来源，便于审计典型变体 Naive RAG：基础检索+生成 Advanced RAG：查询重写、重排序（Rerank）、混合检索（向量+关键词） Modular RAG：引入路由、多跳检索、…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…适用场景的判断标准能结合业务场景做选型建议核心对比维度 SFT RAG 知识更新灵活性差。需重新训练，成本高、周期长优。知识库热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间推理易断裂性能上限分析 SFT上限：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻…

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

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配正文：…多次采样，投票选出最一致答案 Chain-of-Verification：先生成答案，再逐步验证每个事实点后处理校验实体链接+知识库校验：提取关键实体，核对是否存在于权威源置信度阈值：对低置信度回答触发"我需要查询更多信息" 四、外部知识集成（RAG核心）检索环节混合检索：向量相似度 + BM25关键词 + 知识图谱路径查询改写：HyDE（假设文档嵌入）、子查询分解增强环节重排序：Cross-encoder精排，过滤噪声文档上下文压缩：只保留与问题相关的文档…

#百度#模型微调#评估与监控

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：…"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、Elasticsearch） 2. 检索阶段（在线）用户查询同样向量化 …

#商汤科技#RAG 工作流#RAG 工作流程

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…缺失和事实依据不足。它改善的是知识访问链路，不保证自动消除幻觉，也不能替代模型本身的推理、工具执行或权限控制。 1. 知识时效性知识库更新后仍需经过解析、分块、索引和发布，查询才能读到新版本。天气、订单和实时价格等数据更适合通过实时 API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无…

#美团#知识增强#RAG 核心问题

面试题·RAG

RAG 和微调怎么选？

匹配正文：…把知识和行为方式写进参数里 RAG 是“外挂资料库”：模型不动，回答前先检索资料喂给它知识时效性：知识经常变 → 选 RAG，改知识库即时生效；微调的知识固化在参数里，更新就得重训成本：RAG 主要是工程成本；微调需要标注数据 + GPU 训练，且每次知识更新都要再花一遍幻觉：RAG 答案有原文可溯源，更可控；微调过的知识模型照样可能记岔、编造核心概念 RAG 与微调（Fine-tuning）是给大模型补充领域能力的两条路线：RAG 在回答时从外部知识库检索资料喂给模…

#入门#基础概念#RAG和微调的区别

面试题·RAG

RAG 完整流程分几步？

匹配正文：答案要点全流程五大步：文档解析 → 分块 → 向量化 → 检索 → 生成前三步是离线建库：把原始文档加工成可检索的知识库，提前做好后两步是在线问答：用户提问时实时执行，检索资料再生成答案分块是最容易被忽视却影响最大的一步：块太大噪声多，块太小语义被切断排查 RAG 效果差的问题，就按这条链路逐步定位是哪一环丢了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成…

#入门#基础概念#RAG流程

面试题·检索

什么是 Embedding 向量嵌入？

匹配正文：…：两段文本必须用同一个模型编码，不同模型的向量空间互不兼容。在 RAG 里的角色阶段 Embedding 做什么离线建库把知识库里每个文本块转成向量，存入向量数据库在线检索把用户问题也转成向量，找出距离最近的 Top-K 个块没有 Embedding 就没有“按意思找资料”这件事，RAG 检索质量的上限很大程度取决于嵌入模型的好坏。入门之后，可以往嵌入模型的选型与评测（MTEB / C-MTEB 榜单）、向量数据库与 ANN 近似最近邻索引（如 HNSW）两个…

#入门#基础概念#Embedding是什么

面试题·模型架构

上下文窗口是什么?超了怎么办?

匹配正文：…:截断(简单粗暴)、摘要压缩(有损保留主干)、RAG(外挂检索,按需取用) 实际系统常三者组合:近期对话留原文、久远对话滚动摘要、知识库走 RAG 核心概念上下文窗口(Context Window)是大模型在一次推理中能够处理的最大 token 数量,包括输入的全部内容(系统提示、历史对话、文档)和模型将要输出的内容,两者共享同一个额度。比如窗口 8K 的模型,输入占了 7K,输出最多只能再生成约 1K。为什么会有这个限制?主要三个原因:一是自注意力的计算量随序列长度平方…

#入门#基础概念#上下文窗口

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：…数据库、权威API（Wind/ Bloomberg）、监管文件库，按可信度加权检索结果置信度：对检索空缺字段显式标注"该信息未在知识库中验证" 2. 生成约束层约束解码（Constrained Decoding）：关键数字字段强制从检索结果中复制，非生成 Chain-of-Verification：先生成回答，再自动提取事实claims进行二次检索验证引用溯源：每个结论强制附加来源编号，支持人工复核 3. 一致性保障机制多模型交叉：主模型+专用校验模型（如训练事实核查…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：… 上下文压缩：用LLM摘要长文档，保留关键证据片段引用溯源：强制要求模型输出引用来源，用户可点击验证事实性校验：医疗用UMLS知识库做实体一致性检查；法律用法条时效库过滤失效条款三、领域特殊考量维度医疗法律时效性诊疗指南版本管理法条修订追踪、地域差异权威性多源证据等级标注判例效力层级（指导案例>参考案例）风险管控风险提示+人工复核触发执业资质校验+边界拒答四、迭代优化闭环线上收集bad case → 归因（检索漏召/排序错位/生成幻觉）→ 针…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配正文：…动：未见实体缺乏上下文锚点，链接模型失效链接与检索的耦合：链接错误会直接污染后续子图检索关键点：需要结合实体嵌入、上下文共现和知识库先验的多维相似度计算，而非单一字符串匹配。三、推理路径搜索：相关性与多样性的平衡挑战具体表现搜索深度爆炸多跳推理路径指数级增长，延迟不可控相关性漂移图拓扑邻近 ≠ 语义相关，容易引入主题漂移路径可解释性黑盒排序 vs 白盒推理路径的权衡工程解法：采用"检索-剪枝-重排"三级流水线，先用向量相似度做候选子图召回，再用GNN或…

#淘天#多模态#GraphRAG 难点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：…图路径全局概览类问题 ❌ 无法回答 ✅ 社区摘要直接生成代价与取舍构建成本高：需LLM抽取实体关系，图谱构建耗时适合：静态知识库、复杂分析类场景（如研报分析、医学文献综述）不适合：实时性要求高、简单FAQ场景学习建议建议系统学习该知识点

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…aphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elastics…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配正文：… 社区摘要覆盖文档全局主题可解释性黑盒相似度检索路径可追溯（A→B→C）实际权衡成本：索引阶段需多次LLM调用，适合静态知识库场景延迟：图遍历增加查询耗时，需结合缓存或预计算优化图谱质量：实体抽取错误会传播，需设计校验机制

#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：…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_detection(communities) → summariz…

#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：…：避免传统RAG因单块文本缺失上下文导致的碎片化回答 ** trade-off**：构建成本高、需要领域schema设计，适合静态知识库+复杂分析类查询，不适合高频实时检索场景。

#淘天#知识图谱#GraphRAG 原理

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配正文：…行验证、多模型交叉验证数据层面高质量预训练数据：加强事实性数据清洗，过滤低质、冲突信息知识图谱注入：将结构化知识（如海尔产品知识库）与文本联合训练对抗性数据增强：构造"事实-幻觉"对比样本，提升模型辨别能力模型架构层面检索增强生成（RAG）：动态检索外部知识库，将检索结果作为上下文约束生成知识编辑：用ROME、MEMIT等方法精准修正模型中的事实错误约束解码：在解码层加入事实一致性约束，限制低概率幻觉token 推理策略层面降低采样温度：减少随机性，gree…

#海尔#幻觉治理#大模型幻觉缓解

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配正文：…证工具调用对时效性、精确性要求高的信息，调用搜索引擎、数据库API实时获取四、系统层兜底事实性校验模块：NER提取实体，与知识库比对人机协同：高风险场景设置置信度阈值，低于阈值转人工持续反馈闭环：线上幻觉案例回流训练数据核心思路：幻觉无法完全消除，需构建"预防-检测-缓解"的多层防御体系，根据业务风险等级选择技术组合。

#海尔#外部知识集成#大模型幻觉

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：… 用户问题拼接为prompt 引用溯源：要求模型输出时标注信息来源（如"根据《XX平台设计规范》第3.2节"） 4. 关键工程点知识库构建：需维护组件-功能映射表、设计规范文档、历史FAQ三层结构延迟优化：组件预计算embedding，检索走近似最近邻（ANN）；大模型只负责最终生成学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…手册和案例视频教育多模态答疑：学生圈出题目图片区域，检索对应知识点讲解视频片段一句话总结多模态RAG的本质是把"检索"从文本知识库扩展到多模态世界，让大模型能"看见"并"引用"真实世界的多元信息。

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 字节

电商Prompt设计陷阱

匹配正文：…的具体设计场景关键技巧示例片段商品推荐引入用户历史行为、实时库存状态 "库存<10件时优先标注'仅剩X件'" 客服问答知识库检索结果注入 + 拒答策略 "若问题不在知识库内，回复'为您转接人工'" 评论分析定义情感标签 + 提取结构化观点 "输出JSON：{情感:正/中/负, 关键词:[], 建议:[]}" 工程化注意事项防御性设计：加输出校验（正则/规则过滤），防止模型幻觉推荐下架商品成本控制：长商品描述用Embedding检索后只取Top3注入Promp…

#字节#Prompt工程#电商 Prompt 设计

面试题·Prompt· 百度

AI Agent 架构与框架怎么选?

匹配正文：…关键组件：组件作用规划（Planning）拆解任务、制定执行策略、自我反思修正记忆（Memory）短期上下文 + 长期知识库（向量存储）工具调用（Tool Use）与外部API、数据库、计算资源交互主流框架对比 1. ReAct（Reasoning + Acting）核心机制：推理(Thought) → 行动(Action) → 观察(Observation) 循环特点：显式展示思考过程，行动有依据，可解释性强适用：需要多步工具调用的场景，如问答、数据…

#百度#Agent#AI Agent 架构