匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

#商汤科技#检索生成流程#RAG 技术流程

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：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"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、El…

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

#商汤科技#RAG 工作流#RAG 工作流程

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·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：核心思想 GraphRAG 把文本证据与实体、关系或社区结构关联起来，用显式图结构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 G…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配正文：…表述（如"OpenAI"和"ChatGPT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 …

#百度#知识图谱#评估与监控

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：答案要点能清晰区分RAG与微调的技术边界，说明何时选RAG 讲清楚"离线建库-在线检索-增强生成"的三阶段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、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…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late interaction、多向量索引提升细粒度匹配稀疏-稠密混合：BM25关键词 + Dense向量，互补长尾与语义匹配三、索引结构优化分层索引：先粗筛（聚类中心）再精排，降…

#百度#RAG索引优化#RAG 索引构建管线

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…档嵌入）：让LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_se…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：答案要点向量相似度≠语义相关性，存在语义鸿沟 Embedding模型能力边界导致召回偏差粗排精排的两阶段架构设计必要性大模型具备深层语义理解和上下文感知能力生成阶段需要综合多维度信息做最终决策核心原因：向量相似度存在本质局限 1. 相似度≠相关性向量检索基于Embedding空间距离，只能捕捉浅层语义相似问题："如何防止过拟合" 与文档："过拟合的危害" 向量相近，但可能无法直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Em…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配正文：RAG 的完整链路 RAG 由离线知识准备和在线问答两部分组成。检索能提供外部证据，但检索结果和生成都可能出错，因此整条链路要可评估、可追踪和可回滚。 1. 离线准备解析并清洗文档，保留来源、版本、权限和时间等元数据。按结构或候选分块策略生成 chunk，并维护到原文的映射。用固定版本的 embedding 模型编码，建立向量、关键词或混合索引。用标注查询集验证证据 Recall@K、重复率、过滤正确性和索引更新。 2. 在线检索对用户问题做规范化、权限过滤和查询改…

#百度#RAG三阶段#RAG 工作流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…输入输出输入：用户Query（可能经过改写/扩展）输出：Top-K相关文档片段（doc_id + 文本 + 相似度分数）两大检索范式类型原理代表模型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embeddi…

#字节#Retriever#RAG Retriever

面试题·检索· soul

召回阶段怎么选方法?

匹配正文：召回阶段的核心作用召回是推荐/检索系统的**"漏斗第一层"，核心目标是从百万/亿级候选集中快速筛选出千级相关候选**，关键约束是延迟敏感（通常<50ms）。本质是效率与效果的权衡——不求最准，但求不错过潜在相关项。四类召回方法对比方法核心原理优势局限典型场景协同过滤用户-物品交互矩阵，找相似用户或物品无需内容特征，挖掘群体智慧冷启动差、稀疏性问题、热门 bias 成熟业务、行为丰富的场景向量召回（双塔）用户塔+物品塔分别编码，向量内积近似泛化能力强…

#soul#多路召回#召回方法对比

面试题·检索· 字节

召回模型怎么搭建?

匹配正文：整体架构：双塔模型（DSSM）推荐召回的核心是向量检索，主流方案是双塔结构：User塔和Item塔分别编码，点积计算相似度，线上通过ANN快速检索。关键环节设计 1. 特征工程塔核心特征设计要点 User塔用户ID、画像标签、历史行为序列行为序列用Pooling或Transformer压缩，避免长序列直接输入 Item塔物品ID、类目、标签、文本/视觉内容内容特征需预训练（如BERT、CLIP），保持与User塔维度一致关键权衡：ID特征记忆性强但泛化差，…

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：RAG完整工作流程检索阶段用户Query → Embedding编码 → 向量相似度检索（Top-K召回）→ 重排序（可选）核心：将非结构化知识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· OPPO

ANN 索引怎么构建?

匹配正文：…：统一维度，处理缺失值，L2归一化（余弦相似度场景）数据分区：按业务维度分片（如按用户/类目），降低单次搜索规模采样分析：评估向量分布密度，指导后续算法选择 2. 算法选择（核心trade-off）算法适用场景特点 HNSW 百万-千万级，高召回要求图索引，查询快，内存占用高 IVF 亿级以上，内存受限倒排+聚类，构建快，需调nlist LSH 超高维稀疏向量理论保证，实际召回偏低场景假设：若商品检索量大且实时性要求高，可比较HNSW、IVF-PQ等候选。题…

#拼多多#ANN索引构建#ANN 索引构建

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：答案要点向量数据库选型需考虑规模、延迟、成本三要素元数据设计要支持过滤和排序索引结构需权衡召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用 …

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 知识库存储怎么选?

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

项目实战·RAG

RAG 智能问答系统

匹配正文：…检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.11独立环境。原requi…

#项目实战#RAG 智能问答系统

项目实战·Agent

Memory & Transformer 基础

匹配正文：…emory 模块怎么设计」时卡壳，往往不是不努力，而是底层基础没系统补过。这个项目把 Transformer 的四大基础(分词、Embedding 训练、注意力变体、MoE)和大模型 Memory 模块一次补齐，既是底层原理，也是面试高频。分词 Tokenization 原理常见分词算法为什么重要 Embedding 词嵌入是什么 Embedding 训练方法和检索的关系注意力 + 架构 MHA / GQA / MLA MoE 专家网络门控 / 负载均衡 Mem…

#项目实战#Memory & Transformer 基础

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部…

#RAG#项目深挖#教学复原

领域 RAG 知识库构建

RAG 技术流程怎么跑?

RAG 基本工作流程是什么?

RAG 完整流程分几步？

GraphRAG 原理与构建方法

GraphRAG 为何召回更精准?

RAG 技术原理和实现流程

RAG 索引构建管线

RAG Retriever 工作流程详解

RAG 流程各环节优化陷阱

RAG 系统实现流程怎么搭?

RAG 为何需要重排序?

RAG 三阶段原理与失败场景

RAG Retriever 工作机制详解

召回阶段怎么选方法?

召回模型怎么搭建?

RAG 工作流怎么应对时效衰减?

推荐不准的算法改进

ANN 索引怎么构建?

RAG 知识库怎么存?

RAG 知识库存储怎么选?

RAG 智能问答系统

Memory & Transformer 基础

RAG 项目面试会怎样连续追问？一场工程深挖教学复原