匹配口述回答：这道题其实是在问，基于大模型的[[Agent]]到底能不能真正用到生产环境，它的成熟度怎么样。我理解它不光是技术实现的问题，更多是工程落地和风险平衡。先说技术实现，现在主流的Agent架构就是规划、记忆、工具、行动这四个模块。规划这块，[[ReAct]] 和 [[Chain-of-Thought]] 这些推理范式让模型先想后做，但实际跑起来你会发现，意图识别准确率才是入口质量的关键，如果第一步就偏了，后面全白费。记忆分短期和长期，短期就是对话上下文，长期靠[[向量数据库]]…

#字节#Agent#大模型 Agent 优缺点

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…型/总结型） 3. 真实用户日志挖掘从生产环境脱敏后的query中采样需配合人工清洗过滤噪声 4. 混合策略（推荐） 70% LLM生成 + 20% 真实日志 + 10% 人工设计对抗样本答案标注流程 Step 1: 候选答案生成使用多个不同RAG系统并行生成答案保留答案分布的多样性 Step 2: 多轮人工校验第一轮：标注员独立标注（3人）第二轮：分歧案例仲裁（专家介入）第三轮：溯源检查（答案是否能在文档中找到依据） Step 3: 置信度打分高置信：3人…

#安克科技#评估与监控#RAG 问答金标构建

面试题·评估· 安克科技

Agent/RAG 评估集构建

…真实性来源负样本构造的hard negative策略人工+自动化的混合标注流程数据代表性验证方法核心设计原则 Agent和RAG的评估目标不同：RAG重事实准确性，Agent重任务完成度与工具调用正确性，需分开设计。数据采集来源适用场景注意事项真实用户日志高价值、分布真实脱敏+去偏，避免头部query过度采样合成数据（LLM生成）快速覆盖长尾场景需人工校验，控制幻觉比例公开benchmark适配跨模型可比检查license，避免数据污染关键…

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

匹配正文：

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…路召回（历史索引+增量索引），结果融合排序美团外卖场景：新商家/新菜品实时入增量索引，避免全量重建延迟 2. 查询重写与扩展用LLM将用户query改写为多个视角（时间敏感型、通用型），分别检索后聚合例："附近好吃的" → 扩展为"2024新店推荐"+"高评分老店" 3. 自适应向量微调收集新文档的点击/转化反馈，用对比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签，推理时检测q…

#美团#模型微调#RAG检索偏差

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：为什么引入RAG RAG的核心价值是解耦知识存储与模型参数，解决大模型固有缺陷：知识时效性：模型参数冻结后无法感知新知识，RAG通过实时检索外部库解决幻觉问题：生成内容可溯源到检索文档，大幅降低"一本正经胡说八道" 训练成本：SFT需要重新训练模型，RAG只需更新知识库，边际成本极低可解释性：能展示"参考了哪些资料"，满足合规审计需求 RAG vs SFT 的适用边界维度 RAG更适合 SFT更适合知识特性频繁更新、领域专精通用能力、长期稳定数据规模海量文档…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：…文：BGE、GTE、M3E等国产模型更优多语言/跨语言：OpenAI text-embedding-3、E5-mistral等多语言模型代码检索：需CodeBERT、CodeT5等专用模型 3. 效率与成本模型大小：小模型（如BGE-small，~30MB）vs大模型（如GTE-large，~1GB）推理速度：QPS要求高的场景优先轻量模型或ONNX/TensorRT加速部署成本：云端API vs 私有化部署的硬件约束 4. 领域适配通用领域：直接用开源SOTA模…

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：答案要点 RAG核心原理：检索+生成的两阶段架构系统组件：索引模块、检索模块、生成模块工作流程：查询向量化、相似度检索、上下文拼接、LLM生成核心优势：缓解幻觉、知识实时更新、可溯源、降低微调成本基本原理 RAG（Retrieval-Augmented Generation）将外部知识检索与大模型生成结合，解决纯生成模型的知识截止和幻觉问题。核心思想：不依赖模型参数记忆知识，而是动态检索相关文档作为上下文，让模型基于检索结果生成回答。系统架构模块功能索引模块…

#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 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：这道题问的是搭建领域[[RAG]]的完整流程，其实本质就是一件事：把外挂知识库里的信息准确找出来，再让大模型读明白、说人话。它不是微调模型学知识，而是查文档加读文档的工程化。先说数据准备。很多人一上来就[[向量化]]，其实质量天花板在数据清洗和[[分块]]。清洗不难，去重去噪、统一格式就行，但领域数据有个坑：专业术语容易被通用[[分词器]]切碎。比如医学里的“非小细胞肺癌”，拆成“非”“小细胞”“肺癌”就丢语义了。所以前提是建一个领域词典，把这类复合词保留。分块才是真正的…

#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：…Cross-Encoder等精排模型提升相关性（可选但重要） 3. 生成阶段上下文组装：将检索结果与用户问题拼接成Prompt 大模型生成：LLM基于"检索到的证据"生成回答，典型Prompt结构：基于以下参考资料回答问题： [检索内容1] [检索内容2] 问题：{用户提问} RAG解决的核心问题问题说明知识时效性大模型训练数据有截止日期，RAG可接入实时数据库幻觉问题生成有溯源依据，可标注参考来源私有数据无需训练即可利用企业内部知识成本可控比全量微调…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配口述回答：这道题其实是在问：怎么让大模型在专业领域里真正落地，而不是只是背教材。核心就是怎么把领域知识组织好、检索准、生成稳。我按数据、检索、生成、评估这条线来说。先说数据准备。专业领域的数据，比如医疗病历、法律合同、金融财报，通常是 PDF 或扫描件，得先解析成结构化文本。我一般用 Unstructured 或 MinerU，保留标题层级和表格结构，表格转成 Markdown。然后做领域术语标准化，比如医疗里把“心梗”和“心肌梗死”统一映射到 ICD-10 编码，不然检索时会漏。 …

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配正文：…成本线性↑ 推理速度：batch处理吞吐量（QPS），影响实时索引构建模型大小：小模型（如MiniLM 22MB）适合边缘部署，大模型（如GTE-large 335MB）精度更高 3. 系统兼容性多语言支持：m3e、BGE-m3支持100+语言，单语言场景可选专用模型微调友好度：是否开源、训练代码完整度、社区生态活跃度 4. 实际验证方法用业务真实query-doc对计算Recall@K和MRR 观察bad case：语义相近但字面不同、一词多义等情况的处理效果选型…

#百度#评估与监控#向量检索

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：这道题问的是[[RAG]]检索不准怎么办，在我看来，本质是两件事没对齐：一是信息源怎么拆和怎么标，二是匹配逻辑怎么调。拆得不对，后面怎么改都难。我从数据构建、检索优化和后处理三个角度讲一下我的做法。先说数据构建。文档切分很多人直接按固定字数截断，但这对语义是破坏性的。我一般会按语义边界来切，比如标题、段落，还会加一个重叠窗口，保证上下文连贯。举个例子，处理客服退款政策文档时，我会把“退款条件”和“退款流程”作为两个独立块，但每块末尾带上下一块的标题，这样检索时不会漏掉跨块信…

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：答案要点识别RAG的核心优势（知识时效性、可解释性、成本可控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：… 输出 ↓ [向量数据库] ← Embedding模型 ← 文档知识库关键组件：Embedding模型、向量数据库、重排序模型、大模型主要应用场景企业知识问答：内部文档、规章制度、产品手册的智能问答客服系统：基于历史工单和FAQ的精准回复，减少幻觉研报/法律分析：长文档信息抽取与综合分析代码助手：结合私有代码库和开源文档的编程辅助核心优势相比微调，RAG无需训练即可更新知识、可追溯来源、成本更低，是知识密集型场景的首选方案。

#字节#检索生成流程#RAG 实现

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…以做[[重排序]]，用 [[Cross-Encoder]] 对检索结果二次排序，把高置信度的文档放前面。也可以做上下文压缩，比如用LLM提取关键片段，或者只保留跟问题相关的句子。还有结构化提示，明确标出 [Document 1] [Document 2]，强制模型引用来源。另外加指令，比如“如果文档不足以回答，请明确说明”，这样能抑制 [[Hallucination]]。举个例子，客服退款场景里，用户问“退款到账时间”，检索回来一堆政策文档，但生成结果却说“3-5个工作日”，…

#上下文压缩#生成调优#RAG 生成优化

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…

#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：…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、生成五步。前三步离线完成，后两步在线执行。五步详解文档解析：把 PDF、Word、网页等各种格式的原始文档，转换成干净的纯文本。作用是“去…

#入门#基础概念#RAG流程

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配追问：…茅台合适吗？’这种投资建议类问题，模型要是随便编个价格或者推荐理由，后果很严重。你怎么保证它给出的数字和逻辑都是对的？层层追问大模型在金融场景里容易胡说八道，你怎么处理？……具体到事实错误和逻辑推理错误，你会分开治吗？……再进一步，比如它说‘某公司Q3营收增长20%’，你怎么验证这个数字对不对？直球架构在金融领域，要确保LLM生成内容的事实准确性和一致性，请给出你的技术方案和实施策略。重点讲怎么结合检索增强、约束生成、多模型验证，以及如何满足监管审计要求。

#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：…调方案答案生成的事实性校验与溯源机制一、整体架构设计用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验二、关键组件详解 1. 领域知识处理（最核心）数据分层结构化：药品库、疾病编码、法条条款 → 构建知识图谱（Neo4j/自研）半结构化：病历模板、合同范本 → 抽取标准化字段非结构化：医学文献、判例文书 → 按语义切块（医疗按就诊流程切，法律按争议焦点切）领域Embedding微调用领域语料（PubMed/裁判文…

#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· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：答案要点理解GraphRAG的核心创新：从"文本块检索"到"图结构知识检索" 能对比传统RAG在全局性问题上的局限掌握GraphRAG的构建流程（索引构建→社区检测→查询生成）能举例说明图结构数据的具体应用场景理解其在多跳推理、关系推理上的优势 GraphRAG 核心原理本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。构建流程：索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：…图算法（如Leiden社区发现）预计算语义聚类查询时：社区摘要→相关子图→原始文本，由粗到精的层次检索典型优势场景场景传统RAG GraphRAG 单文档事实查询 ✅ 高效够用跨文档关联推理 ❌ 困难 ✅ 显式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：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