匹配口述回答：…便审计和调试。但和微调比，RAG 不是万能的。微调适合让模型学会特定风格或复杂推理模式，比如把公司内部术语的表达方式固化下来；而 RAG 适合高频更新、需要引用外部事实的场景，比如客服的退款政策、电商的满减规则。真正落地往往是 RAG 加微调一起上，RAG 负责事实，微调负责表达。不过 RAG 也有前提和风险。知识库本身的质量决定天花板，如果文档本身有错、过期、或者切分不合理，检索结果就会带偏模型。另外，检索延迟和精度要平衡，Top-K 取太多会让 Prompt 过长，影响…

#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?

匹配口述回答：…索是把用户的问题也转成向量，去库里找最像的那几段；生成是把这些段落塞进提示词，让模型基于它们回答。这里有个关键认知，检索质量决定了RAG的上限，生成质量决定了下限，所以我会把大部分精力放在检索上。具体说下索引。文档切分不是随便按字数切，我会按语义段落，块大小与重叠窗口都作为候选变量，再用同一评测集比较边界证据完整率、召回、延迟和索引成本。向量库选型上，如果数据量上亿，我会用Milvus，它分布式做得成熟；如果是几百万级别的轻量场景，Qdrant更轻便，部署成本低。[[Emb…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

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…

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

匹配口述回答：

#字节#RAG 检索噪声#RAG 数据构建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…条款。还有客服系统，结合历史工单和FAQ，能精准回复退款政策、订单异常这类问题，减少人工介入。再比如研报分析，长文档里抽关键信息，RAG比人翻几百页快得多。不过，RAG和微调不是二选一，而是互补。比如对高频、固定的知识，微调可以让模型直接记住，省去每次检索的延迟；而对动态更新的知识，比如促销政策，RAG更灵活。所以真正落地的系统，往往是RAG加微调混合用，比如用微调让模型学会理解领域术语，用RAG提供实时知识。最后说下风险。RAG依赖知识库的质量，如果文档本身有错误或过时…

#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

匹配口述回答：…档，分钟级就生效了。再一个推理准确性，SFT依赖训练数据质量，容易产生 [[Hallucination]]，尤其是知识冲突的时候；RAG相对可控，因为检索结果能溯源，你看到答案可以点回去查原文。但部署复杂度上，SFT简单，一个模型推理就行；RAG就复杂多了，需要 [[Vector Database]]、检索、[[重排序]]、生成多个模块，还得保证延迟。泛化能力正好反过来，SFT内化了知识，复杂推理更连贯；RAG就比较弱，依赖检索质量，如果检索片段之间逻辑断裂，推理就容易断掉。…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…成本高，适合多跳问答或强结构化场景，比如企业SOP和合规文档，要是简单FAQ就不值得，用HyDE加查询改写就够。综合下来，我会把RAG的改进看成一套组合拳：先根据业务场景选主链路，然后加一层过滤和重排，最后用查询改写或知识图谱补语义。前提是数据质量要过关，否则所有改进都白费。其实还有一个方向是[[GraphRAG]]，把文档实体关系建图，检索从平面变结构化，对复杂问题效果好，但成本和延迟高。我一般只在需要多跳推理、且对准确率要求极高的场景才推荐，比如风控合同审查。所以整…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…lness]]，用一些自动评估指标比如[[RAGAS]]做验证，必要时还要人工抽检。所以整体上，我不会把GraphRAG看作传统RAG的替代，而是看成一个互补工具。它特别适合研报分析、医学文献综述这种需要全局视角的场景，但对延迟敏感、或者知识库实时更新的场景就不太合适。我更倾向于把它定位成“复杂分析场景的深度检索层”，和轻量级的传统RAG一起，构成一个分层检索体系。一句话定位：GraphRAG本质是解决跨文档综合推理问题知识组织方式对比：从切片向量到实体关系社区检索机…

#美团#GraphRAG#传统 RAG 对比

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：这道题其实是在问，当我们想让[[RAG]]理解图片的时候，到底是走一条捷径，还是硬着头皮做真正的[[多模态]]融合。说白了，伪多模态就是把图片强行转成文字，再走传统的文本检索；真正多模态呢，是让图片和文本在一个共享的向量空间里去匹配。先讲伪多模态，它的做法很直接：图片进来，先走[[OCR]]提取文字，或者用GPT-4V这种模型生成一段描述，然后把这些文本丢进普通的[[Vector Database]]去检索。它的本质是，输入是多模态的，但检索环节已经退化成了单模态。好处是…

#淘天#多模态#伪多模态RAG

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配口述回答：…根本没提优惠券，就拦截掉。这里有个延伸点：当文档特别多的时候，单纯靠截断可能会丢掉关键信息。我最近在研究用 [[Agentic RAG]] 的思路，让模型先判断还需要什么信息，主动去检索第二轮，而不是一次把所有文档塞进去。这样能更精准，但延迟会高一些，需要做取舍。所以整体上，我更愿意把生成模块看作一个受约束的翻译器，它的核心任务是把检索结果忠实地转成自然语言，不是自由创作。上线前我会特别关注反幻觉指令的效果和引用溯源的覆盖率，这两个点是最容易暴雷的。这道题核心问的是怎么…

#字节#Prompt工程#RAG Generator Prompt

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配口述回答：…。上线前我会特别关注人工兜底机制，复杂case自动转人工复核队列，这是最后的防线。这里有个延伸点，我其实更倾向用 [[Self-RAG]] 这类方案，让模型在生成时自己反思检索结果够不够用，而不是靠外部规则硬切。但这会带来额外的计算开销和延迟，所以落地时得权衡。整体协同举个例子，医疗问诊场景：用户描述症状，先做[[NER]]抽实体，然后图谱召回相似病例，同时向量召回诊疗规范，精排后生成初步分析，置信度评估后决定是直接输出还是追问或转人工。我最后会看三个指标：事实准确率95…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：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 in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…时修正通道，运营后台可以人工标记某条知识紧急下架，检索时直接从内存黑名单过滤，不依赖索引重建。另外，我最近在关注 [[Self-RAG]] 的思路，让模型在生成过程中自己判断要不要去检索，而不是每次固定检索。这个对专业领域很有价值，因为有些问题模型本身就知道，不需要检索，能省不少延迟。但它的可靠性还需要验证，比如模型误判了该检索却没检怎么办。所以整体上，我会把 RAG 看成一种「知识库在前、模型在后」的协作模式，核心是让模型做它擅长的事，理解和生成，而把事实性交给检索。…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：这道题问的是怎么提升[[RAG]]里检索阶段的质量，本质上就是怎么让检索更精准地命中回答真正需要的信息。我会从查询、召回、排序、索引几个环节来说，但重点不是列全所有方法，而是讲清楚在什么场景下该选什么，以及实际落地时容易踩的坑。先说查询侧。标准做法是直接拿用户问题去做向量检索，但问题往往又短又模糊，比如用户问“这个能退吗”，在电商客服场景里，你得知道他说的是哪个商品、什么原因。所以我会做查询改写，最常用的是 HyDE，就是让LLM先生成一个假设的回答，然后用这个答案去检索。…

#字节#HyDE#RAG 检索质量

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…致，否则模型学偏了反而坏事。其实还有个方向我最近比较关注，就是让模型自己判断是否需要检索、是否信任检索结果，比如 [[Self-RAG]] 和 [[Corrective RAG]]。这类方案让生成过程更灵活，但代价是推理链路变长，延迟和成本得权衡。如果面试官感兴趣，我可以展开说说。最后说落地风险。这些方法不是堆上去就有效，得看场景。比如重排对延迟敏感的应用就不太友好，可能得用 [[ColBERT]] 这种兼顾效率和精度的方案。反事实训练如果噪声分布和线上不一致，效果会大打…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配口述回答：这道题其实问的是[[RAG]]里一个非常实际的问题，检索模块拿回来的东西不对，生成就会跑偏。本质上这是个链路级匹配失败，不是单一环节的锅，所以修也要从检索、[[重排]]到生成系统性修。先分析原因。最典型的场景，比如电商客服系统里用户查“充电宝上飞机”，用户问的是民航规定，但检索可能因为[[embedding]]相似度高，把一堆充电宝产品介绍和评测文召回来，这些文档语义上相关但事实无关，生成器一综合就可能给出矛盾信息。这里原因有三层：查询侧，用户query太短或者有歧义，em…

#小红书#美团#重排与优化

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配口述回答：这道题问的是检索结果不对目标答案的原因和优化方向，其实本质是问检索和生成之间的对齐问题。我们做[[RAG]]时经常会遇到：明明数据库里有正确答案，但检索模块就是没把它捞上来，或者捞上来了但排序太低，导致生成器没看到。那原因可以从数据、检索、查询三个层面拆，优化也对应着来。先说数据层面。很多人上来就调模型，但我会先检查文档质量和[[Chunk]]策略。举个例子，客服退款场景下，用户问‘退款多久到账’，文档里可能写的是‘退款处理时效为1-3个工作日’，但如果你把这句话和‘退款条…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：我觉得这道题问的其实是，在[[RAG]]系统里，为什么不能只靠一次检索搞定，非要再加一道[[重排]]。说白了，就是召回率和精度之间的取舍，你没法用一个模型同时把两件事都做到极致。先说一下向量检索的局限。不管是[[Embedding]]还是[[Bi-Encoder]]，本质是把query和文档独立编码成向量，然后算个余弦相似度。这种双塔结构只能捕捉粗粒度的语义，像主题匹配、领域对齐这种，但它做不了精细的交互。比如用户搜“苹果笔记本”，你召回“苹果公司财报”和“MacBook …

#字节#Rerank模型#RAG Rerank

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：这道题问[[RAG]]的工作流程，其实本质是在问怎么把大模型的知识边界扩展出去，让它能回答训练数据里没有的东西。我理解RAG不是单一技术，而是一套工程组合拳，核心就三件事：先把外部知识存成索引，再根据问题准确定位到相关片段，最后让模型基于这些片段生成答案，同时还要避免它胡编。先说离线建库。这一步很多人只关注选哪个[[向量数据库]]，但我认为真正的难点在[[分块]]和[[向量化]]。分块不是简单按512 token切，要结合业务场景。比如客服退款场景，一个订单的完整上下文往往…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配口述回答：…-Encoder]] 对候选片段和问题做精细匹配，只取置信度高的，这样生成内容更准。说到优化，现在更前沿的做法是 [[Self-RAG]]，让模型自己判断要不要检索、检到什么程度，甚至生成时反思检索结果够不够。比如模型发现当前上下文已经能回答，就不去检索，减少延迟。这种动态策略对长对话场景特别有用，但实现起来需要额外训练，对推理效率也有挑战。所以整体来看，RAG 不是一套固定流水线，更像一套可插拔的组件。我的倾向是：先保证索引和检索的基础质量，再根据场景逐步加 Reran…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配口述回答：…，增量索引加版本管理，支持数据回溯。其实还有一个更前沿的方向，就是让模型在生成过程中主动判断是否需要额外检索，比如用[[Self-RAG]]或者[[Agentic RAG]]，这样能减少无效检索，但实现复杂度高，需要平衡延迟和效果。一句话定位：RAG落地是系统工程，不是搭积木预处理：结构化保留与多粒度切分检索：混合召回加重排，划清场景边界生成：引用溯源与不确定性处理评估闭环与持续优化约4分钟让模型在生成过程中主动判断是否需要额外检索，比如Self-RAG或Age…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 架构组件与失败场景

匹配口述回答：…点：即使检索做得好，模型也可能自己编。我会在生成后加一层验证，比如用另一个轻量模型检查答案是否忠实于检索文档，或者用[[Self-RAG]]让模型自己反思。但这就涉及成本和延迟的权衡了，不是所有场景都需要。最后说说我的判断。RAG落地的前提是知识库质量够高，如果文档本身错误百出，再好的RAG也没用。所以我会把RAG看作一个系统工程，检索是上限，生成是下限，检索质量决定了你能拿到多好的信息，而生成只是把这些信息组织好。我更倾向于在检索和重排序上多花功夫，而不是在Prompt上…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…检索结合起来，再做个 [[重排]]，用 [[Cross-Encoder]] 把候选文档精排，把噪声过滤掉。这里的风险是，重排本身有延迟，如果QPS高，得控制候选数量，不然响应时间会崩。然后是生成阶段。文档捞回来了，但可能太长，关键信息被淹没，模型反而开始“自由发挥”，也就是 [[Hallucination]]。比如客服回答里，模型把两个政策混在一起编了个新规则。我的做法是引入 [[Self-RAG]]，让模型在生成时自己判断：这个片段要不要引用？引用哪个来源？如果模型不确定…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配口述回答：…线在线分离，知识库更新走离线Pipeline，不影响在线服务。缓存策略也很关键，热门法条预加载，相似Query结果缓存，能大幅降低延迟。监控看板我会盯着检索命中率、生成引用率和用户满意度三个指标，形成反馈闭环。其实还有一个延伸点：当知识库频繁更新时，增量更新和检索质量之间怎么平衡？比如新法出台，旧法废止，怎么保证检索实时性又不影响召回？这块我有些实践经验，可以详细展开。 RAG本质是知识边界问题数据预处理：分块策略和术语对齐检索优化：混合检索加重排生成优化：引用溯源和…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配口述回答：…。再一个优化点是多轮对话，上一轮已经查过的内容，下一轮没必要重复检索，可以维护一个检索历史缓存，新的query先和历史做融合，减少延迟。整体来看，检索质量决定了RAG的上限。所以我会把更多精力放在检索侧的Query改写和Rerank上，生成侧反而相对成熟，调好Prompt和温度就行。还有一个延伸方向是让模型自己判断检索质量，比如 [[Self-RAG]] 或者 [[Corrective RAG]]，模型不仅能基于检索结果生成，还能主动说「这部分资料不够，我需要再查一下」。这个…

#美团#检索器生成器协同#RAG 架构