匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…说明混合检索的设计动机和融合策略列举至少2-3种具体的检索优化手段能结合业务场景解释选型原因提及重排序（Rerank）在检索流程中的作用核心检索方法 1. 密集检索（Dense Retrieval）基于Embedding模型（如BGE、M3E）将query和文档编码为稠密向量优势：语义理解能力强，能捕获"汽车"和"轿车"的语义关联适用：开放域问答、语义相似度高的场景 2. 稀疏检索（Sparse Retrieval）传统BM25或TF-IDF，基于词项匹配优…

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

#字节#评估与监控#RAG 检索方法

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段流程说明关键组件（文档处理、Embedding模型、向量数据库、重排序）的作用对比Naive RAG与Advanced RAG的架构差异提及实际落地中的核心挑战（检索精度、上下文长度、幻觉控制）核心原理 RAG的本质是外挂知识库：将大模型无法预训练到的私有/实时数据，通过检索方式动态注入上下文，解决知识截止和幻觉问题。三阶段流程：索引(Indexing)：文档→切片→Embedding→入库检索(Retriev…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…层（上下文压缩、引用溯源）的设计体现领域适配思路（领域术语表、专用Embedding）提到评估闭环和持续优化机制避免只讲基础RAG流程，要有工程化深度一、数据预处理层文档解析与清洗多格式统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏智能分块策略语义分块：用领域微调的小模型做句子边界识别，非固定长度结构感知：按章节…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

RAG检索方法如何优化？

匹配口述回答：这个问题其实在问，[[RAG]]系统里怎么平衡检索的语义理解能力和精准命中能力。先说我的核心判断：没有一种检索方法能通吃所有场景，真正落地时往往是混合方案打底，再根据业务数据特征做取舍。常用方法主要有三种。稠密向量检索，就是靠[[Embedding]]做语义匹配，比如用户问“退款多久到账”，它能匹配到“退单处理时效”这种同义表述，容错性很好。但短板也很明显，对专业术语和长尾实体很弱，比如搜“订单号A123456”，它可能拉出一堆语义相关的订单描述，就是找不到那一条。稀疏向量…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配追问：…的财报数据”，文档里既有表格又有段落。你从拿到原始PPT到最终生成答案，中间要经过哪些步骤？数据是怎么一步步流过去的？层层追问 RAG 系统你了解吧？离线索引和在线查询两部分……那离线构建时文档怎么切分？切完怎么存？……在线来了一个 query，怎么从库里找到相关片段再给大模型？具体说说数据流转。直球架构详细描述一下 RAG 系统的实现架构，包括离线知识库构建和在线检索生成两个流程，各组件功能是什么，数据如何流转？

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配口述回答：这道题问的是专业领域[[RAG]]系统怎么搭，本质上是在考你怎么把通用RAG的能力约束到知识边界内，保证输出准确、可溯源，同时兼顾效率。我以法律场景为例，具体说一下我的方案。先说数据预处理。这块最核心的不是怎么切分，而是[[分块]]策略的取舍。固定切分简单，但法律条款跨块就会丢语义，所以我倾向按段落边界切，保证每个块语义完整。同时我会做多粒度索引：原文段落做粗粒度，拆解后的法条做细粒度，再额外维护一批问答对做应用层，这样不同查询能命中不同粒度的块。还有一个前提是术语对齐，比…

#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?

匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…（参数知识）扩展到" non-parametric memory "（外部知识），减少幻觉，实现可溯源回答。学习建议建议先掌握RAG整体架构，再重点理解Retriever的两种主流技术（如BM25与DPR），并通过开源项目（如LangChain）动手实践检索流程。

#字节#Retriever#RAG Retriever

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：这道题其实是在问，怎么在语义理解、检索效率和工程复杂度之间找到平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…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、高可用十亿级/超大规模自研或云厂商方案（阿里云OpenSearc…

#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：…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/Pinecone/Qdrant）或 pgvector 语义相似度检索原始文本/元数据 PostgreSQL/MongoDB 精确查询、权限过滤、业务字…

#安克科技#知识库存储架构#RAG 知识库存储

面试题·文档处理· 百度

RAG ANN 索引优化

匹配追问：场景切入假设我们做一个电商客服RAG系统，用户问“退款流程”，系统得从海量文档里找答案。如果向量索引效率低，用户等半天才出结果，你一般会用什么策略来优化索引的效率和召回率？层层追问 RAG系统里向量索引做召回，你觉得哪些环节会影响效果？……比如分块策略？嵌入模型？……那具体怎么提升召回率呢，像ANN算法调参或者多路召回这些，你怎么看？直球架构请列举RAG系统中向量索引优化的常见策略，比如分块、嵌入、ANN算法、多路召回等，并解释每个策略为什么能提升效率或召回率。

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配口述回答：这道题其实问的是在[[RAG]]系统里，怎么平衡检索粒度和语义完整性。说白了，你要找的信息有可能散落在文档的不同位置，切太碎可能让关键上下文断裂，切太大又可能把噪声带进来。我从最直接的方法说起吧。最粗暴的当然是固定长度[[切块]]，按token或者字符数硬切。这个方案的好处是简单、可预测，处理日志或者流式数据这种没有强语义结构的场景很合适。但它的致命伤是语义断裂，比如一个完整的段落被拦腰切断，重要的结论前半段在一个块，后半段在另一个块，检索时很容易丢信息。所以它的边界很清楚…

#字节#文档处理#RAG 文本切块

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配追问：场景切入我看你做过电商知识库问答。假设用户问'怎么申请退款'，系统检索到一段文档，但那一段刚好在'退款政策'和'退货流程'之间被切断了，回答就少了一半。你觉得这种情况怎么避免？你一般怎么切文档？层层追问 RAG系统里文档怎么切块这个问题，你了解过哪些方法？……比如固定长度切块有什么坑？……那如果我想保证每个块语义完整，有什么更好的办法？……滑动窗口呢，什么场景下用？直球架构讲一下RAG里文档分块策略的常见方法，固定长度、语义边界、滑动窗口这些，各自优缺点和适用场景。你…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配口述回答：这道题其实问的是，在[[RAG]]系统里，怎么把文档切成小块，既能保证检索的时候命中率高，又不让大模型拿到碎片信息瞎编。说白了就是精度和完整性的一个取舍。先说最直接的方法，固定长度[[分块]]。按token或者字符数一刀切，实现简单，上线快。但问题很明显，可能一句话被拦腰切断，语义就断了。所以它适合ToC场景，比如商品搜索，用户只想要个价格或参数，上下文不完整问题不大。反过来，语义分块是用[[Embedding]]相似度检测主题边界，块内语义完整。但计算成本高，而且依赖e…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 百度

RAG 分块参数调优

匹配口述回答：…构化强的部分直接用结构化分块；对里面的大段说明文字，再用递归分块，保证句子完整；如果某个段落跨越多个主题，比如既有退款规则又有操作流程，那我会考虑用语义分块把它拆开。这样既利用了结构信息，又兼顾了语义连贯性。具体参数上，有几个坑要注意。块大小要结合Embedding模型的实际输入限制、文档结构和LLM上下文预算提出候选。重叠也要比较零重叠、短窗口与较长窗口，用同一评测集验证是否补回边界证据。边界对齐很重要，一定要在句号、换行处切，别在句子中间截断。还有元数据要保留，比如来源…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配追问：…量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配追问：场景切入假设你在做一个智能客服，用户连续问了好几轮，比如先问“订单在哪”，然后问“物流怎么还没更新”，接着问“退款流程能加速吗”。到了第三轮，系统可能已经忘了第一轮提到的订单号，或者用户聊着聊着话题偏了。你怎么避免这种知识遗忘和上下文漂移？层层追问多轮RAG里，你是怎么把历史信息带进检索的？……如果用户前面说了很多，后面只问“它什么时候到”，“它”指代什么容易丢，你怎么处理？……再比如用户突然换话题问别的，检索结果还跟之前绑在一起，怎么判断该不该重置上下文？直球架构 …

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：…三层评估找到瓶颈，按业务场景选优化手段，冷启动重检索，数据多了再联合调优。核心是别贪多，每个阶段只解决一个主要矛盾。一句话定位：RAG评估和优化本质是平衡检索与生成三层评估体系：检索、生成、端到端，各有侧重迭代优化：检索侧、生成侧、协同，按场景选落地风险与取舍：冷启动先搞检索，数据多了再联合优化约4分钟自动评估指标在复杂推理场景下与人工判断差距大，需人工校验面试官可能会追问：具体哪些场景下差距大？如何设计人工校验流程？或者有没有更好的自动评估方法？

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配追问：场景切入我看你做过电商客服的RAG。用户问‘这个订单怎么还没发货’，系统答成了‘您已签收’。你想定位是检索没找到物流信息，还是生成环节写错了，你会怎么一步步查？层层追问 RAG输出错了，你怎么判断是检索还是生成的锅？……比如答案和检索文档矛盾，是检索没召回对的文档，还是生成没看文档？……具体你会设计什么实验来隔离这两个模块？直球架构设计一套实验流程，系统性地分析RAG错误根源在Retriever还是Generator。要求给出具体的替换、消融实验方案，以及用于判定的指…

#百度#评估与监控#RAG 错误定位

面试题·评估· 字节

RAG 自动与人工评估

匹配口述回答：这道题其实是在问，怎么衡量[[RAG]]系统到底好不好。我的理解是把评估拆成三个层面来思考：检索评估、生成评估和端到端评估。我先说自动评估，再说人工评估，最后聊一下落地怎么取舍。先说检索评估。这一步主要是看检索回来的片段质量怎么样。我最常用的指标是Recall@K，K一般取5或者10，它关心的是正确答案有没有被召回。如果业务场景对排序有要求，比如搜索结果要展示前几条，我会加上MRR来评估第一条正确结果的位置。不过说实话，检索评估只是中间环节，最终还是要看生成效果。生成评估…

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配口述回答：这道题其实问的是[[RAG]]系统上线前怎么验证它好不好用，本质上是两段式质量验证，检索和生成得分开看，因为问题出在哪一段完全不一样。我先说检索质量。检索评估核心就两件事：找全和排好。找全看Recall@K，分母是黄金相关文档总数；前K中的相关占比是Precision@K。比如客服退款场景，用户说“订单还没退”，系统得把退款政策和订单状态相关文档都捞出来，漏一个就可能答错。排好看MRR和NDCG，MRR关注第一个正确答案是不是排前面，NDCG则更精细，允许相关度分级。比如企…

#蚂蚁#评估与监控#RAG 检索与生成评估

RAG 原理与核心架构

RAG 工作原理与核心组件

RAG检索方法选型原因？

RAG 核心实现原理是什么?

专业领域RAG数据与检索优化？

RAG检索方法如何优化？

RAG 架构：检索到生成全链路

领域 RAG 架构如何控幻觉?

RAG 架构怎么搭?

RAG Retriever 工作机制详解

RAG 向量检索怎么高效召回?

RAG 知识库怎么存?

RAG 知识库存储怎么选?

RAG ANN 索引优化

RAG 长文档怎么切块?

RAG 文档 Chunk 划分策略怎么选?

RAG 分块策略选型

RAG 分块参数调优

RAG向量化：分块与Embedding

RAG多轮对话怎么防知识遗忘?

RAG 评测优化闭环

RAG 错误根源怎么定位?

RAG 自动与人工评估

RAG 检索与生成评估