匹配口述回答：…用 [[Parent Document]] 结构，保留父子关系，更新时原子级替换整个子树，再配合版本号做在线校验。所以总的来说，RAG不是搭个流水线就行，每个环节都有前提条件和trade-off。我更倾向把RAG看成一个持续优化的系统，而不是一次性工程，重点在数据质量和评估闭环上花功夫。一句话定位：RAG本质是让大模型学会查资料文档预处理：语义分块和元数据增强检索环节：混合检索和查询扩展生成环节：上下文压缩和引用溯源系统级取舍：评估闭环和缓存策略约4分钟当知…

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…下文和引用，错误才能定位到知识、过滤、召回、排序或生成。索引和模型更新走灰度，异常时回退整套兼容版本，而不是只换回其中一个组件。 RAG本质是给大模型配一个可检索的外部知识库检索器设计：混合检索解决不同场景匹配问题知识库构建：分层和清洗确保数据质量生成集成：引用溯源和拒答机制控制幻觉落地权衡：延迟、效果与常见失败场景约90秒 Agentic RAG引入主动决策，模型自己判断何时检索，效果更好但延迟增加。面试官可能会追问Agentic RAG的具体实现方式，比如如何…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 架构怎么搭?

…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」。这个方向其实把RAG从被动喂料变成了主动思考，挺有意思的。 RAG本质是给LLM配外脑索引阶段：切块、向量化、存进去的坑检索阶段：Query改写、混合检索、重排序生成阶段：Prompt组装与置信度控制落地取舍与给…

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：

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配口述回答：…关键信息，也可能是prompt没约束好。这时候我会先分析失败case，定位是检索还是生成的问题，再针对性优化。所以整体上，我会把RAG看成检索和生成的系统工程，不是简单搭个管道就完事。每一步都要有评估和兜底，尤其是幻觉抑制和上下文利用，这两个是RAG落地的核心痛点。 RAG落地核心是检索和生成的平衡检索阶段：分块、混合检索与重排上下文处理：去重过滤与动态窗口生成阶段：prompt约束与幻觉抑制系统评估与风险意识约4分钟 RAG评估要分离检索和生成，分别用Reca…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…把召回链路看成一套可组合的乐高积木，没有固定的最佳实践，只有针对业务场景的权衡。比如对延迟敏感的用HNSW加量化，对精度要求高的用混合检索加精排，对成本敏感的做冷热分层。关键是上线前一定要压测，用真实query回放，对比Recall@K和延迟，不达标就回滚。定位：RAG召回本质是精度、速度、成本的三角博弈检索效率：索引选择与量化压缩的工程权衡相关性：混合检索与两阶段精排的落地组合可扩展：增量更新与冷热分层的架构设计收尾：工程师的取舍判断与延伸点约4分钟增量更新中…

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配口述回答：…降序取第一个，但如果有语义不匹配的情况，比如用户问的是“去年的政策”，那就得靠query意图识别来切换版本。所以整体来看，我会把RAG的时效性看作一个系统性问题，不是单靠某个算法就能解决的。我更倾向用分层策略加多路召回，再配合实时补偿，同时做好版本控制和索引一致性校验。如果面试官对版本控制或者混合检索的具体实现感兴趣，我可以再展开讲讲。 RAG工作流程：检索与生成时效性衰减的本质是知识分布变化数据分层：冷热温分层管理多路召回与动态补偿落地风险与工程师取舍约4分钟 …

#字节#时间衰减检索#RAG 工作流程

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 向量匹配怎么高效实现?

匹配口述回答：…束。面试里如果被问“怎样高效”，我不会只报 QPS，还会说明为了这组 QPS 接受了多少召回损失、内存和更新复杂度。一句话定位：RAG向量匹配本质是延迟与召回率的平衡 ANN算法选型：HNSW vs IVF的边界与混用业务场景举例：企业SOP检索的量化与索引策略落地风险：动态更新与一致性工程师取舍：冷热分层+混合检索约4分钟动态更新场景下，HNSW的增量插入会导致图质量退化，需要双索引加异步重建来保证召回率和一致性。面试官可能会追问双索引的切换时机、一致性保证的…

#安克科技#ANN性能权衡#RAG 向量匹配

面试题·RAG

RRF 和加权求和怎么选？两路检索分数为何不能直接相加？

匹配标题与标签：…选？两路检索分数为何不能直接相加？从 BM25 与向量分数尺度不同的问题出发，讲清归一化、加权求和、倒数排名融合及其验证边界。 RAG RAG 检索与重排 RRF 倒数排名融合混合检索融合 BM25 向量分数 RAG 面试

#RAG#检索与重排#RRF

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：答案要点向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似…

#安克科技#混合知识库存储#向量数据库

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

#专题学习#重排与检索优化面试题大全

项目实战·RAG

第 4 章:Embedding 选型与向量化

匹配正文：…通用 BGE 上继续训练,把相关的拉近、不相关的推远。业内行话:微调不是"必选项",而是"召回实在上不去时的杀手锏"。先把切分、混合检索、重排都做好,这些通常比微调见效快、成本低;等这些都到位、召回还卡在专业术语上,再上微调。顺序搞反了,你会花大力气微调却收效甚微。 🏆 Part 3 · 验收串题｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【向量化与语义检索原理】如何用嵌入模型把 query 和文档映射到向量…

#RAG#检索#项目实战

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…章讲怎么把它们"排对" 先看一个排序失败演练(这是本章的"为什么") 下面是用合成条款构造的教学场景,不是线上投诉或客户事故。假设混合检索已经把正确 chunk 召回,但候选顺序仍可能让生成阶段误判。有个典型 case:用户问"孩子摔伤住院,意外险能赔吗?" 系统召回的候选里,「保险责任(承保意外医疗)」和「责任免除(某些情形不赔)」两条都在:正确答案明明召回到了。但喂给 LLM 的上下文里,「责任免除」那条因为字面和问题更像,被排在了最前面,LLM 顺着第一条的语气答了句…

#RAG#检索#项目实战

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…(这是本章的"为什么") 下面是为了说明评估流程而构造的团队讨论,不是作者或学员的客户项目记录。前面九章一路在"优化":换切分、上混合检索、加重排……每次改完都有人说"感觉更准了"。这时应该追问:"准了多少?你怎么知道是真变好,不是错觉?" 如果回答不出来,说明团队仍在凭感觉调参。改了 A 觉得好,改了 B 也觉得好,可到底哪个真有用、提升多少,谁也说不清,因为没有一把客观的尺子。正确做法是建立评估集:从目标资料与使用场景中抽样问题,每道事先人工标好"正确答案应该来自哪个 …

#RAG#检索#项目实战

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…最近邻索引快速缩小范围的意义。合理的链路更像漏斗。第一层先根据知识库、文档状态和权限限定搜索范围。第二层用 BM25、向量或混合检索快速取得一批候选。第三层对候选执行 Rerank，重新计算相关性顺序。第四层根据分数、来源和上下文预算截取最终证据。从全库到最终证据的检索漏斗快速召回负责缩小范围，Rerank 只处理候选，最终再按上下文预算截断。各层解决的问题不同。这条链路里，Rerank 不负责凭空找回候选集之外的文档。如果正确证据没有进入粗召回 Top-N…

#RAG#检索与重排#RAG Rerank

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…T）知识图谱或关系型存储复杂推理、工具调用关键设计点：写入策略：非全量存储，用模型生成摘要/事件三元组压缩信息检索策略：混合检索（向量相似度 + 时间近邻 + 重要性评分）一致性维护：定期触发**记忆反思（reflection）**整合碎片化信息三、检索增强：RAG与Agent记忆融合 RAG-based Memory 将历史交互切分chunk，构建可检索记忆库与实时RAG区分：记忆检索强调时序性和因果关联，需保留对话状态链增强方案记忆树（Memory T…

#得物#Agent#大模型记忆机制

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：… 十亿级规模、企业级生产环境 Pinecone 全托管、零运维、自动扩缩容快速上线、团队运维资源有限 Weaviate 原生支持混合检索（向量+BM25）、GraphQL接口需要关键词+语义联合召回 Qdrant Rust实现、内存效率高、过滤性能强元数据过滤复杂、内存敏感 pgvector PostgreSQL插件、事务支持好已有PG生态、数据量<千万级四、工程选型决策框架关键权衡维度数据规模 <1000万：pgvector或单机Milvus足够 1亿：必须分…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…阈值过滤：低于阈值的结果直接丢弃，避免引入无关内容 Rerank环节：用Cross-Encoder对召回结果精排，显著提升准确性混合检索：向量语义检索 + BM25关键词检索融合，互补覆盖一句话总结 Embedding模型解决"理解语义"问题，向量数据库解决"快速查找"问题，二者协同实现从海量文档中精准定位相关知识。学习建议建议先掌握嵌入模型原理和向量数据库基本操作，再结合RAG流程理解检索环节的语义匹配逻辑，通过动手实践加深理解。

#字节#文档处理#向量检索

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配口述回答：…。所以上线前我会建立一个版本管理机制，每次模型更新，用同样的query集做回放测试，对比Recall@K和延迟，通过才切换。说到混合检索，其实还有个权衡：什么时候用稠密向量，什么时候用稀疏向量？比如订单号检索，稀疏向量或者关键词匹配更准；而意图理解，稠密向量更好。真正稳定的RAG系统，往往是稠密加稀疏再加[[重排]]，但重排会增加延迟，所以需要根据业务场景做取舍。所以整体上，我会把Embedding模型选型看成是工程和效果的平衡，没有银弹。我更倾向先用小规模数据做离线评测…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…理控制：要求基于证据并使用结构化输出；将计算交给代码、数据库和确定性工具。降低温度只减少采样随机性，不能修复错误知识。知识增强：RAG 提供可更新、可引用证据，并配合混合检索、重排、权限过滤和引用定位。检索错误、文档冲突、提示注入或模型忽略证据时仍会失败。后处理：拆分可验证声明，用权威数据源、规则、专用模型或人工复核。验证器也会出错，并增加延迟与成本。产品策略：展示证据和不确定性，允许澄清与“不知道”，按风险限制自动执行范围。评估应分别测检索命中、引用正确性、证据忠实…

#阿里#幻觉治理#大模型幻觉缓解

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…求解法：预计算+剪枝策略：离线计算高频查询路径的子图索引；在线用GNN做路径排序，优先扩展高相关性邻居；复杂查询降级到子图+向量混合检索 3. 图检索与向量检索的融合难点：纯图检索召回不足，纯向量检索缺乏结构约束解法：两阶段融合：先用向量检索召回候选节点，再在局部子图上做图遍历精排；或训练联合编码器，将结构信息注入向量表示 4. 动态更新与一致性难点：商品信息实时变化，图更新导致推理结果波动解法：版本化存储+增量更新：Neo4j/TuGraph支持时间戳版本；关键路…

#淘天#知识图谱#评估与监控

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：…量更新向量库（Milvus/Pinecone）关键设计：双版本向量库（蓝绿部署），更新时切流量，失败秒级回滚 3. 检索决策层混合检索：向量相似度 + 实时库过滤条件（时间窗口、地域）动态权重：根据漂移强度调节外接知识vs模型参数的权重（门控网络或规则）更新机制的三种模式场景机制延迟一致性高频低危（推荐文案）准实时增量索引 <5min 最终一致中频中危（商品属性）小时级批量重建+热切换 ~1h 强一致（版本控制）低频高危（定价策略）人工审核+灰度发…

#美团#分布漂移#外接数据库增强

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…l/nDCG、端到端问答质量、延迟和成本共同选择。数据变化时持续监控两路召回贡献、重排增益和失败查询，不能把任一固定组合称为所有 RAG 系统的“黄金标准”。图解 BM25+向量+Cross-Encoder 怎么组合?图解

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…相似度 = (A·B)/(||A||·||B||)，值域[-1,1]，实际取Top-K 关键优化点优化方向具体手段召回质量混合检索（向量+关键词BM25）、查询改写、多向量表示精度提升两阶段检索（粗排+精排/Cross-Encoder重排序）效率优化量化（FP32→FP16/INT8）、索引分区、缓存热点查询领域适配 Embedding微调、Hard Negative Mining 余弦相似度的选择逻辑归一化后等价于点积，计算高效对向量长度不敏感，适合语…

#字节#向量语义召回#Embedding 语义召回