匹配正文：…理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…决连接性查询：需要综合多文档信息才能回答的问题支持抽象概括：从具体事实归纳高层主题、趋势减少语义漂移：图结构约束检索范围，避免向量检索的无关内容典型场景大规模文档分析（如企业知识库、研究报告库）需要全局洞察的决策支持（竞品分析、技术趋势研判）多跳推理需求（"A公司的技术如何影响了B行业"）实现要点 # 核心流程示意 # 1. 索引：文档 → 图谱 → 社区 → 摘要 docs → entity_extraction(kg) → community_detecti…

#字节#知识图谱#GraphRAG 原理

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

…aphRAG的优势场景：如"总结整个数据集的主题"这类需要聚合推理的问题 GraphRAG 核心思想传统RAG把文档切成文本块做向量检索，本质是**"找相似片段"；GraphRAG则是先构建知识图谱**，把非结构化文本转化为结构化的"实体-关系-实体"网络，实现基于图结构的推理检索。工作流程（微软开源方案）阶段关键操作 1. 索引构建用LLM从文本中抽取实体（人/组织/概念）和关系，生成图结构 2. 社区检测用Leiden等算法对图做聚类，发现紧密关联的实体社区 …

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：

#淘天#知识图谱#GraphRAG 原理

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配正文：…unction格式）执行沙箱：超时控制、并发限制、结果缓存记忆层（Memory）短期：对话窗口、KV Cache复用长期：向量检索 + 结构化知识库 + 用户画像二、Prompt设计方法论：三层递进 1. 元指令层（Meta-Prompt）角色定义 + 能力边界 + 安全约束明确"能做什么、不能做什么"，设置拒绝话术模板 2. 推理范式层（Reasoning Pattern） ReAct格式：Thought → Action → Observation 循环结…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配正文：…oT/ReAct/Tree of Thoughts）行动：工具调用、代码执行、外部API交互记忆：短期上下文 + 长期知识库（向量检索）主流架构模式模式特点代表 ReAct 推理与行动交替，实时修正大多数开源Agent Plan-and-Execute 先全局规划再执行复杂多步骤任务 Multi-Agent 多角色协作分工 AutoGPT、MetaGPT 优势与局限性当前优势能力边界扩展：通过工具调用突破LLM知识截止和计算限制任务泛化：同一框架适配不同…

#字节#评估与监控#Agent

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…Action → Observation，多轮交互获取精确信息多工具编排：搜索引擎+计算器+代码解释器，按场景路由知识库构建向量检索（Dense）+ 关键词匹配（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepS…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…、协同机制示例（医疗问诊）用户症状描述 → 实体识别（症状/病史）→ 图谱召回相似病例 ↓ 生成初步分析 ← 指南条款精排 ← 向量召回诊疗规范 ↓ 置信度评估 → 高：输出+引用 | 低：触发多轮追问/转人工核心指标：事实准确率>95%、引用完整率>90%、平均响应<2s 学习建议建议先掌握RAG基础流程，再深入学习向量检索、领域数据清洗、提示工程和合规要求，结合真实案例进行系统设计练习。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_sc…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…有去年的，如果不过滤时间，去年已经过期的政策也会被召回，造成混淆。所以我会提前把时间、类别这些标签作为过滤器，先筛掉无关数据，再走向量检索，这样准确率能提升不少。其实还有一个点我没展开，就是分块粒度怎么和检索策略联动。比如你切了句子级和段落级两层索引，什么时候用句子，什么时候用段落？我一般会先做粗召回，用段落级索引把相关的文档块找出来，然后再用句子级索引做精排，这样既快又准。但这也引出一个问题：两层索引的存储和延迟怎么平衡？所以整体上，我不会一开始就堆所有优化。我会先分析…

#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？

匹配正文：…K相关片段生成模块：基座模型 + 领域Prompt + 引用约束应用层：对话管理、权限控制、审核反馈检索模块设计多路召回向量检索：Dense Embedding（领域微调，如E5-Mistral-medical）关键词检索：BM25 + 领域同义词词典（如ICD-10编码映射）结构化检索：SQL/图查询针对法条层级、药品属性精排与过滤 Cross-Encoder重排序时效性过滤（法律：优先现行有效；医疗：优先近3年指南）权威性分级（法规 > 专家共识 > …

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配正文：…er替代Bi-Encoder做精排，过滤低相关性文档上下文压缩：用LLM或专用模型对长文档摘要，减少噪声信息占比多路召回融合：向量检索 + 关键词检索 + 图谱召回，取交集或加权融合降低单路噪声动态阈值：根据查询难度自适应调整top-k数量，难查询多召回、易查询严过滤二、生成阶段：增强鲁棒性置信度引导生成：让模型输出引用来源并给出相关性评分，低置信度时主动降权或拒绝回答反事实训练（Counterfactual Training）：SFT阶段注入噪声文档，训练模型学…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：…i,D) + k1·(1-b+b·|D|/avgdl)] 局限：词汇鸿沟、"苹果"歧义无法区分。二、语义匹配：跨越词汇鸿沟稠密向量检索（Dense Retrieval）查询和文档分别编码为向量，用 ANN（近似最近邻）快速检索代表：DPR、Contriever，采用双塔架构——编码器分离，可离线建索引，毫秒级响应三、深度学习精排：BERT 及其变体交互式架构（Cross-Encoder）拼接 [CLS] Query [SEP] Doc [SEP] 输入 BE…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配正文：…4-01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动标注（"根据…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…PT-4、文心等生成最终回答引用溯源：输出参考文档编号，增强可信度标准工作流程用户Query → Query理解/改写 → 向量检索（Top-K）→ 重排序 → 上下文组装 → LLM生成 → 后处理（溯源/拒答）核心优势维度说明时效性知识库实时更新，无需重新训练可解释性答案可溯源到具体文档成本比全量SFT低几个数量级领域适配快速接入私有/专业文档关键挑战检索精度：语义Gap导致"找不准"，需迭代优化Embedding和切分策略上下文窗口：多…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…设计三级索引：Dense（语义）+ Sparse（关键词）+ Graph（实体关系）二、检索器设计（多路召回+精排）召回层向量检索：领域微调Embedding（如医疗用PubMedBERT，法律用Legal-BERT）关键词检索：BM25 + 领域同义词扩展（UMLS/法律术语库）图谱检索：Neo4j存储"疾病-症状-药品"或"法条-案例-解释"关系精排层交叉编码器（Cross-encoder）做相关性打分引入时效性衰减因子：score_final = sc…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…端到端优化评估体系：检索用Recall@K，生成用答案相关性和事实准确性（医疗用人工医生标注）迭代闭环：错误案例回流，持续微调Embedding和Reranker 学习建议建议先掌握RAG基础流程，再结合垂直领域特点学习文档分块、向量检索、重排序模型和提示工程，多参考医疗/法律类RAG实战案例。

#字节#重排与优化#RAG 链路优化

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：RAG完整工作流程四阶段架构：阶段核心任务关键组件索引构建文档→Chunk→Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 小红书

RAG 检索偏差怎么系统性解决?

匹配正文：一、检索偏差的成因分析查询侧用户query表述模糊、多义或过于简短，embedding未能捕捉真实意图领域术语与文档用词存在gap（如"充电宝"vs"移动电源"）索引侧文档切分策略不当，关键信息被截断或上下文丢失原始文档质量参差，包含过期、矛盾或低信源内容匹配侧向量检索的语义相似≠事实相关，容易召回表面相似但实质无关的文档二、系统性解决方案 1. 检索优化层手段具体做法查询扩展用LLM生成同义改写、子问题分解，多路检索融合混合检索向量+关键词+稀…

#小红书#美团#重排与优化

面试题·检索· 哔哩哔哩

直接精排所有候选，为何不可行？

匹配正文：核心原因：计算复杂度与系统架构的根本矛盾 1. 计算效率角度复杂度鸿沟召回/粗排：O(1) 哈希查找、O(log n) 向量检索、或轻量双塔模型精排：O(n) 深度交叉特征，单次推理 10-100ms 级候选池规模：百万/千万级，精排全量打分 → 单次请求耗时小时级，完全不可接受算力成本精排模型通常是大模型或深度网络，GPU显存和计算密集全量打分成本 = 候选数 × 单次推理成本，业务无法承受 2. 系统架构角度延迟与吞吐的权衡阶段延迟要求候选规模模型…

#哔哩哔哩#召回粗排精排#推荐系统架构

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配正文：…消解 Query分解：复杂问题拆分为子查询，分别检索后聚合多语言/拼写纠错：确保检索侧和文档侧语义对齐 2. 检索阶段（粗排）向量检索：Embedding模型将Query编码，从向量库召回Top-K（通常50-100）稀疏检索：BM25/TF-IDF作为补充，捕获关键词精确匹配混合检索：向量分数+稀疏分数加权融合，兼顾语义和字面 3. 重排序阶段（精排） Cross-Encoder：Query+Document拼接输入，输出相关性分数，精度高但计算慢精排Top-N：…

#美团#评估与监控#RAG 工作流程

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：…编码器（Cross-Encoder）或轻量重排模型对召回文档精细打分，筛选Top-N（通常3-10）送入生成关键作用：弥补双塔向量检索的语义鸿沟 4. 上下文构造格式组装：按相关性排序，添加文档标识（如[Doc 1]）长度控制：截断、摘要压缩、或分层检索（摘要→全文）去重与连贯性：处理重复段落，保证上下文逻辑流畅 5. 生成答案构造Prompt：系统指令 + 检索上下文 + 用户问题模型生成时结合上下文约束，输出带引用的答案 6. 后处理（可选）答案与来源的归…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 检索优化:重排序怎么用?

匹配正文：…用户真实意图，消解歧义（如"苹果"→区分水果/公司）多跳查询分解：复杂问题拆成子查询，分别检索后聚合二、检索中：混合检索单一向量检索有局限，典型组合：稠密+稀疏：向量语义匹配 + BM25关键词匹配，互补召回分数融合：线性加权或 learned sparse retrieval（如SPLADE）统一打分多向量表示：ColBERT的late interaction，细粒度token级匹配三、检索后：精排与过滤重排序(Rerank)：用Cross-Encoder（…

#字节#混合检索#RAG 检索优化