匹配正文：…和原文位置保障语义完整性所有参数都要在同一业务评测集上比较，不能把经验范围当结论核心思路文档分段会同时影响召回、重排、生成和引用。真正要优化的不是某个chunk_size，而是让问题能召回完整证据，同时控制噪声、延迟和存储成本。分块长度的权衡候选策略更适合观察的场景主要风险较短分块局部事实、错误码、条款定位上下文断裂、重复召回较长分块总结、比较、跨句推理无关内容增多、重排成本上升结构化或动态分块文档类型混合、章节层级明确实现与维护复杂度更高实…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG 文档如何存储、向量化和更新？

匹配正文：… 分块固定长度、结构分块、递归父子块和语义分块都是候选。chunk 大小与 overlap 根据 tokenizer、证据跨度、引用粒度、重复率、索引成本和评测选择。Overlap 只在跨边界证据问题中有净收益时采用；代码、表格和条款优先按结构保留。每块至少关联 chunk_id、doc_id、原文位置、父标题、文档版本、权限版本、时间与哈希。相关性真值尽量标到原文证据范围，再映射到当前 chunk，避免换切分策略后测试标签失效。 4. 嵌入和索引模型按语言、许可、数据…

#RAG#文档存储#解析

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…机制：用户纠正过的内容降低后续检索权重保留原始query通道：重写失败时fallback 评估指标多轮一致性（人工评分）知识引用覆盖率（黄金答案对比）话题切换响应延迟

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：… prompt 交给模型生成。优势与局限维度优势局限知识时效文档更新即生效,无需重训依赖知识库维护质量可信度可带引用溯源,幻觉降低检索失败时模型仍可能编造成本远低于持续微调每次查询多一跳检索,延迟上升场景考量与 RAG × 微调结合知识频繁更新、需要引用来源的场景(企业 SOP、合规文档、客服工单)首选 RAG;固定格式/语气输出用微调。真实落地常两条腿走路:先微调让模型理解业务术语与对话风格,再用 RAG 注入实时数据。例如电商客服问「退货了但…

#美团#评估与监控#RAG 工作原理

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：…语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合训练：如REPLUG、RA-DIT，让生成反馈指导检索学习端到端优化：用生成损失反向优化检索器（可微分搜索或强化学习）在线闭环：用户反馈（点赞/点踩）回流优化检索排序三、落地建议冷启动阶段…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（要求标注来源）、检索内容前置、Self-RAG（生成时判断是否需要检索）对事实性要求高的场景长上下文处理差分层检索（摘要→细节）、递归检索、信息去重合并需要多文档推理的复杂问题三、迭代实践建议先诊断后优化：用错误案例分析定位是检索失败还是生成失败建立回归测试集：覆盖高频Query和边界Case A/B验证：离线指标提升≠线上…

#字节#评估与监控#RAG 评估

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…知识，替代模型参数记忆增强将检索结果注入Prompt上下文为生成提供事实锚点，约束自由发挥生成基于上下文生成回答可通过引用溯源验证信息来源关键技术机制 1. 事实锚定（Grounding）将生成内容绑定到检索文档的明确陈述模型被强制"照着说"，而非"编着说" 2. 上下文约束（Contextual Constraint）通过系统Prompt限定"仅基于提供的文档回答" 利用Instruction Tuning让模型学会忠实于上下文 3. 来源可追溯（Att…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：…造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改动可解释性差黑盒输出，难以溯源引用来源透明，可追溯验证为什么知识密集型任务需要RAG 准确性要求高：法律、医疗、金融等领域容错极低，必须基于权威文档知识时效性强：政策、产品信息频繁变动，静态模型无法跟上合规与审计：需要明确回答依据，RAG的引用机制满足这一需求简单说，RAG把LLM从"闭卷考试"变成"开卷考试"——模型专注推理表达，事实准确性交给外部知识库保障。学习建…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…床指南，法律优先生效条文查询优化：识别专业术语缩写（如"心梗"→"心肌梗死"），扩展同义词四、生成优化 Prompt工程：强制引用来源，格式如"根据《XX指南》第X条..." 约束解码：禁止生成索引外信息，设置医学安全词表拦截上下文压缩：用LLM对检索结果去冗余，保留关键证据链五、评估方法维度指标方法检索质量 Recall@K、MRR 人工标注相关性生成质量事实准确性对比原文，用NLI模型检测幻觉可追溯性引用覆盖率检查生成内容是否都有来源支撑业务…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

召回策略怎么评估，Recall@K 怎么解释？

匹配正文：…、语言、时间、文档类型和无答案查询切片。检索指标是链路证据，不是最终业务结论。还要验证正确证据进入上下文后，模型是否逐主张使用、引用是否正确、冲突是否呈现、无答案时是否拒答。即使端到端答案正确，也不能用模型“猜对”掩盖越权、过时或错误引用。策略选择应满足一组门槛，而不是强行选一个唯一指标：候选覆盖、头部排序、权限正确、尾延迟和最终证据支持共同决定能否上线。

#RAG#检索评测#Recall@K

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：…归摘要，控制输入在模型有效窗口内多路召回融合：多Query并行检索，去重后按相关性加权拼接，避免单路遗漏答案溯源：强制模型输出引用标记，事后校验片段是否真实支撑答案，降低幻觉拒答机制：相关性分数低于阈值时直接拒答，比胡说八道更安全三、系统效率瓶颈与优化核心问题：检索延迟高、吞吐不足、成本高索引分层：热数据HNSW内存索引、温数据磁盘索引、冷数据按需加载缓存策略：Query embedding缓存、热门问题答案缓存，命中率通常能到30-50% 异步流水线：检索与生…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：…肉记忆，答得对不对看训练。实际落地：两者可以互补，但不是幻觉成因的一一划分，也不构成完整正确性保证。分别检查检索证据、回答事实与引用、安全行为，再比较增加对齐训练是否有收益。学习建议建议系统学习该知识点参考资料 RAG 原论文 InstructGPT 原论文 DPO 原论文

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Doc）处理口语化输入，如"心跳快"→"心动过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配正文：…模型二次生成减少幻觉的本质，是将检索结果作为事实边界，约束模型在知识范围内作答，而非依赖参数化记忆进行外推。提示工程策略 1. 引用标注提示（Citation Prompting） "请基于以下参考资料回答问题，并在答案中标注引用来源编号。若资料不足以回答，请明确说明'根据现有资料无法确定'。" 强制模型建立生成内容与检索片段的显式关联便于后续溯源验证，也增加模型"说谎"的心理成本 2. 上下文优先级提示 "优先依据提供的参考资料，而非你的内部知识。当两者冲突时，以参…

#抖音#约束生成#RAG 幻觉

面试题·评估· 京东

知识型与行为型错误诊断

匹配正文：机制边界题目的方向成立，但不能把幻觉严格二分。RAG 在推理时检索外部资料，把答案约束到可更新、可引用的证据，适合知识缺失、知识过时、私域信息和需要出处的问答。它不修改模型参数，效果受召回、重排、文档质量和生成忠实度限制。强化学习或偏好优化通过奖励塑造输出策略，适合训练模型遵循指令、在证据不足时拒答、正确调用工具、遵守格式或改进可验证任务的行为。它不是可靠的事实写入机制；奖励可能带偏，策略也可能 reward hacking。只有结果或过程能被可信验证时，训练“推理模式”…

#京东#RAG 与强化学习#知识型与行为型错误诊断

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…模型引入指令微调：训练时显式区分"相似≠相关" 效果验证离线：人工标注Top-K命中率、NDCG@K 在线：端到端回答满意度、引用准确率

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…回、融合、重排和权限过滤问题。 3. 评测闭环离线至少观察 Recall@K、MRR 或 NDCG，并按查询类型切片；线上还要看引用正确性、无答案识别、延迟和成本。指标定义、标注口径、样本量及数据泄漏检查必须与结果一起说明。项目事实填空如果需要结合本人项目，只填写可核验事实：语料主要是【真实文档类型】；基线方案是【真实基线】；主要失败查询是【真实 bad case】；选择【真实检索或融合方案】的约束是【真实原因】；离线和线上分别用【真实指标】验证；代价是【真实延迟、成本…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…le）模型对长上下文中间位置信息遗忘，关键证据在prompt中间时被忽略改进：重排序把关键文档放首尾、压缩/摘要减少长度、显式引用机制 4. 知识冲突与幻觉检索内容与大模型参数知识矛盾时，模型可能"固执己见"或随机选择改进：置信度校准、检索内容高亮标记、source attribution强制引用三、系统层面局限 5. 延迟与成本检索+重排+生成链路长，首token延迟高改进：检索缓存、预计算embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单query走传统搜索，复杂query走大模型深度处理缓存策略：高频query的生成结果缓存，降低延迟和成本核心优势语义理解：突破关键词匹配，支持自然语言问答多跳推理：整合多源信息生成综合答案可解释性：答案带引用溯源，用户…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配正文：…域测试集，分维度打标线上监控用户反馈（点赞/点踩）+ 埋点分析检索为空率关键认知：忠实于上下文不等于现实事实正确，正确但缺少引用与有引用却基于错误资料也要区分。按场景同时评估忠实度、事实、完整性、拒答及成本，不给指标排通用优先级。版本、裁判与人工校准记录应固定。参考资料 Stanford 信息检索教材：Precision 与 Recall RAGAS v0.1.21 Answer Correctness RAGAS Context Precision

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…或经过授权的工具查询。真实问题可验证的候选做法需要怎样证明有效模型参数中没有最新或私有资料建立带版本与权限的索引；回答附引用，证据不足时拒答测更新时间、过期答案率、引用支持率与权限越界用例精确编号与语义问法都存在分别评估稀疏、稠密、融合和查询改写，不预设混合检索必胜在同一标注集比较 Recall@K、MRR/nDCG、延迟和成本召回片段相关但不足以回答检查证据充分性、冲突、上下文预算和生成约束逐主张核验支持证据，并单独统计不可回答与冲突样本用自己的项…

#美团#混合检索#RAG 技术

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：…"我不知道"或联网搜索三、典型工程实践用户Query → 意图分类器 → 路由决策 ↓ ├─ 事实查询 → 精确检索 + 严格引用生成 ├─ 开放讨论 → 宽松检索 + 创造性生成 ├─ 多条件筛选 → 结构化查询 + SQL检索 └─ 无关/违规 → 直接拒答实现建议：轻量模型（BERT级）做初分，复杂场景用大模型二次确认，兼顾速度和准确率。

#OPPO#RAG 意图识别#RAG

面试题·评估

RAG 系统效果差怎么排查?

匹配正文：…果差时，先固定一次可回放请求，再沿“数据与权限 → 解析与切分 → 候选资格 → 召回 → 融合与重排 → 上下文组装 → 生成与引用 → 业务结果”逐层定位。不要把所有错误都归因于模型，也不要先换模型或调 Prompt。每一层都要有独立输入、输出、版本和判定标准，才能证明修复命中了根因。先冻结问题，避免边查边变一条排查样本至少记录：查询与会话上下文、用户/租户和可见范围、知识库快照与索引版本、解析与切分版本、检索及重排配置、模型与 Prompt 版本、候选片段、最终上下…

#检索归因#生成归因#RAG 系统故障排查

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…不同原因需要不同措施，没有单一方案能保证事实正确。分层缓解训练层：清洗去重、提高来源质量、标注时间与出处；用监督和偏好数据训练引用、澄清与拒答。它能改变行为倾向，但不会把参数变成实时事实库。推理控制：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…

#阿里#幻觉治理#大模型幻觉缓解