匹配正文：答案要点清晰描述RAG的两阶段架构（检索+生成）说明向量检索的核心机制（embedding、相似度计算）解释RAG缓解幻觉的原理列举至少2个优势（知识时效性、可溯源性等）提及至少2个局限（检索质量依赖、上下文长度限制等） RAG基本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（…

#百度#评估与监控#RAG 架构

面试题·评估· 字节

知识库更新策略怎么选?

匹配正文：…两种策略及适用场景说明近实时更新的技术方案（CDC、消息队列、定时任务）阐述一致性保障机制（双写、版本控制、事务）提及更新对检索质量的影响及重索引策略体现对实际工程权衡（成本、延迟、准确性）的理解知识库更新策略按更新粒度分类全量重建：定期（如每天/每周）重新拉取全部数据、重新分块、重新生成embedding 优点：数据一致性最好，可彻底清理脏数据缺点：成本高、耗时长，适合数据量小或低频变更场景增量更新：仅处理变更数据（新增、修改、删除）基于CDC（Chan…

#字节#评估与监控#RAG 知识库更新

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配正文：…提供较少候选的排序链路。它只使用第一个相关结果的位置，不衡量后续相关证据是否齐全，也不能直接代表生成答案是否正确或忠实。多阶段检索应分别记录初召回和重排后的指标，并以最终送入模型的候选顺序作为端到端诊断依据。配套指标与阈值 MRR 应与 Recall@K、NDCG、证据覆盖率、Faithfulness、引用准确率和答案正确率结合。对于需要多个证据片段的问题，Recall@K 与 NDCG 往往比单独的 MRR 更能说明信息是否完整。 MRR 没有跨数据集通用的 0.7、…

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

#百度#评估与监控#MRR 定义

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配题目：…ranker）模型时，如何系统地设计和构造用于微调的训练数据集？请详细说明正负样本的选择策略、标注方法、数据来源及其对RAG流程中检索质量的影响。

#美团#重排与优化#Reranker 训练数据

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：R…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配正文：…nt记忆 vs RAG知识库的关键差异：动态演进：记忆随交互持续更新，非静态文档时序敏感：需要"最近发生"和"历史相关"的双重检索多模态关联：可能融合对话、工具调用结果、环境状态向量数据库的稠密检索天然适合"语义相关但表述不同"的记忆匹配，且支持增量写入。 Embedding模型设计场景策略说明通用对话直接用BGE/M3E等开源模型成本低，基线可用垂直领域（如高德地图）领域微调用历史对话数据做对比学习，强化地点、路线、偏好等语义多任务目标联合训练…

#高德#Agent#向量检索

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…入RAG RAG的核心价值是解耦知识存储与模型参数，解决大模型固有缺陷：知识时效性：模型参数冻结后无法感知新知识，RAG通过实时检索外部库解决幻觉问题：生成内容可溯源到检索文档，大幅降低"一本正经胡说八道" 训练成本：SFT需要重新训练模型，RAG只需更新知识库，边际成本极低可解释性：能展示"参考了哪些资料"，满足合规审计需求 RAG vs SFT 的适用边界维度 RAG更适合 SFT更适合知识特性频繁更新、领域专精通用能力、长期稳定数据规模海量文档（TB级…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：…型维度 1. 语义能力与任务匹配区分度：同类文档能否拉开向量距离（如BGE、GTE在中文场景表现好）粒度匹配：句子级vs段落级检索，长文本需用支持长上下文的模型（如M3E、BGE-large支持512-8192 tokens） 2. 语言覆盖纯中文：BGE、GTE、M3E等国产模型更优多语言/跨语言：OpenAI text-embedding-3、E5-mistral等多语言模型代码检索：需CodeBERT、CodeT5等专用模型 3. 效率与成本模型大小：小模型…

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程（索引-检索-生成）的完整理解向量数据库选型与优化要点检索策略（稠密/稀疏/混合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Ge…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配正文：答案要点数据清洗与分块策略设计 Embedding模型选型与微调考量多路召回与重排序的检索架构大模型Prompt工程与上下文压缩端到端评估指标与迭代优化闭环一、数据准备：质量决定天花板数据清洗去重、去噪、格式标准化（PDF/Word/网页解析）领域术语词典构建，确保专业概念不被错误分词分块策略（关键！）按语义切分优于固定长度：用BERT-based句子嵌入判断边界领域特性：医学/法律需保留完整条款上下文，代码按函数/类切分块大小与重叠窗口都作为候选变量…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR+结构化提取，金融财报…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：…base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文效果优秀长文档检索、法律文书 M3E (开源社区) 轻量、易部署，适合资源受限环境边缘部署、快速验证 BCEmbedding (网易) 双语对齐好，跨语言检索强中英混合场景 2. 国际主流模型 OpenAI text-embedding-3/ada-002：效果稳定，API便捷，成本高 Cohere Embed：多语言支持好，长文本优化 E5/MiniLM：…

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：答案要点明确业务场景需求（检索、聚类、分类）决定选型方向掌握主流模型特点（BERT系、Sentence-BERT、M3E、BGE等）的优劣对比理解维度、上下文长度、多语言能力的权衡知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模…

#百度#向量检索#Embedding 模型选型

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配正文：答案要点语义表达能力与领域适配性向量维度与存储成本的权衡检索速度与推理延迟多语言支持与跨语言检索能力微调扩展性与模型生态核心选型维度 1. 语义质量指标 MTEB榜单排名：参考检索、重排序、聚类等任务的综合表现领域适配性：通用模型（如BGE、E5）vs 领域微调模型（如GTE-medical）上下文长度：支持512/2048/8k tokens，长文档需截断或分层处理 2. 工程性能指标向量维度：常见768/1024，维度↑精度微增但存储和计算成本线性↑ 推…

#百度#评估与监控#向量检索

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：答案要点识别RAG的核心优势（知识时效性、可解释性、成本可控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…RAG 知识更新灵活性差。需重新训练，成本高、周期长优。知识库热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间推理易断裂性能上限分析 SFT上限：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非事实记忆。 RAG上限：受限…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：答案要点区分"检索准确"与"生成失败"的边界，定位问题根因掌握提示工程、上下文压缩、重排序等轻量级优化手段理解SFT/RLHF在RAG场景的特殊性（如拒答能力、引用忠实度）提及系统级方案如多模型路由、生成后校验问题定位：检索准≠生成好先确认是生成能力不足还是检索-生成对齐问题：检索片段本身矛盾/冗余 → 上下文组织问题模型忽略检索内容、自由发挥 → 注意力对齐问题模型无法理解专业领域知识 → 领域适配问题分层优化策略 1. 提示工程（零成本）显式指令：强…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

RAG 完整流程分几步？

匹配正文：答案要点全流程五大步：文档解析 → 分块 → 向量化 → 检索 → 生成前三步是离线建库：把原始文档加工成可检索的知识库，提前做好后两步是在线问答：用户提问时实时执行，检索资料再生成答案分块是最容易被忽视却影响最大的一步：块太大噪声多，块太小语义被切断排查 RAG 效果差的问题，就按这条链路逐步定位是哪一环丢了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成…

#入门#基础概念#RAG流程

面试题·检索

什么是 Embedding 向量嵌入？

匹配正文：…把文字转成一串固定长度数字（向量）的技术，让机器能“计算”语义核心性质：意思越接近的文本，向量在空间中的位置越近——这是一切语义检索的基础语义相似度最常用余弦相似度来算：看两个向量方向的夹角，值越接近 1 越相似向量由专门训练的嵌入模型生成（如 BGE 系列），不是随便编码它是 RAG 检索、语义搜索、推荐系统共同的地基核心概念 Embedding（向量嵌入）是指用模型把一段文字映射成一个固定长度的数字向量（比如 1024 个小数），使得语义相近的文字在向量空间中的…

#入门#基础概念#Embedding是什么

面试题·检索

向量数据库和普通数据库有什么区别?

匹配正文：…HNSW（分层图）、IVF（先聚类再查桶）、PQ（压缩向量省内存）核心概念向量数据库是一类专门存储高维向量、并按"相似度"进行检索的数据库：文本、图片先经过 embedding 模型编码成几百到几千维的向量，语义越接近的内容，向量在空间中的距离越近；查询时输入一个查询向量，数据库返回距离最近的 Top-K 条记录。这正是 RAG（检索增强生成）里"根据问题找相关文档"这一步的基础设施。和传统数据库的对比维度传统数据库（MySQL）向量数据库（Milvus/Fais…

#入门#基础概念#向量数据库

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：核心思想 GraphRAG 把文本证据与实体、关系或社区结构关联起来，用显式图结构补充向量检索的局部语义匹配。它可以支持关系检索和全局摘要，但不保证关系抽取正确，也不等于自动获得可靠的多跳推理。 1. 图构建解析和分块文档，并保留到原文的来源映射。抽取实体、关系及描述，同时记录证据片段和置信度。做实体消歧、别名合并和冲突处理，避免同名实体误合并。构建属性图，并按实现选择社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 G…

#字节#GraphRAG 实现原理#知识图谱构建