匹配口述回答：…根据业务反馈不断调整。一句话定位：RAG本质是查文档+读文档的工程化数据准备：分块是核心难点，语义切分比固定长度好检索策略：混合检索兜底，重排提升精度生成集成：上下文压缩和Prompt防幻觉评估闭环：Bad case驱动迭代约4分钟知识库频繁更新时，增量索引的一致性校验是个坑，旧索引可能返回过时结果。面试官可能会追问如何保证实时性和一致性的平衡，比如双缓冲索引的具体实现或回滚策略。

#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· 字节

领域RAG应用链路怎么搭?

匹配口述回答：…间、置信度，这样后续检索能按时间或权威度过滤。检索模块。我很少只用向量检索，因为专业领域里关键词匹配往往更精准。所以我会用 [[混合检索]]，把 [[Dense Retrieval]] 和 [[BM25]] 结合起来。比如金融场景，用户搜“第X条”，BM25 能直接命中，向量反而可能跑偏。查询改写也很重要，用户问“这个药能吃吗”，我会先用 HyDE 生成一个假设回答再检索，或者用 LLM 把问题扩展成更完整的表达。召回结果用 [[Cross-Encoder]] [[重排序…

#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?

…vs 领域微调真实场景：电商退款政策检索，BGE+GTE+rerank 落地风险：模型更新、维度膨胀、数据漂移工程师判断：倾向混合检索加微调约4分钟数据漂移导致向量模型效果退化，需要定期回测和增量微调，但微调成本高且需要标注数据面试官可能会追问：怎么构造微调样本？评估向量质量用什么指标？增量微调会不会破坏原有分布？

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：

#百度#文本嵌入模型#Embedding 模型对比

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配口述回答：…模型加好的检索策略就够了。所以总结一下，我的选型思路是：先拿MTEB初筛，再用业务数据精测，然后根据场景选维度和模型大小，最后用混合检索兜底。不追求单个模型最强，而是追求系统整体最稳。这道题本质是成本和效果的平衡先看语义质量，用MTEB初筛+业务数据精测再看工程性能，维度、速度、模型大小要一起考虑最后说落地，混合检索是常态，多语言看场景总结：选型不是选最好的，是选最合适的约4分钟模型微调的适用场景和风险面试官可能会追问微调的具体方法、需要多少数据、如何避免过…

#百度#评估与监控#向量检索

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…次买的手机怎么还没到”，向量检索能理解“手机”和“物流”的语义，但如果用户说“订单号 12345 怎么退款”，关键词匹配更准。所以混合检索是标配。检索完，生成前还有一步：把搜到的文本和原始查询拼成一个 Prompt，扔给大模型。这里有个关键：不是所有搜到的块都有用。如果相似度低于某个阈值，我会直接过滤掉，宁可不答也别乱答。另外，Prompt 里要明确说“请基于以下文档回答，如果文档里没有相关信息，就说不知道”。这样能大幅降低 [[Hallucination]]。跟微调比，…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·检索

什么是 Embedding 向量嵌入？

匹配口述回答：…把 Embedding 看成语义检索的基石，但不会认为它万能。真正落地时，我倾向把 Embedding 和关键词检索结合起来做[[混合检索]]，这样既能抓到语义，又能保证精确匹配，比如订单号、错误码这些场景。如果面试官追问，我会说：Embedding 的另一个难点是处理同义词和多义词。比如“苹果”既可以是水果也可以是品牌，单纯靠 Embedding 可能会混淆。这时候就需要结合上下文做消歧，或者用 [[Rerank]] 模型做二次筛选。一句话定位：Embedding 解决…

#入门#基础概念#Embedding是什么

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配口述回答：…在查询涉及多实体关联或因果推理时才激活图检索，其他情况走纯向量，这样性价比最高。 GraphRAG解决什么问题图构建与抽取的坑混合检索怎么落地业务场景与风险我的取舍约4分钟图更新时增量构建与一致性校验的挑战面试官可能会追问增量更新的具体方案，比如如何处理实体冲突、如何保证图谱与文档库的一致性。

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配口述回答：…+动态扩展”的混合架构。不是所有场景都需要全量建图。比如企业内部的SOP文档，变更频繁，全量建图成本太高，我会先做关键词和向量[[混合检索]]，只在需要多跳推理时才触发图查询。真正落地的关键不是选哪个，而是知道什么时候用图，什么时候用向量。不过GraphRAG的图构建有一个常见失败场景：当文本中实体别名太多或者关系类型定义不统一时，图会变得很稀疏或者很混乱，导致检索效果反而不如传统RAG。所以我会先用小规模数据验证图的质量，确保[[实体链接]]的准确率和关系的覆盖率达标，再…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配口述回答：…RAG，适合复杂关联查询，比如企业组织架构挑战与边界：构建成本高、更新难，不是所有场景都用，高频复杂查询才值得工程师判断：我会混合检索，简单查询走向量，复杂查询走图，并做增量构建约4分钟图谱构建的增量更新策略，用变更日志加版本控制，只处理新增或修改的文档，避免全量重建，但一致性校验是关键。面试官可能会追问增量更新的具体实现细节，比如如何保证图谱一致性、如何处理关系冲突、版本控制的粒度等。

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配口述回答：…些在复杂场景下效果更好。但我觉得，RAG 落地的上限其实在检索质量，而不是生成能力。所以我会把更多精力放在检索链路优化上，比如[[混合检索]]，把向量和 [[BM25]] 关键词结合起来，应对不同 query 类型。总的来说，RAG 不是万能药，前提是你的知识库质量要够高，文档结构清晰，否则检索不准，后面生成再好也没用。我更倾向先做检索评测，再逐步优化生成，这样迭代路径更清晰。 RAG的核心定位与适用边界三阶段流程与关键环节落地风险与优化策略高级变体与工程取舍约4分…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…框”，这样检索时能利用结构信息提升精度。所以整体上，我会把[[RAG]]看成一种连接视觉和语义的桥梁，核心是把截图结构化，再通过混合检索找到精准的知识，最后用生成模型包装成回答。我倾向在工程上多做预计算和索引优化，而不是让大模型做所有事情，这样既快又可控。点明本质：截图理解+知识检索+生成，关键是结构化组件解析：用多模态模型或专用UI检测检索设计：双路索引，混合搜索生成增强：上下文组装与引用溯源落地风险：知识库构建和延迟优化约4分钟组件多时用GraphRAG建…

#淘天#多模态#多模态 RAG

面试题·RAG· 百度

对话模型准确性怎么提?

匹配口述回答：…再让模型组织答案。ReAct等循环可以把推理与工具调用串起来，但必须处理超时、错误返回和多轮累积误差。知识库侧可以比较关键词与向量混合检索、重排和更新策略，记录每个模块对最终质量的实际贡献。我的实施顺序是先固定任务、评测集和预算，建立基线，再分模块比较事实正确率、引用支持率、延迟和成本。架构与训练的投入较高，RAG和Agent更方便按模块迭代，但也增加链路复杂度。选择要由测量结果决定，并持续跟踪失败样本。先明确目标：在固定任务与评测集上比较事实正确率、引用支持率、延迟和成…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 百度

RAG 索引构建管线

匹配口述回答：…、专有名词，比如订单号、错误码，这种向量很难表达；而向量擅长语义匹配，比如'退货流程'和'退款步骤'。两者互补，能覆盖更多场景。但混合检索有个坑：权重怎么配。如果向量权重太高，关键词结果被淹没，长尾就丢了；反过来关键词权重太高，语义匹配又没了。我一般的做法是先各出一部分结果，再用 [[Rerank]] 模型合并排序。索引结构上，如果数据量不大，几百万以内，直接暴力搜索加 [[IVF]] 就够了。但上了千万甚至亿级，就得用 [[HNSW]] 图索引，它能做到毫秒级召回。不过图…

#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？

匹配口述回答：…构。我一般会分四层：数据层、检索层、生成层、应用层。数据层不只是存文档，还包括用户交互日志，用来做后续的反馈闭环。检索层我坚持[[混合检索]]，不只用向量。生成层核心是让模型学会说「我不知道」，而不是瞎编。应用层负责权限、审核、对话管理。检索模块我重点讲。很多人一上来就用 Hybrid Search，但它的前提是你的标注数据够好，不然权重调不准。我的做法是：先做多路召回，向量检索和 [[BM25]] 关键词检索并行，再加结构化查询。举个例子，法律场景里查《民法典》第几条，关…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…有个坑：检索质量直接决定RAG的上限。如果检索回来的内容不相关，模型再强也白搭。所以我会特别关注检索这一步的工程细节，比如用 [[混合检索]]，把关键词匹配（[[BM25]]）和向量相似度（[[Dense Retrieval]]）结合起来，因为很多专业术语或编号（像订单号、错误码）向量搜不好，但关键词能精准命中。另外，切分策略也很关键，固定大小切分容易把完整语义切碎，我一般会用语义切分，配合[[滑动窗口]]加一小段上下文重叠。还有一个容易被忽略的点：RAG的评估。很多人上线…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…P 合规场景，文档里可能夹杂了历史版本说明和废弃流程，压缩之后只保留当前有效条款，生成准确率明显提升。再一个，我比较推荐搞 [[混合检索]]，就是向量检索加 [[BM25]] 关键词检索，甚至接[[知识图谱]]，多路召回之后做加权融合。这样能避免单一检索方式被噪声带偏。比如向量检索容易把语义相近但实际无关的文档召回来，关键词检索反而能纠正。但这里有个坑：融合策略不是简单的取交集或求平均，得根据场景调权重。比如小红书那种 UGC 内容，噪声类型很复杂，标题党、软广、过时笔记都…

#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?

匹配口述回答：…尾 query 效果不稳定。如果训练数据覆盖不全，比如新出的促销活动，向量召回可能直接跑偏。所以工业界通常不会只用向量，而是 [[混合检索]]，BM25 和向量两条路都走，结果合并或加权，保证召回率高。再精排阶段，用深度学习模型做交互式匹配。最典型的就是 [[Cross-Encoder]]，把查询和文档拼成 [CLS] query [SEP] doc [SEP] 输入 BERT，取 [CLS] 输出过 MLP 得到相关性分数。效果最好，但计算代价极大，没法对全量文档做，只能…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 美团

外挂数据库怎么提升大模型准确性?

匹配口述回答：…微调等于刻舟求剑。这时候RAG才是正解。但是静态RAG也不行，固定切分、全量重建索引跟不上节奏。所以真正落地往往是动态RAG加[[混合检索]]，关键词和向量两条路一起走，新数据优先排序。举个例子，外卖高峰期某个商户突然爆单，运力不足，系统需要实时判断是否要暂停接单。如果模型只靠训练时的知识，它不知道这个商户刚爆单了。但用动态RAG，数据层通过Kafka或者Flink流式接入，增量构建向量索引，分钟级内新状态就能被检索到。检索层多路召回，关键词匹配商户ID，向量匹配相似场景的…

#美团#外挂数据库增强#外挂数据库

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配口述回答：…内部SOP问答；现代RAG更适合那些需要动态推理、信息源多的场景，比如客服、金融分析。真正落地时，我倾向把两者结合起来，比如用[[混合检索]]，关键词召回保底，向量召回提高精度，再用一个[[重排]]模型把结果精排一下。不过说到联合训练，我其实更关心一个细节：检索器更新的频率。如果知识库每天都在变，检索器的编码器要不要跟着微调？如果不调，新文档的向量和旧文档的向量可能不在一个空间里；如果调，又可能破坏已有文档的表示。这块目前还没有特别成熟的方案，我觉得是个值得深挖的方向。一…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配口述回答：…景互补：向量适合模糊语义匹配，关键词适合精确术语，图谱能回答多跳关系问题，比如某个药和某个症状的关联。检索器设计这块，我会走[[混合检索]]加[[重排]]。召回层分三路：一是领域微调的向量模型，比如医疗用PubMedBERT，法律用Legal-BERT；二是[[BM25]]加领域同义词扩展，像医疗里UMLS同义词库，避免用户说“头疼”但知识库写“头痛”就搜不到；三是[[知识图谱]]检索，用Neo4j存实体关系，比如“疾病-症状-药品”三元组。这三路结果合并后用[[交叉编码器…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：…空间，而不是把几亿条向量全扫一遍。第四步是候选排序。我一般不会只依赖向量检索，因为稀疏特征比如关键词匹配也很重要。所以会做 [[混合检索]]，把向量 + [[BM25]] 的结果线性加权融合，或者用学习模型动态调权。然后[[重排序]]，用 [[Cross-Encoder]] 比如 bge-reranker 对 Top-100 精排到 Top-20，这一步很关键，能显著提升最终回答的质量。最后是去噪，设定置信度阈值，低于阈值的直接丢掉，或者对语义重复的聚类去重。这里有个落地…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

RAG 重排收益与成本

匹配口述回答：…用LLM本身做重排，效果更好。还有一个有意思的点，就是重排和[[Hybrid Search]]的关系。很多人以为有了重排就不需要混合检索了，其实不是。混合检索能补上向量检索在精确匹配上的短板，比如订单号、错误码这种，而重排是进一步优化排序。所以真正落地时，我倾向于把关键词检索、向量检索和重排串成一个三阶段流水线，每阶段承担不同角色。所以整体来看，我不会把重排当成一个可选组件，而是RAG系统里从“能跑”到“跑得好”的关键一步。它的核心价值不是提高召回率，而是提高进入生成器的…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…串行、重排序开销、上下文膨胀准确率挑战：语义鸿沟、切分策略、动态知识滞后 Agent场景的特殊性：多轮累积与工具耦合工程取舍：混合检索、自适应深度、流水线并行约4分钟 Agent多跳推理时单轮检索不够，需要动态决定检索深度和范围面试官可能会追问多跳推理的检索策略设计，比如Self-RAG或GraphRAG的工程细节

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…够了。实际落地中，向量检索对语义相似性很敏感，但遇到精确匹配的场景，比如订单号、错误码，向量检索反而会跑偏。所以线上我一般用 [[混合检索]]，向量走 [[ANN]] 搜语义，关键词走 [[BM25]] 搜精确匹配，最后用 RRF 融合排序。但这样就够了吗？不够。融合后的Top-K候选里，可能还有一两篇不相关的，所以我会再加一层 [[重排]]，用 [[Cross-Encoder]] 精排一下。重排计算成本高，所以只对Top-50做，控制延迟。这里有个坑：重排模型本身也有偏差，…

#高德#RAG#RAG 工作流程