匹配正文：… 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 循环结构化输出：强制JSO…

#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：…选择（CoT/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…

#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：…ght → 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…

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

#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：核心概念 RAG将大模型的参数化记忆（训练学到的权重）与非参数化记忆（外部知识库）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…

#淘天#阿里#RAG 架构

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：…势具体表现挑战典型场景生成准确性事实幻觉显著降低，可溯源检索噪声污染（错误文档误导生成）医疗/法律问答知识实时性知识库更新即时生效，无需重训模型检索延迟影响TTFT（首token时间）电商促销信息系统灵活性同一模型适配多领域，仅换知识库领域迁移时检索-生成对齐困难多租户SaaS 可解释性生成内容可关联溯源文档知识冲突时缺乏显式消解机制金融合规四、演进意义：从"记忆"到"查阅" RAG的核心范式跃迁在于知识存储位置的转移：传统LLM：知识…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：RAG核心定义 RAG（检索增强生成）是一种将外部知识检索与大语言模型生成结合的技术架构。核心思想：模型生成答案前，先从外部知识库中检索相关信息作为上下文，再基于这些证据进行生成。标准工作流程索引阶段：文档切分 → Embedding模型编码 → 存入向量数据库检索阶段：用户Query向量化 → 相似度检索Top-K相关片段生成阶段：将"检索结果 + 原始Query"拼接输入LLM → 生成最终回答解决的核心问题问题传统LLM RAG方案知识幻觉参数化记忆，…

#字节#外部知识检索#RAG 原理

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…景推荐框架原因多步骤Agent（数据分析→生成报告→邮件发送） LangChain 需要复杂的状态管理和工具编排百万级文档知识库问答 LlamaIndex 索引分层、查询优化、响应速度更优快速原型验证两者皆可 LlamaIndex上手更快，LangChain更灵活生产级混合系统组合使用 LlamaIndex管检索，LangChain管Agent编排实际项目中常见模式：用LlamaIndex构建高质量检索管道，通过LangChain的create_retrie…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配题目：当用户查询在知识库中无法找到相关文档时，RAG系统应如何优雅地降级处理？请描述常见的fallback策略及其优缺点。

#抖音#RAG降级策略#RAG fallback

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：核心架构：四层RAG系统 1. 领域知识库层多源异构数据：结构化（法规条文、药品数据库）+ 非结构化（临床指南、判例文书）分层索引：按效力层级（法律：宪法→法律→司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：整体架构四层设计：数据层：领域知识库（法规/指南/病例）、外部数据源、用户交互日志检索层：多路召回 + 精排，输出Top-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…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…Query2Doc 精排策略：Cross-encoder重排、多路召回融合上下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思token）、FLARE（动态检索）代表：Self-RAG、ReAct、R…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…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：多文档拼接易超长度，需压缩或筛选关键片段多跳推理：复杂问题需跨文档关联，简单RAG难以处理（需GraphRAG）噪声干扰…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配正文：…体系 1. 输入层：上下文质量过滤相关性重排序：用Cross-Encoder对检索结果二次打分，过滤低相关片段时效性校验：标记知识库文档的更新时间，优先使用最新版本来源可信度加权：给权威来源（官方文档、论文）更高权重，用户UGC内容降权 2. 推理层：模型行为约束引用锚定：强制模型在生成时标注信息来源，如"根据[文档A]..."，便于追溯矛盾检测提示：在Prompt中显式要求模型识别上下文中的冲突信息并报告置信度阈值：对低置信度回答，触发"我不知道"或请求人工确认…

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG· 百度

RAG 项目指标化复盘

匹配正文：…边界这是 RAG 项目经历题。公司、客户、语料规模、模型、索引、个人贡献和指标必须来自候选人的真实项目。不得使用题库预设的制造业知识库、设备编码或效果数字。回答框架场景与目标：用户问题、知识来源、更新频率、权限、主指标和服务预算。个人职责：填写本人实际负责的模块，例如文档、检索、重排、生成、评测、服务或监控，并明确团队依赖。完整链路：采集与解析 → 分块和元数据 → 索引 → 查询处理 → 召回 → 重排 → 上下文 → 生成与引用 → 观测。选型取舍：稀疏/稠密…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息覆盖全、推理深度强、可溯源 ❌ 成本高（token消耗大）、耗时长、可能陷入无效循环一句话总结 RAG是"…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…系统级权衡优化方向延迟准确率成本适用场景缓存优先 ↓↓↓ → ↓ 高频Query主导混合检索 ↑ ↑↑ → 专业领域知识库 LLM重排 ↑↑ ↑↑↑ ↑↑ 高精度要求场景模型蒸馏 ↓ ↓ ↓↓↓ 边缘部署核心原则：先做检索质量（相关性是天花板），再攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结合实际案例理解流程，再学习常见优化技术如重排序、查询扩展和索引优化，注重系统级思维训练。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：检索环节优化查询侧优化：Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Enco…

#字节#RAG迭代优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 快手

RAG 延迟准确率根因

匹配正文：…正式化）切分策略粗糙：固定长度切分破坏语义完整性，或粒度太细丢失上下文知识动态性：Agent场景下工具返回结果、实时数据与静态知识库未有效融合 Agent场景的特殊复杂性维度传统RAG Agent+RAG 检索触发单轮明确多轮隐式（由LLM决策何时检索）上下文当前Query 历史对话+工具结果+检索结果累积失败成本单次回答差可能引发错误工具调用链核心矛盾：Agent的自主性要求检索模块既快又准，但两者往往此消彼长。实践中需在延迟约束下做精度妥协，或通过…

#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 组件功能与数据流向?

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（查询向量化、相似度检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…AG与Advanced RAG的架构差异提及实际落地中的核心挑战（检索精度、上下文长度、幻觉控制）核心原理 RAG的本质是外挂知识库：将大模型无法预训练到的私有/实时数据，通过检索方式动态注入上下文，解决知识截止和幻觉问题。三阶段流程：索引(Indexing)：文档→切片→Embedding→入库检索(Retrieval)：Query向量化→相似度搜索→Top-K召回生成(Generation)：检索结果+原始Query拼接→LLM生成答案关键组件组件核心作…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量存储：Milvus、Faiss、Elasticsearch等，支持ANN近似最近邻搜索 2. 检索层（Retrie…

#京东#幻觉抑制#RAG 技术原理