匹配正文：…排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：上下文过长、信息冲突、幻觉上下文压缩：检索后先用小模型抽取关键片段，或递归摘要，控制输入在模型有效窗口内多路召回融合：多Query并…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…5）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 引用溯源：强制模型输出参考来源编号，…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：…向量存储，BM25轻量权重考量与决策框架业务场景驱动（以抖音为例）：场景策略理由短视频标题搜索 BM25为主 + 向量重排标题短、关键词明确，BM25召回快视频内容理解/问答 BGE-M3为主需理解画面描述、口语化表达直播实时弹幕检索比较BM25、dense、缓存与混合方案依据实际质量、负载与端到端时延预算取舍，不存在由50ms推出唯一算法的规则量化决策建议：在固定标注集和目标负载上，比较BM25、BGE-M3各检索模式与混合方案同时报告Reca…

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

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 哔哩哔哩

粗排模型评估指标与陷阱

匹配正文：…掉多少明显差的候选）、精排队列等待延迟负向指标：粗排截断导致的"本应曝光却未曝光"内容占比实验设计要点分层实验：粗排、精排、重排分层，避免精排迭代污染粗排实验流量隔离：同请求内对比（Interleaving）或用户分桶，后者更常用长周期观察：粗排影响内容生态，需观察7~14天创作者侧指标常见坑：离线用精排打分当label，但精排本身有bias，会导致粗排过度拟合精排偏好。学习建议建议系统学习该知识点

#哔哩哔哩#评估与监控#粗排模型评估

面试题·评估· 京东

知识型与行为型错误诊断

匹配正文：…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”才有可靠反馈；隐藏推理文本本身不是正确性证据。动态政策、价格…

#京东#RAG 与强化学习#知识型与行为型错误诊断

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…用 query 类型分析决定是否改写、扩展或路由，避免所有查询都调用 LLM。评估召回集合后再考虑 Cross-Encoder 重排，防止用重排掩盖召回缺失。分别记录召回质量、P95 延迟、索引更新时效和单次查询成本。建立 bad case 分类，区分切块、召回、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…

#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：…稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-encoder） 2. 上下文切片粒度难把握切分太细丢失全局语义，切分太粗引入噪声改进：语义切分（基于主题边界）、层次索引（摘要+详情）、多粒度召回二、生成阶段的缺陷 3. 上下文利用不足（Lost in the Middle）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…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确，如何用数据定位？

匹配正文：先冻结一个可回放请求保存查询、身份/租户、可见范围、原文与知识快照、解析/切分/嵌入/索引版本、各路候选、过滤原因、融合与重排结果、最终上下文和答案。没有相同条件，两次结果差异不能归因。涉及客户数据时先最小化和脱敏。沿上下文形成链逐层查原文：支持结论的资料是否存在、有效、未冲突且当前用户有权查看；解析与切分：标题、表格、页码、否定句、时间与父子关系是否保留；索引一致性：新增、更新、删除和权限变化是否已传播，各索引/缓存是否同版本；候选资格：服务端过滤是否漏掉正确资…

#RAG#上下文诊断#数据质量

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…索Recall，再优化生成质量构建评估集：从真实日志采样，覆盖高频Query和边界Case A/B测试：检索策略、Prompt、重排序模型的对比实验

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…失败样本是什么。本人职责：本人实现或决定了什么，团队或现有平台提供了什么。基线与方案：先说明基线，再说明为什么尝试检索、融合、重排、引用或拒答中的某些环节。没有做过的不要补齐。测量：固定语料版本、样本与配置，分开测检索、答案支持、延迟、成本和权限门槛。结果与边界：填写真实数值、工程代价、失败切片和回退方案；没有实测就明确“待验证”。事实填空示例：项目服务【真实场景】，语料来自【合法来源】，本人负责【真实范围】。基线在【样本与配置】下出现【失败】。我尝试【方案】并保留…

#美团#混合检索#RAG 技术

面试题·评估

RAG 系统效果差怎么排查?

匹配正文：直接回答 RAG 效果差时，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…

#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：…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，用权威数据源、规则、专用模型或人工复核。验证器也会出错，并增加延迟与成本。产品策略：展示证据和不确定性，允许澄清与“不知道”，按风险限制自动执行范围。评估应分别测检索命中、引用正确性、证据忠实度、事实准确率、校准、拒答质量和端到端任务成功率…

#阿里#幻觉治理#大模型幻觉缓解

面试题·评估

RAG 效果差怎么排查？

匹配正文：…高越好快速诊断信号用户问题与召回文档语义明显不相关 → Embedding模型或分块策略问题相关文档召回但排名靠后 → 需要重排序（Rerank）或混合检索第二步：判断是否为生成问题生成侧关键指标 Faithfulness（忠实度）：生成内容是否基于context，可用NLI模型或人工抽样 Answer Relevance：答案是否回应问题，可用BERTScore或人工判断 Context Utilization：模型是否有效利用了检索到的关键信息典型生成故障模式…

#检索诊断#生成诊断#RAG 效果诊断

面试题·评估

检索准但生成差，怎么调优？

匹配正文：…否回答用户问题而非泛泛而谈完整性：是否覆盖上下文中的关键信息二、检索准确但生成差的优化策略 1. 上下文利用优化上下文压缩/重排序：用LLM或轻量模型对检索文档去冗余、排优先级多文档融合：设计结构化Prompt（如"文档[1]说...文档[2]说..."），明确标注来源动态上下文窗口：根据问题复杂度调整送入LLM的文档数量 2. 生成模型/推理优化微调策略：用领域数据SFT，强化"基于给定上下文回答"的指令遵循能力 Prompt工程：添加显式约束，如"若上下文无法…

#上下文压缩#生成调优#RAG 效果诊断

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配正文：…。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、0.8 或 0.85 …

#百度#评估与监控#MRR 定义

面试题·模型微调· 京东

300-500意图怎么召回?

匹配正文：答案要点层次化意图体系设计（意图聚类+二级路由）多路召回策略（粗排+精排+重排）上下文压缩与动态示例选择 Embedding模型微调与领域适配实时性能与准确率的平衡方案核心思路：三层架构解决"长上下文+多意图"困境一、层次化意图体系（解决300+意图爆炸）一级路由（10-20个意图簇）→ 二级分类器（每簇20-30个意图）聚类策略：基于业务语义+历史query共现，用K-Means/Spectral聚类构建意图树动态路由：先用轻量模型（TinyBERT级）做…

#京东#大规模意图识别#上下文长度限制

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…点击/转化反馈，用对比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签，推理时检测query分布，动态调整检索策略监控新文档的检索占比，低于阈值时触发告警落地关键监控看板：新文档命中率、头部结果多样性指标 A/B实验：灰度验证策略效果，避免全量风险学习建议建议掌握RAG基础架构，理解检索偏差成因，学习持续学习、向量重排序、数据分布监控等技术，结合实际案例思考系统优化。

#美团#模型微调#RAG检索偏差

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：… 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：RLHF/DPO中引入事实性奖励，惩罚幻觉输出知识蒸馏：从大模型蒸馏事实性强的推理链到小模型 3. 推理时干…

#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：…（如50个候选）时序衰减加权：score = similarity × exp(-λ·time_gap)，λ控制遗忘速度重要性重排序：用轻量模型打分，考虑：是否包含用户明确确认的信息（"对的""没错"）是否涉及后续对话引用是否跨会话被重复提及（长期偏好）重排序技巧：用对话历史做Cross-Encoder精排，或训练小型BERT做记忆相关性二分类。落地检查点记忆是否"可用"：检索结果在Prompt中能否真正帮助生成是否"可控"：支持显式删除/修改某条记忆（GD…

#高德#Agent#向量检索

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…代，而是互补：SFT负责语言能力和基础推理，RAG负责动态知识注入。复杂推理任务仍需SFT强化，纯RAG对检索质量极度敏感，需配套重排序、查询改写等优化。学习建议掌握排序模型基本架构，学习权重初始化常用方法，结合实际业务理解A/B测试与线上反馈机制。

#美团#RAG vs SFT#RAG

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：…盖、解析、分块、元数据与权限，再比较查询改写、稀疏/稠密/混合召回。只有正确文档已经进入候选集时，Cross-Encoder 等重排器才可能改善高位排序；否则应先修召回。 Embedding 微调、难负样本和索引参数必须分别做消融，避免同时改动后无法归因。生成层对候选证据做去重、冲突检测、上下文预算和位置安排。 Prompt 明确证据边界、引用格式和证据不足时的行为。分开测答案正确性、引用支持率、faithfulness、覆盖率与拒答，不能只看语言流畅度。高风险输出…

#AIlab#检索器优化#RAG 优化

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· 百度

RAG 端到端工作流程

匹配正文：… 可解释性黑盒生成可展示引用来源，便于审计典型变体 Naive RAG：基础检索+生成 Advanced RAG：查询重写、重排序（Rerank）、混合检索（向量+关键词） Modular RAG：引入路由、多跳检索、主动选择等复杂流程

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…定RAG上限，生成能力决定下限。二、系统架构用户Query → Query理解/改写 → 多路检索（向量+关键词+图谱） ↓ 重排序（Rerank）→ 上下文压缩 → 构建Prompt ↓ LLM生成 + 引用溯源 ← 答案后处理核心组件选型： Embedding：BGE、M3E（中文）、OpenAI text-embedding-3 向量库：Milvus（大规模）、Qdrant（轻量）、Elasticsearch（混合场景） Rerank：Cross-Encoder（…

#字节#RAG 最佳实践#RAG 技术原理