匹配正文：…Neo4j/NebulaGraph）或向量+图混合存储关键设计：实体消歧（同一实体的不同表述合并）、共指消解（代词还原）。二、检索机制：双轨协同 1. 实体检索（精确匹配层）查询中的实体识别 → 图谱中定位种子节点扩展策略：一跳/多跳邻居、特定关系类型过滤 2. 路径推理（结构推理层）基于图算法（BFS/最短路径/随机游走）发现实体间关联路径路径编码：将路径序列转为文本描述供LLM理解 3. 与向量检索的融合最终上下文 = α·子图文本化描述 + β·相关文档片…

#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?

匹配正文：核心优势对比维度传统RAG GraphRAG 知识表示文本块向量，隐式关系实体-关系图，显式结构化检索粒度局部相似度匹配子图/路径推理信息整合片段拼接，易割裂社区聚合，全局一致推理能力单跳，表面关联多跳，因果链条四大机制解析 1. 知识结构化建模将非结构化文本抽取为实体-关系-属性三元组同一实体跨文档归一化，消除指代歧义关系类型显式定义（如"因果关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检…

#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

匹配正文：…段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索/社区遍历→上下文组装精准关联信息 Local Query：从实体出发做多跳邻居遍历，解决"某实体的关联属性" Global Query：跨社区聚合摘要，解决"整体趋势/共性特征"类问题相较传统RAG的优势维度传统RAG GraphRAG 信息组织扁平向量，语义相近≠逻辑关联显式图结构，保留因果、从属等关系检索效率相似度Top-…

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

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配正文：…开发商"）在图中归一关系类型自带语义：区分"创始人"vs"投资人"vs"竞争对手"，向量相似度无法区分 2. 多跳推理召回向量检索是单点匹配，GraphRAG支持路径遍历示例：问"与某投资人相关的AI公司" → 从"投资人"节点出发，沿"投资"边扩散，召回未被直接提及的关联实体传统RAG需靠运气命中，GraphRAG通过图遍历确定性扩展上下文 3. 全局结构感知社区发现算法（如Leiden）识别密集子图，生成高层语义摘要回答"这家公司的行业地位"类问题时，社区摘要…

#百度#知识图谱#评估与监控

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：三大核心痛点 1. 检索噪声（Retrieval Noise）表现：召回的Top-K文档包含无关或低质量内容，干扰模型判断根源：向量相似度≠语义相关性；Embedding模型对领域术语理解不足；Chunk切分破坏语义连贯性改进：引入Rerank模型（如BGE-Reranker）二次精排；混合检索（BM25+向量）降低单一向量空间局限；查询改写（Query Expansion）补全隐含意图 2. 上下文稀释（Context Dilution）表现：有效信息淹没在大量检索…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：核心思想 GraphRAG由微软提出，核心是将非结构化文本转化为结构化知识图谱，再基于图的拓扑结构进行语义检索，而非传统RAG的"文本切块+向量相似度"模式。相对于传统RAG的创新 1. 知识组织方式：层次化图结构传统RAG：文档→切片→Embedding，信息原子化，丢失跨段落关联 GraphRAG：提取实体→关系→社区三层结构实体节点：人、组织、概念等关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs …

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：答案要点能清晰区分RAG与微调的技术边界，说明何时选RAG 讲清楚"离线建库-在线检索-增强生成"的三阶段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配正文：答案要点明确GraphRAG的核心思想：用知识图谱替代纯文本块，实现"实体-关系-实体"的图结构检索说明构建流程：文本→实体抽取→关系构建→社区检测→摘要生成对比传统RAG的局限：只能做点状局部检索，无法回答跨文档的全局性问题举例说明GraphRAG的优势场景：如"总结整个数据集的主题"这类需要聚合推理的问题 GraphRAG 核心思想传统RAG把文档切成文本块做向量检索，本质是**"找相似片段"；GraphRAG则是先构建知识图谱**，把非结构化文本转化为结构化的…

#淘天#知识图谱#GraphRAG 原理

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配正文：答案要点长期记忆的常见存储形式（向量库、知识图谱、外部数据库）大规模记忆的检索优化策略（分层索引、摘要压缩、时间衰减）工程权衡（延迟vs召回率、存储成本）实际落地经验（如MemGPT、LangChain Memory的实现思路）长期记忆的存储形式 Agent系统的长期记忆通常采用分层混合存储：层级存储形式适用场景工作记忆上下文窗口/Redis 当前对话轮次、临时变量短期记忆向量数据库（Milvus/Pinecone）近期对话Embedding、语义检…

#字节#Agent 长期记忆#向量索引

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配正文：原理与架构多模态 RAG 从文本、图像、音频或视频中检索外部证据，再由能消费相应模态的模型回答。典型流程是：OCR、ASR 或视觉编码入库，分块时保留页码、区域和时间戳；查询做模态识别与改写；多路召回、跨模态重排；最后编排上下文、生成并验证引用。索引可将多模态对齐到共享向量空间，也可为各模态分别建索引后用 RRF、分数校准或重排器晚融合。共享空间便于跨模态检索但可能损失模态细节；分索引保留专用能力却增加路由和校准复杂度。关键挑战包括：细粒度区域或时间片对齐；OCR/AS…

#阿里#多模态#多模态 RAG

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…选） ↓ [图像解析模块] → 结构化UI表示（组件位置、类型、文本） ↓ [多模态编码模块] → 视觉-文本联合向量 ↓ [混合检索模块] ←→ [知识库：UI组件说明 + 交互规范 + 常见问题] ↓ [生成模块] → 组件功能解释 / 操作指引 / 故障诊断关键模块设计 1. 图像解析模块检测：用UI-specific检测模型（如ScreenSpot、CogAgent的 grounding 能力）识别按钮、输入框、导航栏等 OCR：PaddleOCR/EasyOCR…

#字节#多模态#多模态 RAG

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：多模态RAG定义传统RAG只检索和生成文本，多模态RAG将检索范围扩展到图像、视频、音频、表格等异构数据，让大模型能基于多源证据进行推理和生成。关键差异对比阶段传统文本RAG 多模态RAG 检索文本Embedding（BERT/Sentence-BERT）→ 相似度匹配跨模态统一嵌入（如CLIP视觉-语言对齐）→ 任意模态query检索任意模态doc 生成纯文本上下文输入LLM 多模态编码器（如ViT+LLM连接器）将图像/视频转为token序列，与文本拼接输入…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…A：冻结视觉编码器（CLIP/SigLIP）+ 投影对齐方案B：端到端训练（如ColPali的ViT+Transformer）检索策略早期融合：图文拼接后统一编码晚期融合：分别检索后加权融合 4. 适用场景文档智能：发票、合同、研报（ColPali优势）电商搜索：商品图+详情页联合检索医疗影像：影像+报告跨模态查询 5. 选型建议场景推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文…

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：核心流程：视觉输入 → 结构化理解 → 知识检索 → 增强生成 1. 图像理解与组件解析视觉编码：用多模态大模型（如Qwen-VL、GPT-4V）或专用UI检测模型（如ScreenAI、CogAgent）提取截图特征组件结构化：识别按钮、输入框、菜单等元素，输出边界框+组件类型+OCR文本，形成结构化UI表示（如JSON：{type: "button", text: "立即购买", bbox: [x,y,w,h]}） 2. 知识检索层设计双路索引：视觉索引：组件截图p…

#淘天#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：答案要点明确多模态RAG的定义（支持文本、图像、视频、音频等多模态输入和检索）技术挑战（跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配正文：…户问题和输出契约。Prompt 只能帮助模型使用证据，不能弥补错误召回，也不能保证固定幅度的准确率提升。构造步骤筛选与去重：按检索和重排结果筛选候选，保留来源、版本、权限和时间；不要用未经校准的统一阈值。信任边界：将检索文本视为不可信数据，用清晰分隔符包裹，禁止其中内容覆盖系统指令。排序与预算：根据任务、证据依赖和“lost in the middle”风险安排顺序，预留生成与工具调用空间。输出契约：要求答案断言关联引用；证据不足或冲突时返回结构化的不确定状态。校…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：… 精确去重（URL/ID去重）冲突标记：对矛盾信息打标签，提示模型"存在不同观点" 2. 上下文注入结构 [系统指令] 你是基于检索文档回答的助手，必须引用来源 [检索上下文] [文档1] 内容...【来源：URL1】 [文档2] 内容...【来源：URL2】 [用户查询] 原始问题 [输出约束] 1)先给出答案 2)标注引用编号 3)不确定时说明"信息不足" 3. 长度优化策略截断：按句子边界截断，保留前N个token 摘要压缩：用轻量模型对长文档生成摘要后注入动态选…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 字节

RAG 生成阶段 Prompt 怎么构建?

匹配正文：核心原则：清晰分层 + 信息密度最大化 RAG的Prompt设计关键是让模型明确知道"要回答什么"和"能参考什么"，避免检索内容淹没指令或模型混淆角色。常见模板结构 1. 经典QA式（最通用） [系统指令] 你是一个基于文档回答问题的助手。请严格根据提供的参考资料回答，如果资料不足请明确说明。 [参考资料] {doc1_content} {doc2_content} [用户问题] {query} [要求] - 优先综合多段资料 - 不确定时回答"根据现有资料无法确定" 2.…

#字节#Prompt工程#RAG Prompt 构建

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…nsion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询分解（Query Decomposition）把"比较A和B的优缺点"拆成" A的优点是什么" + "B的优点是什么" 每个子查询独立检索，最后合并结果 3. 查询澄清（Query Clarification）当query模糊时，先让模型生成澄清问…

#百度#小鹏#美团

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配正文：答案要点明确区分系统指令、检索上下文与用户查询三部分结构设计防幻觉机制（如要求基于引用回答、不确定时声明）处理长上下文截断与冗余去重策略多片段排序与相关性加权提示输出格式约束（如带引用标记的结构化输出）核心设计原则 RAG的prompt设计关键是清晰隔离信息源，让模型明确区分"已知事实"和"需要回答的问题"。推荐模板结构【系统指令】你是一个基于检索文档回答问题的助手。严格遵循： 1. 仅使用提供的参考文档作答，禁止依赖预训练知识 2. 若文档信息不足，明确说…

#商汤科技#Prompt工程#Prompt 模板设计

面试题·RAG· 蚂蚁

增量式向量索引怎么更新?

匹配题目：针对知识库频繁更新的场景，请设计一个高效的增量式向量索引更新机制，要求支持实时或准实时更新，并保证检索质量。

#蚂蚁#增量式向量索引#向量索引更新

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：一、整体架构：四层分离设计用户层 → 网关层（权限/审计）→ 编排层（Agent/Router）→ 服务层（检索+生成+知识管理）核心原则：检索与生成解耦、领域知识分层管理、全链路可追溯二、数据源与知识库构建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

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· 字节

RAG 怎么提升生成质量?

匹配正文：RAG核心定义 RAG（Retrieval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt…

#字节#大模型幻觉#RAG 原理