匹配正文：…2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检索：如"李彦宏→百度→文心一言→Agent能力" 关系权重量化关联强度，过滤噪声边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场…

#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：核心思想 GraphRAG的本质是用"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→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…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配正文：…ER/关系抽取→与现有图谱对齐（实体链接）→增量写入图数据库社区摘要层：识别受影响的社区→仅重新生成这些社区的摘要，而非全图向量化层：新社区摘要增量Embedding，旧向量保留；支持新旧版本共存 2. 关键实现要点使用时间戳版本控制：每个社区/摘要带版本号，查询时可指定时间窗口变更传播范围控制：通过图算法（如Personalized PageRank）计算新文档的影响半径，限制重计算范围图结构演化处理场景处理策略新增实体/关系直接插入，触发关联社区摘要更新…

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

#淘天#GraphRAG 增量更新#动态知识图谱

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Query向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 +…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：…eneration)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段：将检索结果作为上下文，LLM生成最终回答传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。 GraphRAG的核心改进微软提出的GraphRAG，核心是用图结构替代纯向量检索： 1. 图构建阶段（离线）实体抽取：用LLM从文档中提取实体（人、组织、事…

#字节#知识图谱#GraphRAG

面试题·多模态· 美团

AI Agent 自主智能体实现陷阱

匹配正文：…不可预测，业务场景需要可解释、可回滚的决策轨迹当前缺乏"知道何时该问人"的优雅降级机制 4. 评估与迭代困境 Agent效果难以量化，传统NLP指标失效，人工评估成本极高技术突破方向方向关键进展对Agent的意义世界模型 Sora、物理仿真让Agent具备因果推理和反事实思考能力神经符号结合 AlphaGeometry 复杂规划任务中结合LLM的泛化与符号系统的严谨持续学习参数高效更新摆脱"预训练-冻结"范式，支持在线适应多Agent系统 MetaGP…

#美团#Agent#AI Agent 发展路径

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：…码（CLIP/SigLIP）；图表类需解析为结构化数据版面分析 LayoutLM、YOLO等检测文档结构，建立阅读顺序 2. 向量化策略分离编码：文本走BERT/Embedding模型，图片走Vision Encoder，各自建索引，检索时做 late fusion 联合编码：用多模态模型（如CLIP、Qwen-VL）生成统一向量，单索引检索混合方案：表格存结构化文本+截图双向量，问答类图片存OCR文本+视觉向量 3. 检索与生成检索阶段：Query可能需模态扩展（文…

#小鹏#多模态#RAG 表格处理

面试题·Prompt· 阿里

Prompt优化评估指标有哪些？

匹配题目：在基于大模型的Agent系统中，如何量化评估Prompt优化对推理链路整体性能的影响？请列举可用的自动与人工评估指标，并说明其适用场景。

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 阿里

Prompt优化怎么评估准确性与效率？

匹配题目：在基于大模型的Agent系统中，如何设计量化指标来评估Prompt优化对推理链路整体性能的影响，包括准确性、稳定性与推理效率？

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配正文：…）成本与延迟：多轮工具调用带来token消耗和响应时间激增安全边界：工具权限管控、沙箱隔离机制不成熟评估困难：端到端效果难以量化，缺乏统一benchmark 发展潜力判断短期（1-2年）：垂直场景深度落地代码生成+执行闭环（Devin类工具）企业流程自动化（RPA+Agent融合）中期（3-5年）：多智能体协作生态专业化Agent分工（规划Agent、执行Agent、验证Agent）人机协作新范式：Agent作为"数字员工"接受管理关键瓶颈：可靠性的数量级…

#字节#评估与监控#Agent

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…CoT，复杂任务扩展推理步数推理预算控制：设置token上限或调用次数阈值，避免无限循环工具调用优化工具选择策略工具描述向量化，通过语义相似度快速匹配而非遍历学习型选择：用少量示例训练工具选择器，减少LLM调用执行效率并行调用：无依赖的工具同时执行（如同时查天气和股价）结果缓存：工具输出按参数哈希缓存，避免重复调用容错设计：工具超时降级、备用工具链、结果校验机制系统级优化流式响应：首token快速返回，提升用户体验成本路由：简单任务走小模型，复杂任务触…

#百度#Agent#Agent 性能优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…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（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生成…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：… 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律：法条层级关系（上位法/下位法）、时效性标记三、检索系统：多路召回+领域精排召回阶段稠密向量（领域Embedding微调，如MedEmbed/LawEmbed）稀疏向量（BM25 + 领域同义词扩展）图…

#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：…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，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：E…

#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：…"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→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_sc…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· vivo

地图避障方法有哪些局限?

匹配正文：…践中的应对思路分层架构：全局拓扑+局部栅格，平衡精度与效率动态物体过滤：Ray-casting一致性检测，避免地图污染边缘轻量化：NanoMap、Ego-centric局部地图替代全局维护端到端融合：传统方法提供安全约束，学习模型处理意图预测学习建议建议先掌握SLAM和路径规划基础，再通过仿真项目理解动态环境中地图方法的局限，注重理论与实践结合。

#vivo#机器人导航避障#地图避障局限

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…答策略：超范围问题（如具体诊疗建议）转人工引用溯源：输出必须关联检索片段ID 知识更新机制场景方案示例增量更新新文档向量化入库新发布诊疗指南失效标记版本标签 + 生效时间字段法律修订/药品退市全量重建季度离线重建索引 Embedding模型升级实时修正运营后台人工标注用户反馈纠错关键：建立知识版本表，记录每条的生效/失效时间，检索时过滤。领域特殊考量医疗：多模态支持（影像报告+文本），严格遵循循证等级法律：地域适配（不同法域），区分"参考…

#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?

匹配正文：…时检索"开卷考试"。工作原理：三阶段流程阶段动作关键组件索引（Indexing）文档切分→Embedding→入库向量化模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Milvus、Faiss、ES）生成（Generation）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事实准确性生成时提供可溯源的…

#字节#RAG工作原理#RAG 工作原理

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…询改写：识别用户真实意图，补全省略信息（如"这个多少钱"→结合上下文补全商品名） HyDE（假设文档嵌入）：让LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…显式注入文本或作为附加特征三、检索策略优化索引结构选择 HNSW：延迟敏感场景，图索引保证低延迟 IVF-PQ：内存受限场景，量化压缩降本 DiskANN：超大规模，内存-磁盘混合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键优化分块策略：256-512 tokens为甜蜜点，重叠滑动窗口防断句查询改写：…

#高德#重排与优化#文档处理

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…速度）；分片+路由缓存层：热点Query结果缓存（Query哈希去重）计算层： GPU加速向量计算；Embedding模型轻量化（MiniLM级）影响：延迟从500ms→50ms，但需增加缓存成本、可能损失长尾Query效果瓶颈2：检索相关性不足（Top-K命中率<60%）根因： Query-文档语义鸿沟、Embedding训练域不匹配优化方案：查询改写： HyDE（用LLM生成伪文档再检索）、Query扩展混合检索：向量+BM25融合（RRF排序），关…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配正文：RAG完整工作流程 1. 查询理解与改写查询扩展：识别用户意图，必要时进行query改写（如多跳问题分解）向量化：将query编码为dense/sparse向量，用于相似度检索 2. 检索召回（多路并行）方式特点适用场景 Dense Retrieval 语义匹配，泛化性强同义改写、概念理解 Sparse Retrieval (BM25) 关键词精确匹配实体、专有名词混合检索两者加权融合通用场景召回Top-K（通常50-200），追求高召回率，允许一定噪声…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：…用GPT-4判题）、Faithfulness（幻觉检测）在线评估用户满意度、点击率、人工标注bad case回流关键：建立可量化的业务指标（如客服场景的问题解决率）五、工程架构要点模块化设计：检索、重排、生成独立服务，便于A/B实验缓存策略：高频query结果缓存，降低延迟和成本失败降级：检索失败时切换纯生成或提示用户澄清实际落地建议：先抓大头，通常检索质量和领域SFTROI最高；评估体系必须先行，否则优化方向模糊。学习建议建议系统学习该知识点

#字节#RAG评估闭环#RAG 系统优化