匹配口述回答：…考，相当于旁边放着参考答案。模型看到文档里明确写了什么，就不太会跑偏。而且知识库可以实时更新，比如电商平台的售后政策变了，不用重新训练模型，更新文档就行。但这里有个前提：检索质量必须够高。如果召回来的文档不相关，反而会误导模型，产生更严重的幻觉。所以上线我会特别关注召回率和相关性，常用[[Hybrid Search]]，就是关键词加向量两条路一起走，再配合[[Rerank]]筛一遍。再一个，提升事实准确性。RAG的生成结果可以追溯到具体的检索片段，这叫Grounding机制…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…档存细节，召回时先定位到父文档，再拉子文档。这样既保证精度，又不丢信息。生成阶段的核心矛盾是知识冲突和长上下文遗忘。模型有自己预训练的知识，当检索到的内容跟它记忆里矛盾时，它可能固执己见，也可能随机选一个，这就是 [[Hallucination]]。我的做法是让模型显式引用来源，比如在 prompt 里要求“只根据以上文档回答，如果文档没有，就说不知道”，同时做置信度校准，把检索结果分太低的直接丢掉。还有一个常被忽略的点：Lost in the Middle 现象，模型对长…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

← 上一页第 8 / 8 页

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

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配口述回答：…到底能挖多深、又卡在哪里，我觉得本质是在考你对系统取舍的判断力。RAG不是银弹，它的核心价值在于让模型能动态接入外部知识，不用重新训练就能更新信息，同时每句话都能溯源到原文，这对合规审计类场景特别关键。成本上也很友好，相比全量微调，RAG的边际成本低得多，适合那些频繁变动的业务知识。但局限也很明显。首个大问题是检索质量不够稳，语义匹配不等于真的相关，比如搜「苹果」可能召回水果和手机混在一起，Top-K里关键信息反而漏了。接着说上下文碎片化，长文档一[[切块]]逻辑就断了，技…

#美团#RAG 局限性#RAG 优化方向

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配正文：…度对齐能力，小图标区分度组件检测 DETR系列或SAM 需支持任意形状UI元素跨模态对齐对比学习微调用产品内部UI数据继续训练检索策略稀疏+稠密混合组件名称用BM25，视觉语义用向量相比纯多模态模型的优势可解释性：能溯源到具体设计规范文档可控性：产品术语、内部黑话可通过知识库注入更新灵活：新组件无需重训大模型，更新知识库即可学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：这道题其实在问，当大模型的知识不够用时，我们怎么往外挂知识。[[RAG]]的核心思路很简单：把模型的参数化记忆，就是它训练学到的权重，和非参数化记忆，也就是外部知识库，结合起来。你可以把它理解成，给一个很聪明但可能记错事的助手配一本随时可查的参考书。具体流程上，标准的三段式：先有一个知识源，比如文档库，要预先[[向量化]]建好索引；然后用户提问时，检索器把问题也向量化，去库里做相似度搜索，召回最相关的Top-K文档；最后生成器把原始问题和这些文档拼在一起，作为上下文让LLM…

#淘天#阿里#RAG 架构

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…新，需增量索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程

面试题·项目与经历· 京东

成就感经历 STAR 回答

匹配追问：…解决的如果重来一次，你会在哪些方面做得不同这个经历如何影响了你后续的技术决策或职业选择场景切入假设你带团队做一个大模型客服Agent，业务方只给三周，数据还特别脏，你会怎么应对？层层追问聊聊你做过最有成就感的一个项目吧……比如从背景到行动再到结果，哪个环节让你印象最深刻？直球架构请分享一个你最有成就感的经历，包括背景、角色、行动和结果，重点说你的技术决策和业务影响。

#行为面试#STAR法则#自我认知

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…需要考虑 Agentic RAG 或 Self-RAG，但延迟和稳定性是风险。面试官可能会追问多跳推理的具体实现方式、如何控制 Agent 的搜索次数、或者 Self-RAG 的训练细节。

#字节#RAG 全链路#RAG 技术链路

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：这道题其实是在问，怎么让大模型不靠训练数据里的记忆，而是实时从外部知识库里查东西来回答问题。说白了，就是给模型配一个外挂知识库。整体流程分两步走，先离线建索引，再在线跑检索加生成。先说离线索引。原始文档不能直接喂给模型，得先[[切块]]。切多大？我一般控制在256到512个token，太小上下文不够，太大噪声多。然后用 [[Embedding]] 模型转成稠密向量，存到 [[Vector Database]] 里，常用 [[Faiss]] 或 Milvus，建 [[HNSW…

#美团#RAG架构#RAG 系统架构