匹配口述回答：…Top-K 块。相似度计算用余弦或者内积。但这里有个坑：纯向量检索对关键词不敏感，比如搜订单号或者错误码，向量相似度往往不如 [[BM25]]。所以实际落地我会用 [[Hybrid Search]]，向量和关键词两条路同时走，结果再融合。举个例子，电商客服场景，用户问“我上次买的手机怎么还没到”，向量检索能理解“手机”和“物流”的语义，但如果用户说“订单号 12345 怎么退款”，关键词匹配更准。所以混合检索是标配。检索完，生成前还有一步：把搜到的文本和原始查询拼成一个 P…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配口述回答：…图结构和摘要。所以我不会把 GraphRAG 当成传统 RAG 的替代品。简单事实问答、数据频繁更新的知识库，用向量检索加 [[BM25]] 加 reranker 往往更务实；关系密集、相对静态、需要分析报告或关联挖掘的场景，GraphRAG 更有价值。真正落地时，我会关注两个风险：一个是抽取错误会污染整张图，必须有置信度和人工质检；另一个是社区粒度，如果分得太粗，摘要空泛；分得太细，又失去全局视角。这两个点通常决定 GraphRAG 的实际效果。 GraphRAG的动机…

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…一部分是全局性、分析性的问题。如果只是简单FAQ，比如查订单号、查错误码，传统RAG加上[[Hybrid Search]]或者[[BM25]]就够了，根本用不上图。真正落地时，我通常会把它们搭配着用：简单事实查询走传统RAG，复杂推理走GraphRAG，甚至还可以用个路由层，根据问题类型动态选择。还有一个有意思的延伸点：GraphRAG的社区摘要本身是LLM生成的，这其实引入了[[Hallucination]]风险，摘要可能不准确，导致后续检索都基于错误的前提。所以上线前我…

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#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

匹配口述回答：…觉得，RAG 落地的上限其实在检索质量，而不是生成能力。所以我会把更多精力放在检索链路优化上，比如[[混合检索]]，把向量和 [[BM25]] 关键词结合起来，应对不同 query 类型。总的来说，RAG 不是万能药，前提是你的知识库质量要够高，文档结构清晰，否则检索不准，后面生成再好也没用。我更倾向先做检索评测，再逐步优化生成，这样迭代路径更清晰。 RAG的核心定位与适用边界三阶段流程与关键环节落地风险与优化策略高级变体与工程取舍约4分钟 RAG落地上限在检索质量…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…但 RAG 不是万能的，检索失败时生成会崩。所以我会做两件事：一是提升检索质量，用 [[Hybrid Search]] 结合 [[BM25]] 和 [[Embedding]]，再加 [[Rerank]] 精排；二是优雅降级，检索不到就明确说“没有相关信息”，而不是瞎编。 [[Knowledge Graph]] 适合复杂推理，比如“这个客户和哪个供应商有纠纷”，需要多跳验证。[[Function Calling]] 对时效性信息很有效，比如查实时库存、天气，直接调 API。说…

#海尔#外部知识集成#大模型幻觉

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…索，而是结合关键词和向量做[[Hybrid Search]]，因为用户问题里可能直接提到组件上的文字，比如“立即购买”，这时候[[BM25]]召回比向量更准。所以我会先粗筛组件类型，再精排功能说明，确保召回率。生成增强这一步，我把组件的结构化信息、检索到的文档片段和用户问题拼成一个prompt，让大模型生成回答。这里有个坑：大模型容易[[Hallucination]]，所以我要求模型在输出时标注信息来源，比如“根据《XX平台设计规范》第3.2节”。这样用户能溯源，也方便调试…

#淘天#多模态#多模态 RAG

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配口述回答：…果检索回来的东西不相关，LLM再强也白搭。所以落地时我会特别关注两点：一是 [[Hybrid Search]]，把向量检索和 [[BM25]] 关键词检索结合起来，因为向量擅长语义匹配但可能漏掉精确词，关键词正好互补；二是 [[重排]]，初检索召回几百条，再用 [[Cross-Encoder]] 精排一遍，把最相关的前几条送进生成，能显著减少噪声。说个真实业务场景吧，比如电商客服的退款政策问答。用户问“七天无理由退货的运费谁出”，如果只用LLM微调，模型可能记错或者把旧政策…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…上限。如果检索回来的内容不相关，模型再强也白搭。所以我会特别关注检索这一步的工程细节，比如用 [[混合检索]]，把关键词匹配（[[BM25]]）和向量相似度（[[Dense Retrieval]]）结合起来，因为很多专业术语或编号（像订单号、错误码）向量搜不好，但关键词能精准命中。另外，切分策略也很关键，固定大小切分容易把完整语义切碎，我一般会用语义切分，配合[[滑动窗口]]加一小段上下文重叠。还有一个容易被忽略的点：RAG的评估。很多人上线后只看最终回答好不好，但中间检索…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…版本说明和废弃流程，压缩之后只保留当前有效条款，生成准确率明显提升。再一个，我比较推荐搞 [[混合检索]]，就是向量检索加 [[BM25]] 关键词检索，甚至接[[知识图谱]]，多路召回之后做加权融合。这样能避免单一检索方式被噪声带偏。比如向量检索容易把语义相近但实际无关的文档召回来，关键词检索反而能纠正。但这里有个坑：融合策略不是简单的取交集或求平均，得根据场景调权重。比如小红书那种 UGC 内容，噪声类型很复杂，标题党、软广、过时笔记都有，我可能还会加时效性过滤和作者权…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…文本摘要成关键信息，避免把噪声带进生成。这里有一个关键点：不是所有场景都需要重排。如果知识库质量高、[[分块]]合理，直接用 [[BM25]] 加向量检索的混合就够用了；只有噪声多、需要精确排序的场景，比如企业合规文档，才需要加重排。我实际落地企业知识库时，最关注的是检索后的上下文压缩，因为LLM对输入长度敏感，压缩能直接提升生成的准确率和速度。但这里有个坑：压缩本身也会丢失信息，所以需要设计好压缩策略，比如只保留跟问题最相关的段落。再后来就是[[Modular RAG]]…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…、召回、重排、上下文、生成、引用与监控。然后挑一个最有代表性的 bad case，说明【关键改动】为什么针对根因，而不是直接罗列 BM25、向量检索或 RRF。检索、排序和生成分层评测，每轮固定语料与测试集做消融。项目结果按【评测结果】填写，同时交代 Recall@K 或排序指标、答案支持率、P95/P99、成本和观察窗口，不能用一个“准确率”概括全链路。我还会准备【失败案例】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embeddi…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配口述回答：…ss-Encoder]]做精排，取Top 5。但只靠向量不够，我会结合关键词检索，也就是[[Hybrid Search]]，用[[BM25]]兜底，因为有些专有名词比如订单号、错误码，语义相近但词面不同，向量可能漏掉。举个例子，用户问'满减政策'，向量能召回'满200减30'，但关键词能召回PDF里的'满减'条款，两者互补。落地时我最关注两个风险。一是记忆冲突和过时：比如商家改价，旧版本还存着，Agent可能召回错误信息。我会做版本化存储，每条记录带时间戳和置信度，低置信的…

#高德#重排与优化#文档处理

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配口述回答：…药。前提是你的候选集质量不能太差，如果召回阶段根本没把相关文档捞回来，重排再强也没用。所以真正落地时，我通常会混合召回，比如 [[BM25]] 加 [[Dense Retrieval]]，甚至加一些规则，保证召回覆盖率高。另外，重排模型本身也有选择：可以用轻量级模型比如MiniLM[[蒸馏]]版，或者用GPU batch推理来降低延迟。如果对延迟特别敏感，还可以做级联重排，先用一个轻量模型粗排，再用更重的模型精排。再深入一点，其实重排阶段还可以引入LLM做pointwise…

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 为何还要重排?

匹配口述回答：…瓶颈，整个 RAG 链路的响应时间翻了好几倍。所以我的做法是，先保证召回质量，用 [[Hybrid Search]] 比如 [[BM25]] 加向量检索，把 Top-20 的命中率提到 90% 以上，然后再用重排做精排。这样重排只需要处理 20 条，延迟增加几十毫秒，但生成质量提升很明显，尤其是减少 [[Hallucination]]。不过重排也不是万能的。如果召回的文档本身就全是噪声，比如 Embedding 模型没训好，那重排也救不了，因为巧妇难为无米之炊。所以上线前…

#字节#重排与优化#RAG 重排

面试题·检索· 高德

记忆型Agent为何用向量数据库?

匹配口述回答：…时候，它跟关键词检索不是二选一，而是互补的。我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，比如先用[[BM25]]粗筛，再用向量精排，这样既能处理同义改写，又能保证高频词不丢。 [[Embedding]]模型的选择，我主要看几个前提。先说领域适配，通用场景我用BGE或者E5就够了，但如果是医疗法律这种垂直领域，我会用领域数据微调过的模型，否则语义可能偏。接着说上下文长度，Agent的记忆可能很长，比如一个对话回合超过4K tokens，那模型窗口必…

#高德#Agent#向量数据库 Agent

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配口述回答：…质量，如果检索回来的东西就不对，后面再怎么调也救不回来。这里有个关键前提：你不能指望单一检索方式解决所有问题。关键词召回比如 [[BM25]] 适合精确匹配，比如订单号、错误码这种；向量检索适合语义匹配，比如用户说“退款没到账”这种口语化表达。真正落地时我会做 [[Hybrid Search]]，把关键词和向量结合起来，再配合查询改写，比如用户说“退货”，我能自动扩展成“退货退款”“退货流程”，或者用 LLM 把模糊 query 转成更明确的意图。举个例子，在客服场景里，用户…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 快手

RAG 延迟与准确率优化

匹配口述回答：…步重建。三是流式生成，首token出来后一段一段吐，用户感知延迟会好很多。正确率方面，我会重点推**[[混合检索]]**，把[[BM25]]关键词召回和向量检索结合起来，再用RRF融合排序。这样能互补各自的盲区，比如订单号、错误码这种精确匹配的场景，纯向量就抓瞎，但关键词一查一个准。再一个是查询改写，用HyDE先生成一段伪答案再检索，能有效缩小query和文档的语义gap。还有[[Self-RAG]]，让模型在生成时自己判断要不要补充检索，避免过度检索引入噪声。这里有个边…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：…种，[[Faiss]]或者[[HNSW]]索引再快，也解决不了语义颗粒度的问题。所以两阶段架构就来了。第一阶段用向量检索或者[[BM25]]做召回，目标是高召回、快，允许精度低一点，比如从百万级文档里先捞出Top 100。第二阶段用Rerank模型，只对这100条做精排，目标是把最相关的几条顶到前面。你可以这么理解，召回是海选，重排是决赛。海选要快，淘汰大部分不相关的；决赛要准，花更多资源做深度匹配。那Rerank的核心优势是什么呢？最关键的其实是细粒度的语义理解。比如[…

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配口述回答：…，就得用Milvus或者Pinecone。这里有个前提：如果业务场景是精确匹配，比如查订单号或错误码，那向量检索不如关键词搜索[[BM25]]，所以生产上我一般搞[[混合检索]]，向量和关键词两条路一起走，再用[[Rerank]]精排。说到Rerank，这是提升质量的关键。向量检索是粗筛，召回几百条，但很多不相关，这时候用[[Cross-Encoder]]模型对候选结果逐条打分，只保留Top-5。代价是多了几十毫秒延迟，但效果提升明显，尤其对客服退款这种场景，用户问“我上个…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配口述回答：…的场景，比如订单号或者错误码。所以落地时我通常会把向量检索和关键词检索结合起来做 [[Hybrid Search]]，比如用 [[BM25]] 做关键词召回，再融合排序。召回的文档不一定都相关，所以下一步是[[重排]]，用 [[Cross-Encoder]] 模型精排，把最相关的文档排到前面。重排之后就是上下文融合，把检索到的文档按相关性排序，截断到LLM能接受的token长度，然后组装成Prompt。最后交给LLM生成答案。这里要特别注意拒答场景，如果检索到的文档跟Quer…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配口述回答：…eering 是选材的艺术。具体到上下文工程，我一般把它拆成三层。第一层是检索，这里不能只用一种方法，我会把向量检索和 [[BM25]] 这种关键词检索结合起来做，也就是 [[Hybrid Search]]，能覆盖语义相似和精确匹配两种需求。第二层是[[重排序]]，因为初步召回的结果往往有噪音，我会用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相似内容挤占上下文窗口。第三层是压缩，因为大模型上下文窗…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

RAG 为何需要重排序?

匹配口述回答：…上线我会特别关注候选集合的Recall@K，如果前20个里面没有正确答案，重排序再强也没用。所以落地时我会采用混合策略：先用[[BM25]]和向量检索做[[Hybrid Search]]，保证召回覆盖，再用LLM做重排序或生成。说白了，向量检索解决“找得快”，LLM解决“找得准”，两者互补。还有个延伸点：如果业务对实时性要求很高，比如金融实时风控，LLM重排序的延迟可能成为瓶颈。这时候我会考虑用[[Cross-Encoder]]做轻量级重排，或者干脆把重排序和生成合并，用…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…a索引，查询时合并，定期重建base。另外，纯向量检索在短文本或专有名词场景下可能不如关键词，比如订单号、错误码，所以我会加上[[BM25]]做[[Hybrid Search]]，用规则或学习权重融合。说到混合检索，其实这里有一个延伸点：向量检索和关键词检索的权重怎么融合？是手动调参还是用学习模型动态决定？我倾向用轻量级模型学习权重，因为不同query对向量和关键词的依赖差别很大，比如“退货政策”更依赖语义，“订单12345”更依赖精确匹配。最后总结一下我的取舍：我更倾向…

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配口述回答：…tor Database]] 里。这里有个取舍：纯向量检索语义好，但对精确匹配比如订单号、错误码很弱，所以落地时我一般会加上 [[BM25]] 做 [[Hybrid Search]]，两条路并行再合并结果。在线检索时，用户问题来了，先做查询改写，比如把“上个月的退款”扩展成“2025年3月的退款申请”，提升召回率。然后算相似度，取 Top-K，再用 [[Cross-Encoder]] 做 [[Rerank]]，把真正相关的排前面。最后组装成提示词，交给大模型生成答案，同时要…

#字节#RAG应用场景#RAG 技术实现