匹配正文：传统RAG的三大核心痛点 1. 检索噪声（Retrieval Noise）问题本质：向量检索返回的Top-K结果中，存在语义相关但实际无关的"伪相关"文档。电商案例：用户查询"苹果手机充电器"，检索结果混入"安卓快充协议技术文档"——语义相近（充电、协议），但完全无法回答iPhone配件问题。导致模型生成错误购买建议，引发客诉。关键影响：准确率下降、幻觉风险上升。 2. 上下文冗余（Context Redundancy）问题本质：检索块之间存在大量重复信息，有效信号被…

#淘天#Agent#RAG 痛点

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配正文：…速回溯 3. 长期记忆（Long-term Memory）用户画像：偏好、习惯、人口属性（结构化存储）事件记忆：重要交互片段（向量化存储）知识记忆：用户专属知识（可结合RAG）存储与检索设计存储层类型存储方式示例用户画像关系型/文档数据库 JSON格式，支持原子更新事件记忆向量数据库 + 元数据摘要向量 + 时间戳 + 主题标签原始对话对象存储压缩归档，用于总结生成检索策略多路召回：向量相似度 + 时间衰减 + 主题标签过滤重排序：用轻量…

#字节#百度#Agent

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配正文：核心权衡分块是在语义完整性、检索噪声、召回覆盖、上下文预算和索引成本之间取舍。块大小与效果不存在跨数据集通用的单调关系，必须结合文档结构、查询分布、embedding 模型和生成任务评测。常见策略方法做法主要优点主要风险固定长度按 token 或字符数切分简单、吞吐和容量容易估算可能切断句子、表格或章节结构或语义边界按标题、段落、句子或解析树切分更容易保留完整语义单元块大小不均，依赖解析质量固定步长滑窗用窗口长度与步长生成候选块增加跨边界覆盖…

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

#百度#文档处理#Chunking 策略

面试题·文档处理· 百度

RAG ANN 索引优化

匹配正文：…间与更新成本。常见策略索引选择：HNSW 通常以较高内存换取低延迟和较高召回；IVF 通过聚类缩小扫描范围；PQ/OPQ 压缩向量以节省存储和带宽。选择取决于数据规模、更新模式、内存和目标硬件。参数调优：HNSW 的 M、efConstruction、efSearch，IVF 的 nlist、nprobe，以及 PQ 码长共同决定构建成本、延迟与召回。应扫参绘制 Pareto 曲线，而非使用固定比例。两阶段检索：ANN 先取较大候选集，再用原始向量、cross-enc…

#百度#文档处理#RAG ANN 索引优化

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配正文：核心矛盾分块本质是上下文完整性与检索精确性的权衡：块过大 → 噪声多、检索精度下降、embedding稀释块过小 → 语义断裂、LLM缺乏上下文常用分块策略策略适用场景特点固定长度通用场景、快速上线按token/字符数切分，实现简单递归分块结构化文档先按段落/句子，再递归细分，保持层级语义分块高质量要求场景用embedding相似度判断边界，保证语义完整 Agentic分块复杂文档 LLM判断边界，成本高但最精准关键最佳实践 1. 重叠策略…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…verlap 候选，验证边界召回和冗余成本递归字符按标点/换行逐级切分优先保证句子完整性语义分块对连贯性要求高的文档用Embedding相似度判断断点，计算成本较高结构感知论文、合同等结构化文档按章节、条款边界切分，保留元数据关键权衡：块太小→语义不完整；块太大→检索噪声高、Embedding稀释 3. Embedding模型选择通用场景：BGE-M3（支持多语言、长文本）、GTE-large 英文专用：OpenAI text-embedding-3-l…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配正文：…如BERT-based分割）而非固定token数重叠窗口：比较无重叠、短重叠和较长重叠候选，验证跨块召回与冗余成本四、元数据与向量化增强元数据保留：来源文档、章节层级、发布时间、版本号，用于检索过滤和重排序多向量表示：长文档同时存储文档级摘要向量 + 细粒度段落向量领域适配：用领域语料微调embedding模型，或训练领域特定的BGE/M3E 五、质量闭环建立清洗效果指标：分块语义完整性评分、术语覆盖率、信息密度通过检索命中率和生成事实性反向驱动清洗规则迭代学…

#字节#RAG 文档清洗#文档预处理

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：核心权衡分块本质是检索精度与上下文完整性的博弈：块太小 → 检索精准但语义断裂，LLM缺乏背景块太大 → 信息冗余，检索命中率下降，易超上下文窗口常用分块方法方法适用场景特点固定长度通用场景、快速上线按token/字符数切，实现简单；边界可能切断语义语义分块高质量要求场景用embedding相似度检测主题边界；计算成本高递归分块层次化文档（法律、论文）先按章节/标题粗分，再细粒度切；保留结构信息 Agentic分块复杂文档用LLM判断分割点…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、位置、类型） ↓ Embedding模型编码 → 按实际显存、限流和失败重试能力确定批量大小 → 写入向量库 ↓ 按需建立倒排索引，用于混合检索工程注意点： batch si…

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配正文：…混合、章节层级明确实现与维护复杂度更高实践建议：先按标题、段落、列表、表格或代码边界产生候选，再对过长单元二次拆分。具体长度受embedding模型输入限制、查询类型和上下文预算共同约束。重叠策略（Overlap）作用：当答案跨越切分边界时，补回相邻上下文选择方法：把零重叠、短窗口和较长窗口放到同一评测集比较，不预设固定比例成本：索引体积增加、相似chunk重复召回、重排与生成输入变长配套处理：保留原文起止位置与父级结构，召回后按来源和位置去重、合并保障语义完…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：答案要点区分知识遗忘（历史信息丢失）与上下文漂移（主题偏离）的本质差异提出显式对话状态管理机制设计动态检索策略而非单次检索说明查询重写/扩展的具体方法给出评估多轮RAG效果的指标问题本质多轮RAG的两个核心挑战：知识遗忘：早期轮次的关键信息未被当前检索利用上下文漂移：用户意图变化导致检索偏离当前需求技术方案 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…性/多跳）配置不同评估权重 A/B测试验证：离线指标提升≠端到端效果提升，需线上验证典型组合稀疏召回（BM25）+ 稠密召回（向量）+ 重排序模型评估：各路Recall → 融合后NDCG → 端到端Answer Accuracy 学习建议建议先掌握信息检索基础指标（如Precision、Recall、MRR），再结合RAG场景理解多路召回的特性，通过实际项目或开源数据集动手实践评估流程。

#美团#评估与监控#多路召回评估

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：…ext_precision、context_recall 业务指标：用户满意度、任务完成率、纠错率对抗测试：构造边界case（如检索片段冲突、信息缺失场景）二、迭代优化策略检索侧策略具体手段语义增强查询改写（HyDE）、多向量表示（ColBERT）、重排序模型结构优化分块策略迭代（按语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…ion）生成时附带引用标记，便于人工核验形成"生成-验证"的闭环有效性边界（什么情况下仍会幻觉）失效场景原因典型表现检索失败知识库未覆盖、Embedding语义漂移问最新事件、冷门知识时编造文档冲突多条检索结果互相矛盾模型选择错误或综合出错推理幻觉检索信息正确，但组合推理错误数学计算、因果推断失误上下文截断长文档超出窗口，关键信息丢失后半部分被截断导致断章取义关键结论 RAG将幻觉从**"无中生有"转化为"有据可依"，但无法根治"理解有误…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…完整上下文元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）二、索引构建双轨索引策略：类型用途实现稠密向量索引语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展精排层：Cross-…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：一、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，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：…

#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：…度医疗：保留"症状-诊断-治疗"完整上下文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）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（Rer…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：…效性依赖三个核心前提：知识库覆盖度外部知识库必须包含问题的正确答案。若知识盲区在库中也不存在，RAG无法解决，模型仍可能幻觉或"检索即编造"。检索准确性Embedding模型需将query与相关文档精准对齐。检索失败（top-k不相关）会直接引入噪声，甚至加剧幻觉。生成可控性LLM需具备"忠实于检索内容"的能力，而非过度依赖参数知识或自由发挥。这涉及prompt设计、上下文窗口利用和指令遵循能力。 RAG的边界：不解决忠实性幻觉能解决：编造不存在的事实、过时信息、专业…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：答案要点检索阶段：召回率低、相关性不足、向量语义鸿沟生成阶段：上下文利用不足、幻觉与知识冲突、长文本建模困难系统层面：延迟高、成本高、冷启动问题改进方案需具体对应上述问题一、检索阶段的缺陷 1. 召回质量不稳定向量检索存在"语义鸿沟"：query与文档的embedding空间不对齐，导致字面相关但语义检索失败稀疏场景（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-enc…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：答案要点清晰阐述RAG的核心原理（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 …

#美团#混合检索#RAG 技术

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…

#OPPO#RAG 意图识别#RAG

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…接对应幻觉问题答案相关性（Answer Relevance）：是否回答了用户问题，而非泛泛而谈上下文利用率：模型有没有有效利用检索内容，而非依赖参数记忆三、端到端自动化指标 RAGAS：无需人工标注，用LLM打分评估忠实度和相关性 ARES：基于合成数据训练评判模型人工评估：最终仲裁，特别是边界案例四、业务实用指标延迟：检索+生成的总耗时，影响产品体验成本：向量检索+LLM调用的综合开销用户满意度：点击率、采纳率、后续追问率等为什么这些最关键？ RAG的核心…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估

RG 系统效果差怎么排查?

匹配正文：…）具备实际可落地的排查工具链和实验设计能力核心排查框架：分层隔离诊断把RAG系统拆成三个独立可测的环节，逐个验证：一、定位检索模块问题关键指标 Recall@K：正确答案是否在Top-K检索结果中 MRR/NDCG：相关片段的排序质量诊断方法人工标注100个查询的"黄金文档"，计算检索命中率分析未命中的case：是query理解偏差（需改写/扩展）、还是向量空间不对齐（需调整embedding或分块策略）快速实验：用人工精选的上下文替换检索结果，若生成质量显…

#检索归因#生成归因#RG 系统故障排查