匹配正文：…D-10编码、法律法条编号），统一同义词分块策略按语义边界切分（章节/段落），chunk size 由资料结构、模型输入限制与评测结果决定是否启用重叠窗口及其长度都作为候选，用同一评测集验证边界证据与冗余成本关键元数据注入：文档来源、发布时间、置信度标签二、检索模块：精准召回 Embedding选型基座模型：GTE-large、BGE-M3通用能力强；领域数据充足时微调（如PubMedBERT医疗版）微调方法：对比学习+难负例挖掘，batch内动态难负例提升显著…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配正文：…负样本：训练时加入语义相近但答案错误的段落，增强判别能力检索优化层面查询侧改进查询改写（Query Rewriting）：用LLM扩展同义词、澄清指代消解 HyDE（假设文档嵌入）：生成伪答案后再检索，弥合查询-文档语义鸿沟检索策略混合检索：BM25关键词 + Dense向量双路召回，取长补短 Embedding微调：用领域数据对比学习，让向量空间更适配业务后处理层面重排序（Rerank）交叉编码器（Cross-Encoder）精排，计算查询-文档交互注意力 …

#字节#RAG 检索噪声#RAG 数据构建

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…社区检测和层次摘要。微软 GraphRAG 的一种实现使用 Leiden 社区检测，但这不是所有 GraphRAG 的必选定义。 LLM 抽取和摘要会传播错误，因此需要抽样审核、规则约束、来源追踪和增量更新策略。 2. 检索模式局部检索：从查询实体或命中节点扩展邻居、关系和关联文本，适合实体关系问题。全局检索：检索或聚合社区报告、主题摘要，适合数据集级主题与趋势问题。实际系统通常把图候选、原始文本和向量候选融合，再由重排或生成器使用；图路径只说明检索过程，不自动证明最终…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…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） …

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配正文：…。跨不同请求复用视觉 KV Cache 只有在前缀完全兼容且实现明确支持时才安全。为补充视觉调用设置预算、超时和降级路径。 4. 评测分别评估感知准确率、OCR/定位质量、观察覆盖率、答案正确性、视觉忠实度、拒答质量、延迟和成本；同时保留端到端 bad case，区分感知错、信息传递丢失和文本推理错。图解弱多模态+强文本模型怎么协同?图解

#美团#多模态#Agent

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：…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（文本Query→检索相关图片摘要）生成阶段：LLM接收时，表格以Markdown/JSON注入，图片以base64或描述文本传入（取决于模型是否原生支持多模态）主要挑战解析精度：扫描件表格识别错误、复杂版面顺序混乱 → 需人工校验+置信度过滤模态对齐：图文语义不对齐（如图片配错说明文字）→ 用多模态预训练或对比学习微调成本与延迟：视觉Encoder计算重、图片token占用长上下文 …

#小鹏#多模态#RAG 表格处理

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…填空在【真实任务】中，基线 Prompt 为【】，常见错误为【】。我负责【】，采用【真实技巧】解决【对应问题】，与【备选】比较。评测集【来源/规模】，真实结果【】，延迟或 token 变化【】，失败切片【】。证据自检每个效果数字应能关联 Prompt diff、测试样本、模型版本和统计口径。引用正确不等于答案正确；JSON 可解析不等于业务字段有效；LLM-as-Judge 需要人工校准。追问入口可继续追问上下文冲突、动态示例泄漏、结构化输出失败、工具参数安全、评测…

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配口述回答：这道题其实问的是，你怎么让大模型听懂人话并且干好活，本质是意图对齐。我理解prompt设计不是写作文，而是做接口，得把任务边界、输出格式、上下文约束都交代清楚。先说核心原则。我总结三个：清晰性、具体性、上下文完整性。清晰性就是告诉模型做什么和不做什么，比如输出格式用JSON模板框死，避免模型自由发挥。具体性就是别写“写得好一点”，要改成“用学术风格，包含三个论点，每个配一个数据支撑”。上下文完整性是说提供必要的背景，比如角色设定、用户画像。这三个原则其实对应的是模型最怕的三…

#阿里#Prompt工程#Agent

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…负样本提示：主动告知"以下文档与问题无关，请忽略"，过滤噪声三、工程权衡策略收益成本 HyDE 召回+15-20% 多一次LLM调用查询分解多跳问题准确率提升延迟×N，需并行化长上下文重排序答案相关性提升受限于模型长度实际落地中，建议先做离线评测确定改写策略的收益，再逐步上线；提示词用A/B测试验证不同指令模板的效果。

#百度#小鹏#美团

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配题目：请阐述如何设计有效的prompt模板来引导大语言模型，使其能够整合检索到的top-k相关文本片段和文档信息，生成准确且相关的最终输出结果。

#商汤科技#Prompt工程#Prompt 模板设计

面试题·Prompt· 百度

意图识别 Prompt 如何设计与校准？

匹配正文：…，避免询问已经提供的信息或不必要的敏感数据。低风险、可撤销操作可以先执行安全部分；高风险动作在意图与槽位明确、权限通过后再执行。评测和发布报告 macro/micro F1、每类 precision/recall、混淆矩阵、unknown 检出、槽位准确、澄清率与澄清后的任务完成，并按语言、对话长度、渠道和新意图切片。冻结模型、Prompt、taxonomy 和数据版本。新 Prompt 先回放已知混淆与注入样本，再影子/灰度。线上新表达先进入待标注队列，核验后更新开发…

#Prompt#意图识别#分类体系

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配正文：…调整计划；但它也会增加延迟、成本、循环和提示注入风险。是否提高任务完成率或降低幻觉必须在目标任务上与单次调用、固定工作流等基线对照评测，不能宣称必然显著更好。结论：ReAct 是“决策—行动—观察”的有界反馈循环，可靠性来自真实工具结果、状态控制和安全边界。图解 ReAct 架构原理与失败场景图解

#字节#百度#Agent

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控制chunk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠密向量存储：FAISS、Milvus等向量数据库 + 可选的倒排索引混合 2. 检索（R…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：答案要点领域知识结构化与分层存储设计多路召回与重排序策略生成器领域适配与约束机制幻觉控制与可解释性保障系统全链路的评测与迭代闭环整体架构用户Query → 意图识别 → 多路检索 → 重排序 → 上下文组装 → 领域生成 → 后校验 → 输出一、数据预处理（领域知识工程）核心挑战：专业文档结构复杂、术语密集、时效性强层级处理策略文档解析医疗：DICOM/HL7标准解析、病历结构化；法律：合同条款拆分、法条引用识别 Chunk策略语义切分（基于BER…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：1. 查询预处理查询改写：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…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答二、关键技术组件组件作用常用方案 Embedding模型语义编码 BGE-large、GTE、OpenAI text-embedding 向量数据库高效相似度搜索 Milvus、Weaviate、PGVector Reranker 精排提升准确率 BGE-Reranker、Cohere Rerank 分…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：…、权威性反馈学习：根据用户点击行为在线优化排序模型 5. 生成与后处理核心问题：幻觉控制和答案质量优化策略：上下文压缩：用LLM提取检索文档的关键片段，减少噪声引用溯源：要求模型标注答案来源，便于事实核查拒绝回答：当检索置信度低时，触发"信息不足"回复系统级优化评估闭环：建立端到端评测（答案相关性、忠实度、上下文召回率）缓存策略：热门查询结果缓存，Embedding结果预计算

#虾皮#RAG全链路优化#RAG 流程优化

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…询侧使用【召回方案】，再通过【融合与重排】处理候选。我会说明为什么选这个组合，Top-K、RRF 常数或权重、重排候选数都来自固定评测集上的参数扫描。正确证据没进候选时先修召回；候选有答案但排名低才看重排。上下文去重、冲突和预算处理后，由【生成约束】控制引用、拒答与输出校验。效果只报告【真实指标】，并带上数据集、硬件、并发和统计窗口。候选召回、排序质量、答案正确性和引用支持率分开测，同时观察 P95/P99 与成本。线上 trace 保存过滤条件、各路候选、融合名次、重排分…

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…复模板后，按结构、固定长度或递归策略产生候选块，并在目标查询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配题目：在大模型应用中，针对检索模块的性能优化，您会采取哪些技术手段和策略？

#字节#检索性能优化#向量检索性能优化

面试题·项目与经历· 京东

成就感经历 STAR 回答

匹配正文：…、协调和验证中的真实动作】；说明关键取舍、被否决方案及个人与团队边界。 Result：结果为【可核验产物或指标】，证据来自【提交、评测、监控、证书或用户反馈】，观察窗口【】。 Reflection：最有成就感的原因是【能力变化或实际价值】，仍可改进【】，下一次会【】。成果不一定需要大公司或夸张收益。修复一个影响用户的缺陷、完成一项研究复现、推动团队按期交付、从失败中建立可靠流程，都可以成为好案例。不得替候选人补写京东、技术负责人、项目周期、样本量、准确率或节省成本。每个数字…

#行为面试#STAR法则#自我认知

面试题·项目与经历· 美团

Agent 未来规模化方向

匹配口述回答：…操作带幂等键、预算上限和审批令牌。每次行动保存输入、模型版本、工具参数、返回值和审批人，外部系统超时要安全失败。上线顺序可以是影子评测、只读建议、人工点击执行、限定范围自动执行，并为高风险事件配置熔断与人工接管。市场需求只是入口，真正决定规模的是客户能否把现有流程、数据责任和权限治理接起来。这样的条件化判断比固定收益数字更可靠，也不会把模型的语言能力误当成业务确定性。给出带条件的商业化判断解释窄域企业流程的成熟基础划清 LLM、规则和人工职责用任务指标与单位经济性验证…

#Agent商业化#B端落地#成本效益分析

面试题·项目与经历· 商汤科技

实习项目业务场景怎么讲?

匹配口述回答：…服务【真实用户与流程】，旧方案的问题是【可复现痛点】，目标是【真实指标】，个人承担【真实职责】。方案先比较规则、检索、传统模型和 LLM，再说明为何选择当前路径。若用了 SFT，应表述为任务行为、输出格式或风格适配，知识和推理收益要单独评测。结果只填写【有记录的离线指标】【线上窗口】【人工接管】【延迟成本】；没有数据就不写百分比，并说明真实限制。【90秒主答】完整叙述可从旧流程开始：用户在【真实场景】遇到【具体问题】，原有规则或人工流程的瓶颈是【真实证据】，项目目标是【可…

#业务理解#需求分析#技术选型

面试题·推理优化· 美团

可视化怎么诊断训练问题?

匹配正文：…ep、有效 token、学习率、梯度累积和数据版本。训练损失下降而验证损失上升可能是过拟合，也可能来自验证分布变化、数据泄漏修复或评测噪声；训练与验证都不降则检查数据、实现、容量和优化。梯度直方图要结合每层参数范数、激活、更新量、混合精度缩放和累积步数解读。底层梯度比顶层小很多并不自动意味着给底层更小学习率，那会进一步减小更新；也不能仅凭单次比例反向给更大学习率。更可靠的量是相对更新，如学习率乘梯度范数再除参数范数，并观察多个 step 的中位数、分位数和方向稳定性。梯度接…

#训练可视化#过拟合诊断#梯度消失/爆炸