匹配口述回答：这道题其实在问一个系统工程的持续优化能力，而不是罗列一堆技术点。[[RAG]] 从构建到上线，就像一个不断打磨的流程，每个环节都可能成为瓶颈，但真正落地时不能只盯着一个点改，要分模块迭代，同时用数据驱动，避免陷入局部最优。我一般会从四个层面对齐优化：检索、[[重排]]、生成，以及贯穿始终的评估闭环。先说检索，这是源头质量，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…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 字节

RAG 重排作用与实现

匹配追问：…AG，用户问“这个手机怎么样”，系统先召回一堆文档，但直接给LLM可能混进低质的，你会怎么保证给LLM的都是最相关的？层层追问 RAG系统里召回阶段你怎么做的？……那召回的top-k文档质量怎么样？有没有遇到过召回了看似相关但实际答非所问的情况？……如果让你加一个模块专门解决这个问题，你会怎么设计？直球架构 RAG的检索-生成流程中，为什么需要重排模块？它的核心作用有哪些？请列举常见的重排实现方式，比如模型选型和工程部署上的考虑。

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配追问：…什么时候到’，你检索了相关文档回答。但如果用户接着问‘那我能改地址吗’，这时候你是直接检索新问题，还是把上一轮的信息也带进去？这种RAG你们一般怎么设计？层层追问 RAG的基本流程你肯定知道，先检索再生成……但实际中检索质量不好怎么办？……比如用户问的问题和文档表述差距很大，或者需要多步推理，你有哪些手段优化？直球架构请你对比Naive RAG和Advanced RAG，重点说清楚它们在架构上的主要区别，以及各自适合什么场景？

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#重排与优化#Naive RAG

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：我觉得这道题问的其实是，在[[RAG]]系统里，为什么不能只靠一次检索搞定，非要再加一道[[重排]]。说白了，就是召回率和精度之间的取舍，你没法用一个模型同时把两件事都做到极致。先说一下向量检索的局限。不管是[[Embedding]]还是[[Bi-Encoder]]，本质是把query和文档独立编码成向量，然后算个余弦相似度。这种双塔结构只能捕捉粗粒度的语义，像主题匹配、领域对齐这种，但它做不了精细的交互。比如用户搜“苹果笔记本”，你召回“苹果公司财报”和“MacBook …

#字节#Rerank模型#RAG Rerank

面试题·检索· 百度

RAG Query 改写方法

匹配口述回答：…构建。先说查询改写，我一般会看场景选策略。比如用户问得很模糊，像‘退款政策’，我会用多查询扩展，生成几个语义等价的变体，比如‘退货流程’‘退款条件’，并行检索后再去重聚合。这是最稳的。如果问题很专业，比如医疗领域，我会用 HyDE，让模型先生成一个假设答案，再用这个答案的 [[Embedding]] 去检索。你可能会想，这不引入[[幻觉]]了吗？对，所以前提是你的领域知识库足够封闭，生成的假设答案不会跑偏。再一个，复杂多跳问题，像‘2024年X公司营收多少，它CEO是谁’，我…

#百度#小鹏#美团

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：这道题我觉得它问的不是[[RAG]]的原理，它本质是在问：怎么让大模型在不知道的情况下不要瞎编，同时还要高效、可信。RAG是个好办法，但落地时有很多坑，我主要从检索、生成和边界这三个角度来讲。先说检索。最理想的情况是用户问什么，数据库里就有最匹配的文档。但实际往往有语义鸿沟，比如用户说“退款流程”，库里存的可能是“售后政策”，[[Embedding]] 没对齐就匹配不上。更糟的是检索噪声，Top-K里混进一堆无关文档，把关键信息稀释了。举个例子，电商客服场景，用户问“满减优…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配口述回答：这道题问[[RAG]]的架构和检索优化，我觉得本质是在问：怎么把外部知识可靠地注入到生成模型里，同时控制好延迟和[[幻觉]]。RAG不是简单拼装，而是检索和生成的桥接，设计时要时刻想着它们怎么配合。先说核心架构，就是检索器加生成器再加一个融合机制。用户query进来，检索器从知识库捞Top-K文档，拼成prompt喂给LLM生成答案。这里有个关键前提：证据漏召回会限制基于该证据集作答，但高召回不保证忠实生成；解析、权限、重排、上下文与生成都要分阶段评估。所以我会把重心放在检…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配追问：…一个企业知识库问答系统，用户上传了一批PDF和Word文档。你怎么把这些文档变成能检索的知识？从文档进来到最后能回答用户问题，整个流程是怎么走的，关键模块有哪些？层层追问 RAG系统你知道吧？通常分两阶段……那离线阶段具体要做哪些事情？……文档解析完怎么处理？分块和向量化……那在线阶段用户提问后，数据怎么流转才能找到最相关的文档然后生成答案？直球架构请你详细描述RAG系统的两阶段架构，包括离线索引和在线检索生成各自的核心模块，以及数据从原始文档到最终答案的完整流转过程。…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配口述回答：这道题其实是在问，怎么让[[RAG]]系统从知识库里精准捞出有用的信息，本质是个匹配问题。我主要从评估、检索模型、[[重排]]和数据质量几个角度来说。先说评估。检索阶段和生成阶段的关注点不一样，检索阶段我只看召回率，就是正确答案在不在TopK里，用 Recall@K 来衡量。如果场景对顺序敏感，比如客服系统里必须把最相关的退款政策排第一，那我还会看 MRR，也就是第一个正确答案的排名。但端到端评估像[[RAGAS]]那种，是测最终答案好不好，这跟检索评估是两码事，我一般分开…

#360#召回质量评估#RAG 召回优化

面试题·检索· 字节

RAG 为何需要重排序?

匹配口述回答：这道题其实在问一个很本质的问题：[[RAG]]系统里，向量检索和LLM[[重排序]]之间到底是什么关系？很多人以为向量搜到最相似的文档就完事了，但真正落过地就会知道，相似度和相关性是两回事。先说向量检索的边界在哪里。[[Embedding]]模型做的是把文本映射到高维空间，距离近的语义上相似，但相似不等于能回答用户问题。举个例子，用户问“退款政策是什么”，向量检索可能召回一篇讲“退货流程”的文章，因为词向量接近，但文章里根本没提退款金额和时间限制，这种文档对LLM来说就是噪…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：我觉得这道题其实是在问一个很本质的问题：当你面对一个[[RAG]]系统的时候，怎么在精度、速度和成本这三个维度上做取舍。说白了，召回链路没有银弹，每个策略都有它的适用边界和代价。先说检索效率。很多人上来就推[[HNSW]]，但HNSW其实更适合中等规模、对延迟要求高的场景，比如在线客服。如果数据量到了千万级甚至亿级，我会更倾向用[[IVF-PQ]]或者ScaNN，因为HNSW的内存占用太大了。举个例子，一个电商客服系统，商品政策和退款规则大概几百万条，用HNSW能毫秒级召回…

#阿里云#召回链路优化#RAG 召回优化

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：扫描PDF怎么解析内容?、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么选择当前 OCR、版面模型和表格方案？规则、专用模型、视觉大模型和人工复核各在什么边界使用？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：RAG 中…

#模拟面试#简历项目#连续追问

面试题·RAG

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…

#RAG#检索与重排#Embedding 模型选型

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…据库解决"快速查找"问题，二者协同实现从海量文档中精准定位相关知识。学习建议建议先掌握嵌入模型原理和向量数据库基本操作，再结合RAG流程理解检索环节的语义匹配逻辑，通过动手实践加深理解。

#字节#文档处理#向量检索

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配正文：…用：企业知识问答（组织架构穿透）、医疗诊断（症状-疾病-药品关联）、金融风控（股权穿透与关联交易识别）。学习建议建议先掌握传统RAG基础，再学习知识图谱构建与图神经网络 basics，结合论文与开源项目（如Microsoft GraphRAG）动手实践关键流程。

#字节#知识图谱#GraphRAG 实现

面试题·RAG· 淘天

偏好数据如何收集与建模?

匹配标题与标签：偏好数据如何收集与建模? 数据收集、用户偏好建模与模型优化全流程 RAG 淘天用户偏好建模偏好感知对话系统对话系统训练淘天

#淘天#用户偏好建模#偏好感知对话系统

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配题目：在大模型RAG应用中，请描述构建近似最近邻(ANN)索引的完整流程和关键技术选择

#拼多多#ANN索引构建#ANN 索引构建

学习路线·学习路线

大模型应用开发学习路线

匹配正文：这条路线写给已经会编程，想做大模型应用开发、RAG 或 Agent 工程的人。它不要求你先把所有知识学完。不同背景的学习节奏差别很大，所以这里不按月份排任务，只看五个能检查的结果：我准备投什么岗位？我能不能把一条最小的模型应用链路跑通？我要把 RAG、Agent 还是 Deep Research 做成主项目？我有没有评测、失败案例和技术取舍证明这是自己做的？我能不能脱离稿子说清项目，并接住后续追问？学习路线不是一张课程表。每一步都有完成标准：留下能运行的代码、评测…

#学习路线#RAG#Agent

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：… 需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：RAG 文档检索选型。 2. ownership · ownership-proof 请用一次参数变更、离线实验或线上回滚说明你的决策如何进入生产。考察重点：用可脱敏工件交叉验证职责，而不是继续听抽象表述。能对应到本人动作的变更、评审或设计记录本人负责的参数变更、离线实验、配置 diff 或线上回滚记录下一步：design。配套学习：项目…

#模拟面试#简历项目#连续追问

求职指南·RAG

多轮对话、引用与权限隔离项目模拟面试

匹配正文：…至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：多轮对话上下文状态管理机制、RAG多轮对话怎么防知识遗忘?。 5. metrics · metrics 多轮一致性、引用正确率、权限泄漏率和延迟如何定义？基线与对抗集是什么？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。多轮一致性、引用正确率和权限泄漏率的判定规则同一会话与权限对抗集上的旧方案结果多轮、错引、越权和权限变更样本的版本记录租户、用户和文档级…

#模拟面试#简历项目#连续追问

项目实战·Agent

第 1 章:为什么需要 Deep Research

匹配正文：…」到底差在哪、什么时候该上、主流系统怎么做的、以及它最大的工程风险。 2.1 三条路线的边界:普通 RAG vs Agentic RAG vs Deep Research 面试官最爱问的就是「这几个有啥区别」。很多人答得含糊,其实一张图就能说清:区别在于「检索」这个动作,被放在了什么位置。三条路线:检索是固定一步 / 检索可被 Agent 反复触发 / 检索是调研循环里的一个工具维度普通 RAG Agentic RAG Deep Research 检索的地位固定流程里…

#Agent#Deep Research#项目实战

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…，必须先经过文字识别。三类文件若都粗暴转成一大段纯文本，格式虽然统一，标题、位置、表格关系和图片信息却可能一起消失。这对应一道 RAG 项目面试题： PDF、PPT 和扫描件应该怎样进入同一个知识库？为什么不能只写一个通用解析函数？一种常见但不完整的回答是：“判断文件后缀，调用不同的库，再把文字拼起来。” 这只能算说出了入口。面试官还会追问：不同解析器统一什么？页面只成功一半怎么办？怎样证明内容能够被检索，而不是只拿到一堆字符？为什么“上传成功”不等于“可以检索”？文…

#RAG#解析与入库#RAG 文档解析

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能在本机用 30 行代码切完一份 PDF,并讲清切分如何决定一个 RAG 系统的天花板 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用 langchain 跑通你的第一份文档切分 ✓ 看懂 3 个核心概念:什么是切分、什么是召回率、什么是 top-k ✓ 亲手重现一个切分失败演练,理解"切分为什么是地基" ✓ 看懂基础方案可能遇到哪些坑,并学会用自己的评估集比…

#RAG#检索#项目实战

项目实战·Agent

第 3 章:工具集设计,让 Agent 真正「会用工具」

匹配正文：…们按「问题是否含时效词(今天 / 最新 / 刚发布)」动态决定要不要走缓存。这种「按场景动态调度」的思路,和第 1 章的分级路由、RAG 系列的分类器前置,是同一种工程审美。 2.6 一个取舍:function calling vs 文本标签解析最后一个高频考点:工具调用,到底用结构化的 function calling,还是 ReAct 那种文本标签 + 正则解析? function calling(结构化、健壮)vs 文本标签解析(通用、可控) function cal…

#Agent#Deep Research#项目实战