匹配口述回答：…在实际工程里挺有挑战的。总的来说，我把意图识别看成RAG系统的守门员，它做得好，检索和生成才能事半功倍。一句话定位：意图识别是RAG的路由中枢检索准确性：方式选择与查询改写生成质量：上下文筛选与幻觉防控落地风险：前提与常见失败场景工程师取舍：倾向Agentic RAG和轻量级初分约4分钟意图识别与外部工具联动时，如何保证调用链路的可靠性和延迟控制。面试官可能会追问Function Calling的具体实现、错误处理策略，或者延迟优化方法。

#OPPO#RAG 意图识别#RAG

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…怎么反哺到系统里形成闭环？比如你发现Faithfulness分数低的case，能不能自动标记出来，用来做后续的模型微调或者检索策略优化？这个数据飞轮转不转得起来，往往决定了系统能不能持续变好。所以整体上，我更愿意把评估看成一套组合拳：检索端抓Recall，生成端抓Faithfulness，业务端抓延迟和成本，再靠人工抽检兜底。如果只能选一个指标，我会选Faithfulness，因为它是RAG区别于普通对话系统的根本。定位：RAG评估本质是约束生成正确性检索端：Recal…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配口述回答：…本，没有一套万能指标能覆盖所有场景。我会把评估分成两个层面来讲：检索层和生成层，因为它们的关注点完全不一样。先说检索层。在 [[RAG]] 系统里，检索是第一步，核心指标是 Recall@K 和 MRR。Recall@K 看的是前 K 个结果里有没有正确答案，MRR 则更看重正确答案排得靠不靠前。举个例子，一个客服退款系统，用户问“我订单超时了，怎么退款”，如果检索没召回退款流程文档，后面生成再强也没用。所以检索层我通常会同时用关键词和向量两种方式，也就是 [[Hybrid…

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

#安克科技#评估与监控#Agent

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配口述回答：…限制分别是什么”，只看 MRR 就不够了。第一个相关文档排得很靠前，但如果其他关键信息没召回，最终答案还是会漏。所以我实际评估 RAG 时，不会单独看 MRR。我通常会组合看几个指标：MRR 看首个有效证据的排序质量，Recall@K 看正确证据有没有被召回，NDCG 看多个相关文档的整体排序质量；到了生成端，还要看 faithfulness 和答案正确率。这样才能判断问题到底是“没找回来”“排得太后”，还是“找回来了但模型没用好”。如果要落到优化动作上，MRR 低通常说…

#百度#评估与监控#MRR 定义

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配题目：在RAG系统中，选择特定Embedding模型进行检索时需要考虑哪些关键因素？

#字节#向量检索#RAG Embedding 选型

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…果好，但成本和延迟高。我一般只在需要多跳推理、且对准确率要求极高的场景才推荐，比如风控合同审查。所以整体上，我更倾向先做检索质量优化，再考虑生成增强，因为检索是入口，入口不干净后面都是白搭。一句话定位：RAG痛点本质是检索和生成之间的匹配缺口检索噪声：表现、根源、混合检索加重排的改进，落地风险上下文稀释：表现、根源、动态压缩和排序策略，边界划分语义鸿沟：HyDE和知识图谱的思路，适用场景判断收尾与可延伸点：GraphRAG的取舍，追问点约4分钟 GraphRAG…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配口述回答：…程。前提是你得先有好的数据治理和监控，否则更新越多，错误越多。实际落地时，我会优先保证核心场景的一致性，用灰度发布控制风险，再逐步优化实时性。一句话定位：本质是变更管理核心步骤：触发、抽取、验证、融合实时性一致性的取舍与工程策略联动RAG的注意事项落地风险与判断收尾约4分钟图谱更新与RAG的Chunk更新策略的联动，尤其是增量更新而非全量重建的挑战面试官可能会追问：具体怎么实现增量Chunk更新？或者问事件溯源在图谱更新中的适用性

#字节#Agent#知识图谱动态更新

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配口述回答：…式，但计算量大且对纯文本页面可能不如传统方法。面试官可能会追问ColPali的具体原理、与OCR+解析方案的对比权衡，或者多模态RAG在延迟和成本上的优化策略。

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配口述回答：…态。说到底，多模态RAG的本质是把“检索”从文本知识库扩展到多模态世界，但工程上永远要在效果和成本之间做取舍。一句话定位：多模态RAG的本质是让大模型能引用非文本信息边界划分：什么时候必须上多模态，什么时候纯文本就够了核心组件：编码、检索、生成三块，重点讲跨模态对齐这个坑业务场景：电商图文搜索的落地挑战风险与取舍：索引构建成本、模态冲突、我的判断约4分钟多模态检索的排序策略，图文混排时向量距离不够，需要级联重排。追问多模态重排的具体实现、计算成本优化、以及如何…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 阿里

Agent Prompt优化评估指标

匹配口述回答：…Prompt实验，再反过来固定Prompt做微调实验，但实际业务里两者经常迭代，很难完全隔离。所以整体上，我更倾向把Prompt优化看成一种低成本、高频迭代的手段，但它的上限受限于模型能力。如果遇到效果瓶颈，我会考虑结合[[Self-RAG]]或者[[Chain-of-Verification]]这类框架，让Agent自己学会反思，而不是死磕Prompt。本质是量化Prompt对Agent决策的影响定量指标：任务成功率为主，资源稳定性为辅定性指标：可解释性和鲁棒性，避…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 阿里

Agent推理链路Prompt优化评估指标

匹配口述回答：…功率就是第一位的。不过这里有一个更微妙的问题：当Agent的推理链路特别长的时候，比如需要连续调用五六个工具，这时候Prompt优化可能遇到瓶颈，你修好了第一个节点的错误，但下一个节点又坏了，这就是所谓的局部优化和全局效果的矛盾。我自己的经验是，这时候可能要考虑用[[Self-RAG]]或者[[Reflexion]]让Agent自己反思纠错，而不是死磕Prompt。所以整体上，我的取舍是：优先用端到端任务成功率作为北极星指标，把Token消耗和延迟作为约束条件。如果成功率…

#阿里云#Prompt工程#评估与监控

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…果肯定差。常见失败场景是，用户问'对比A和B产品的差异'，但检索分别返回A和B的独立介绍，没有对比文档，模型很难自己归纳差异，这是RAG在综合推理类问题上的天然瓶颈。我上线时会特别关注检索的召回率和精确率，用[[混合检索]]，比如[[BM25]]加向量搜索，来提高覆盖率，再配合查询重写、重排来优化。另外，多文档可能超出上下文窗口，这时需要做摘要压缩或分层检索。还有一个坑是模型过度依赖检索内容，或者干脆忽略它，我一般会在训练时加入'无相关信息'的样本，或者调整prompt里检索…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配口述回答：…动化地判断错误是检索问题还是生成问题，进而触发知识库更新？这涉及到[[Faithfulness]]评估和[[Corrective RAG]]的思路。所以整体上，我更倾向把专业领域RAG看成一个知识管理工程，而不是模型优化工程。核心不只在算法，更在数据质量、分层索引、引用可信度和人工审核闭环。如果只让我设计一个最小可行系统，我会先保证检索召回率和引用可溯源，其他花哨功能往后放。本质是领域知识落地与不确定性管理边界划分：RAG vs 微调，关键词 vs 向量业务场景：以医…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…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，但中间检索召回率低的话，模型再聪明也救不回来。所以我上线前一定会做 [[RAGAS]] 评估，分开看检索的上下文精度和生成的回答[[忠实度]]。最后说我的判断。我不会把RAG看作一个单独的组件，而是看作一个系统工程。我更倾向于把精力花在优化检索质量上，而不是一味追求更大的模型。因为对很多业务来说，一个…

#字节#RAG工作原理#RAG 工作原理

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：…请说‘无法回答’”。后处理还可以做归因校验，把答案里的关键实体和来源文档对应起来。说到归因，其实现在有个趋势是用 [[Self-RAG]] 让模型自己判断哪些段落可信、哪些需要再查，而不是靠外部规则。这块我觉得是RAG往更鲁棒方向演进的思路。所以我会把RAG看成检索和生成的分治协作：检索阶段容忍噪声保召回，生成阶段靠重排和Prompt约束保精度。如果让我选一个最值得投入的方向，我会优先优化检索质量，因为检索是RAG的天花板，生成只是把天花板之内的东西用好。 RAG本质…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：…版本管理和动态更新。上线后我会监控Recall@K和延迟P99，如果召回率低于85%，就调大Top-K或加Rerank。我更倾向把RAG看成检索和生成的协作，而不是单独优化一个环节。延迟和准确率永远是跷跷板，关键是找到业务能接受的平衡点。说到这，我其实更关注一个延伸点：当Agent需要多跳推理时，单轮检索往往不够，这时候怎么设计检索策略？比如用户问“满200减50的券能和折扣叠加吗”，需要跨文档推理，先查券规则，再查折扣规则，最后判断是否冲突。单轮检索很难覆盖，我会考虑用[[…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 百度

RAG Query 改写方法

匹配口述回答：…索时做段落级切分，而不是整篇文档，这样截断时损失更小。最后说一下我的取舍。我更倾向把查询改写和提示词构建看成一套组合拳，而不是独立优化。改写时留一些弹性，提示词里用引用和角色来兜底。如果只让我选一个重点，我会选引用标注，因为它在防幻觉上是性价比最高的。另外，我最近在关注一个方向：当检索到的文档本身质量不高时，怎么让模型自己判断哪些可信。比如用 [[Self-RAG]] 让模型先反思检索结果再回答，而不是直接生成。这个在开放域场景里效果不错，但计算开销会翻倍，得看业务能不能…

#百度#小鹏#美团

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…构建：分层和清洗确保数据质量生成集成：引用溯源和拒答机制控制幻觉落地权衡：延迟、效果与常见失败场景约90秒 Agentic RAG引入主动决策，模型自己判断何时检索，效果更好但延迟增加。面试官可能会追问Agentic RAG的具体实现方式，比如如何让模型决定检索时机，以及延迟如何优化。

#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?

匹配口述回答：…率；线上还要看延迟、成本、拒答率和用户反馈。没有这层闭环，RAG 很容易变成“感觉效果还行”，但不知道问题出在哪。所以一个完整 RAG 系统的实现重点，不是把文档塞进向量库就完了，而是文档质量、召回覆盖、排序精度、生成约束和评估闭环一起工作。只有这样，系统才可迭代、可排查、可上线。 RAG本质是给大模型配外挂知识库文档处理：清洗、分块、元数据检索器：多路召回加重排生成器：上下文压缩与引用架构演进与优化方向约4分钟 RAG 的核心工程能力是可评估、可排查，不只是能把…

#美团#RAG工程实现#RAG 系统实现

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配标题与标签：…oder 粗召回与 Cross-Encoder 精排，解释为什么正确证据必须先进入候选集，以及怎样平衡候选数量、排序质量和延迟。 RAG RAG 检索与重排 RAG Rerank Cross-Encoder Rerank 面试题检索重排 RAG 优化

#RAG#检索与重排#RAG Rerank

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…系统需要覆盖不同措辞。第三句只有一个抽象概念，信息太少，向量很容易飘到一堆相近主题。这三类问题都可能被笼统地归入“Query 优化”，但适合的处理方法并不一样。如果不分类型，每个问题都先交给大模型改写，不仅多一次调用，还可能把原本清楚的编号、否定和限制条件改错。重写、扩写和 HyDE 分别解决什么？ Query 重写追求的是“把问题说完整”。用户问“这个怎么申请”，系统要结合有限的对话历史，把它恢复成类似“年假怎么申请”这样可以脱离上下文独立理解的问题。错别字、口…

#RAG#检索与重排#RAG Query 重写

面试题·评估· 百度

LLM 准确性提升四大路径

匹配正文：…于事实正确。解码参数、验证器和工具执行应按任务选择，代码用测试，数学用可检查计算，不能靠一条统一prompt解决。外部增强方面，RAG能把回答连接到可更新语料，但仍可能召回错误、忽略证据或错误引用。工具调用可以把搜索、计算和数据库查询交给外部系统，同时新增权限与注入风险。检索质量、证据支持率、答案忠实度和拒答都需单独评测。我的实验会先建立无增强基线，再分别加入数据改进、偏好优化、推理提示、检索或工具，每次只改变有限变量。按事实、推理、帮助性、安全、延迟和成本分桶比较，并保…

#数据质量#训练策略#推理优化

面试题·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配标题与标签：FAISS 怎么实现高效 ANN 搜索? IVF 与 PQ 索引结构原理,近似最近邻搜索核心机制推理优化向量检索近似最近邻搜索量化压缩倒排索引 RAG基础设施 2026真题 FAISS 原理 IVF 索引 PQ 索引系统优化与推理加速字节

#向量检索#近似最近邻搜索#量化压缩

面试题·评估

RG 系统效果差怎么排查?

匹配正文：…合的方法理解检索-生成耦合效应（如检索冗余、信息冲突）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） …

#检索归因#生成归因#RG 系统故障排查