匹配正文：…衡场景核心矛盾表现智能客服响应速度 vs 答案准确性用户容忍<2s，但复杂政策需多跳检索代码助手上下文完整 vs 模型窗口长代码文件+依赖库超出128k限制数据分析Agent 实时性 vs 知识新鲜度数据库schema变更后检索失效三、优化思路检索优化多级索引：粗排（向量快速召回top-100）→ 精排（轻量模型筛选top-10）→ 重排序（仅对关键查询启用）异步预检索：用户输入时预测意图，提前触发检索流混合路由：FAQ类走规则/缓存，开放域走…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…息合并更新，保留时间戳链主动遗忘：低频访问+低重要性记忆进入"冷存储"，可配置彻底删除 RAG深度集成：上下文压缩检索后处理重排序（Rerank）：Cross-Encoder精排Top-K结果信息密度筛选：优先选包含实体、动作、结论的片段动态窗口分配：工作记忆固定槽位 + RAG结果弹性槽位 Prompt注入模板 [系统指令] [工作记忆：最近对话] [RAG检索：相关历史摘要] ← 动态填充 [当前用户输入] 平衡策略：设置token预算上限，RAG结果按相关性截…

#高德#Agent#向量检索

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…心定位：LLM应用的全流程编排与工具集成核心能力：Chain/Agent抽象、工具调用（Tool Calling）、记忆管理、多模型路由技术特点：LCEL（LangChain Expression Language）支持流式、异步、并行执行 Agent场景：ReAct、Plan-and-Execute、Self-Ask等推理模式的标准化实现 RAG角色：提供RetrievalQA、ConversationalRetrievalChain等高层封装，但检索本身依赖外部 2.…

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

#阿里云#Agent#Agent 框架对比

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…ry改写模块（HyDE/假设文档），结合Agent历史上下文做共指消解上下文碎片化：多轮检索结果拼接破坏逻辑连贯性优化：检索后重排序（ColBERT交叉编码器），按Agent当前子目标动态过滤决策漂移：早期检索错误导致后续步骤连锁错误优化：设置检索置信度阈值，低置信时触发"反思"模式重新规划；关键节点引入人工审核钩子三、架构层面的融合设计用户Query → 意图识别（轻量模型） ↓ [并行] 检索知识库 + 检索Agent记忆（避免重复检索） ↓ 结果融合 → 相…

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 高德

Agent长期记忆Embedding检索策略

匹配正文：一、Embedding表示设计多维度信息编码语义内容：用预训练模型编码对话文本，捕捉主题意图时间戳：绝对时间 + 相对时间（如"3天前"）联合编码重要性分数：基于LLM自动标注或用户显式反馈（收藏/编辑）实体关联：提取关键实体（人/地点/任务）作为稀疏索引技术实现 # 伪代码示意 memory_vector = concat([ text_embedding, # 768-dim time_embedding(t), # 64-dim, 正弦编码或学习得到 imp…

#高德#Agent#Agent长期记忆

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…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，有效信号被噪声淹没。电商案例：商品详情页RAG中，多个Chunk重复包含"7天无理由退换"标准话术，而真正关键的"电池容量参数"仅出现一次。LLM注意力被分散，回答抓不住重点。关…

#淘天#Agent#RAG 痛点

面试题·Agent· 字节

Agent 记忆衰退：为何与如何实现

匹配正文：…低记忆向量附加时间戳，检索时按 e^{-\lambda t} 降权；或定期清理超期记忆重要性评分关键记忆保留用LLM或轻量模型给记忆打"重要性分"，低分记忆优先淘汰访问频率衰减冷数据下沉 LRU/LFU策略，长期未访问的记忆迁移到慢存储或摘要压缩工程落地要点与RAG结合：向量库中存全量记忆，衰减机制作用于检索前的候选过滤或重排序阶段参数权衡：衰减系数 \lambda 需按业务调优，客服场景可激进（天级），个人助理需保守（月级）参考方案：MemGPT的"分层…

#字节#Agent#Agent 记忆衰退

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…→ 向量入库 → 索引构建在线阶段用户Query → Embedding编码 → 向量相似检索 → Top-K召回 → （可选Rerank）→ 上下文组装关键技术点 1. 文本分块策略将固定长度、递归切分与语义分块作为候选，按段落或句子保留边界块大小权衡：太小丢失上下文，太大引入噪声将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：BGE、GTE、E5系列垂直领域建议微调，使用领域语料对比学习多语言场…

#字节#文档处理#向量检索

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：…. 边界感知优先在段落、句子边界切分，不在词中间断开特殊内容（表格、列表）尽量保持完整 3. 尺寸匹配参考embedding模型的训练长度（如text-embedding-ada-002用8191 tokens）预留LLM的上下文空间：chunk大小 + prompt + 输出 < context window 4. 元数据增强存储chunk的标题、章节、页码等，用于重排序或过滤 5. 评估驱动迭代用Hit Rate、MRR等指标对比不同策略结合端到端问答效果做…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配正文：…匀分布的文档递归字符切分优先按段落→句子→单词层级切分需要保持语义完整性；适合技术文档、文章语义切分用embedding模型检测语义边界对语义连贯性要求高；适合对话、叙事文本结构化切分按章节、标题、表格等文档结构切分 PDF/Word等富格式文档；需保留层级关系 Agentic切分用LLM判断最佳切分点高质量要求场景，成本较高工程实践要点：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息丢失保留元数据（来源、页码、标题）用于过滤和…

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：… 适用场景固定长度简单高效，可能切断语义通用场景，追求速度递归分块按标点层级分割，保持句子完整大多数文本语义分块用模型判断语义边界，块大小不均对连贯性要求高的文档关键权衡：块太小可能缺上下文，块太大可能引入噪声。应把多组 chunk size 与 overlap 组合放进同一评测集，比较召回、答案质量和成本。 3. 向量化与存储 Embedding选型：中文用BGE、M3E，多语言用E5、OpenAI text-embedding-3 向量数据库：Milv…

#美团#RAG 知识库搭建#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：…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习建议建议系统学习该知识点

#字节#RAG 文档清洗#文档预处理

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：…叠、短窗口和较长窗口作为候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：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…

#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：答案要点先看文档结构、问题类型和模型输入限制，再提出分块候选重叠只解决边界问题，也会带来重复索引与召回冗余用结构边界、父子关系和原文位置保障语义完整性所有参数都要在同一业务评测集上比较，不能把经验范围当结论核心思路文档分段会同时影响召回、重排、生成和引用。真正要优化的不是某个chunk_size，而是让问题能召回完整证据，同时控制噪声、延迟和存储成本。分块长度的权衡候选策略更适合观察的场景主要风险较短分块局部事实、错误码、条款定位上下文断裂、重复召回…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配口述回答：…量差，生成必然跑偏。所以上线前我会用历史query回放，对比新旧流程的召回率和延迟，通过才切换，不通过就回滚。最后说边界。分块和模型选型没有银弹，固定切分适合日志、代码这种结构简单的，语义切分适合新闻、报告；稠密向量适合语义匹配，稀疏向量比如[[BM25]]适合关键词精确匹配，真正落地常常两者混合。我倾向用[[混合检索]]，把两条路的结果合并再[[重排]]，这样既能抓住语义也能兜底精确匹配。如果面试官追问，我会补充一点：RAG的向量化质量最终要靠端到端评测，不是单看召回率…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…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计算 2. 分层检索策略层级内容权重动态调整当前轮用户最新query 意图切换时↑ 近轮上下文前2-3轮关键信息追问场景↑ 全局摘要历史对话压缩长对话时↑ 3. 查询重写与扩展共指消解：将"它"、"这个"替换为具体实体意图感知扩展：根据对话状态补充隐含条件时间衰减：早期轮次信息权重…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工…

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…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· 美团

RAG 指标权衡与阈值

匹配正文：…答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型或人工校验信息覆盖率是否完整回答用户问题多跳问答场景尤为重要三、典型场景权衡企业知识库场景优先保证事实一致性（避免误导决策）接受适度降低信息覆盖率（宁可少说，不可乱说）检索侧：高Recall + 重排序精排智能客服场景平衡答案相关性与回复友好度事实一致性要求相对宽松（可引导人工）关注拒答率：无法回答时不编造四、核心挑战…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片策略重排序（Rerank）交叉编码器精排，解决向量相似≠语义相关的问题上下文压缩长文档截断、摘要提取，…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…自己的语言组织能力去回答。这样既降低了虚构概率，又能保持回答的流畅和结构化。不过前提是检索质量要够高，如果召回来的本来就是错的，大模型再强也白搭。所以落地的时候，我不会只用向量检索。实际业务里，比如客服场景问“满200减50的优惠券能不能叠加”，向量可能把“满100减20”的文档也召回来，因为都是优惠券。我会加上关键词权重，甚至用[[Hybrid Search]]把向量和[[BM25]]结合起来，再经过[[Rerank]]把最相关的顶上去。而且上线前我会特别关注chunk的…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：…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）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合训练：如REPLUG、RA-…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

RAG 评估指标与迭代陷阱

匹配正文：…标：用户满意度、任务完成率关键原则：三层指标要联动看。检索高召回+生成幻觉 = 检索内容未被有效利用；检索低召回+生成正确 = 模型靠参数记忆"作弊"。二、常见迭代优化方法瓶颈现象优化方法适用场景检索召回不足查询扩展（HyDE、多查询生成）、混合检索（BM25+向量）、重排序（Cross-encoder）用户问题表述模糊、专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（…

#字节#评估与监控#RAG 评估

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：…用一次生成下结论。 3. 检索与生成消融检索侧：检查黄金证据 Recall@K、MRR/NDCG、chunk 完整性、过滤条件和重排前后位置。生成侧：在相同黄金证据上比较原 prompt、简化 prompt、抽取式基线和不同模型，检查答案 claim 是否被证据支持。交互侧：逐步增加候选、调整顺序并去除重复或冲突文档，判断是否存在 lost-in-the-middle、噪声干扰或上下文截断。 4. 归因矩阵黄金证据召回黄金证据下生成主要结论否能答对检索或排序…

#百度#评估与监控#RAG 错误定位