匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…引，用于混合检索分层索引：热点数据内存HNSW + 冷数据磁盘索引生产实践：90%场景用向量+关键词混合检索（RRF融合），纯向量检索在专有名词、ID查询上效果差。

#安克科技#向量数据库选型#RAG 知识库存储

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配口述回答：…样理解、定位和修改代码。这跟通用[[RAG]]最大的区别在于，代码的结构化语义太强了，函数间的调用关系、继承关系、跨文件引用，光靠向量检索是搞不定的。我的核心思路是，先把代码库拆成多粒度的表征，再配合一套分层检索架构。具体说一下，文件级我用代码摘要做[[Embedding]]，用来粗筛相关模块；函数和类级别，我会用AST解析出签名和调用关系，配合Embedding做精确定位；行级就是原始代码加行号，用来精准定位Bug。还有一个关系级，用代码图把调用图、继承图存下来，这是理解…

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

#字节#Agent#Agent 代码库处理

面试题·Agent· 百度

Agent 核心模块怎么协同?

匹配口述回答：…特别关注几个前提。一是工具的质量必须稳定，如果API经常超时或者返回错误数据，Agent的整个决策链会崩溃。二是记忆检索的准确性，向量检索的召回率和精确率需要做线上监控，低于阈值要告警。三是规划的可解释性，我会让模型输出每一步的推理过程，方便定位问题。另外，我觉得有一个方向值得深入：当任务需要多个Agent协作时，比如一个负责搜索、一个负责分析、一个负责执行，怎么设计通信协议和冲突仲裁机制。这涉及到[[Multi-Agent]]系统的设计，目前行业里还在探索阶段。所以整体…

#百度#Agent#Agent 工作原理

面试题·Agent· 百度

Agent 架构怎么从零设计?

匹配口述回答：…Database]]存用户偏好和领域知识，比如某个用户之前投诉过发货慢，下次再问类似问题，Agent能主动规避相关推荐。这里前提是向量检索质量要够，不然召回一堆无关的反而干扰。落地时最关键的取舍是“人在环路”。我不会追求完全自主，反而会在关键决策点加人工确认，比如退款金额超过阈值或者要修改订单状态时，先暂停等审核。这不是技术限制，而是安全性和可控性的平衡。如果上线，我会特别关注失败时的回退逻辑：执行后强制验证结果是否回答了原始问题，失败最多重规划三次，三次还不行就转人工。常…

#百度#Agent#AI Agent 架构设计

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…AG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。工具模块是Agent能力的放大器。大模型本身不会算数、不会查库存，所以通过[[Function Calling]]让模型输出结构化JSON来调用外部工具，比如计算器、搜索引擎、API。这里的关键…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配口述回答：…]]，比如用 Milvus 存向量，按语义检索。但这里要划清边界：如果知识是结构化且频繁更新的，比如商品库存和价格，直接查数据库比向量检索更可靠，别为了用向量而用向量。举个例子，客服场景里用户问“我的订单怎么还没到”，Agent 需要先查订单数据库得到物流单号和状态，然后查知识库里的物流政策，最后查向量库里的类似投诉处理记录。这三个来源缺一不可，不能只靠向量检索。第三个核心组件是工具调用。大模型本身只能生成文本，要执行外部操作必须通过工具。典型方式是 [[Function C…

#百度#Agent#Agent 核心组件

面试题·Agent· 字节

Agent 框架核心组件怎么搭?

匹配口述回答：…拖死整个Agent。所以上线前我会特别关注检索延迟和召回率，通常用[[Hybrid Search]]把关键词和向量结合起来，不然纯向量检索在冷门实体上容易丢。工具调用和执行引擎我放一起说。工具这块，关键是统一接口，所有工具按OpenAPI规范描述，description要写精准，因为LLM靠它选工具，写模糊了就会乱调。执行引擎是个状态机，从待执行到工具调用到结果观察，再判断是否继续。举个例子，在电商客服场景里，用户问'我的退款怎么还没到'。Agent先规划：查订单状态、查退…

#字节#Agent#Agent 框架设计

面试题·Agent· 字节

Agent 长期记忆架构与更新策略

匹配口述回答：…或者文档数据库，支持原子更新。事件记忆必须用 [[Vector Database]]，同时带上元数据，比如时间戳、主题标签，不然纯向量检索容易跑偏。原始对话压缩归档，定期拿来生成摘要。检索这块，我不会只用向量相似度。因为用户话题可能漂移，时间越久越不重要。所以我会做多路召回：向量相似度、时间衰减、主题标签过滤，三条路一起走，然后拿一个轻量模型做 [[重排]]，比如 [[Cross-Encoder]] 打分，取Top-K。这里有个坑：如果召回太多，重排成本会很高，所以我会先粗…

#字节#百度#Agent

面试题·Agent· 美团

Agent工具接口与错误处理

匹配口述回答：…由降低错误率，但会增加延迟和决策跳数。面试官可能会追问分层路由的具体实现，以及如何权衡延迟和准确率，或者问有没有其他方案（比如用向量检索匹配工具描述）。

#美团#Agent#Agent 工具设计

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…uery 回放，对比 Recall@K 和延迟，通过才原子切换，不通过就回滚。还有一个方向值得深入，就是[[混合检索]]。单纯用向量检索，遇到订单号、错误码这种精确匹配场景召回很差，因为 Embedding 对精确 token 不敏感。我会结合 [[BM25]] 做[[稀疏检索]]，然后用 Hybrid Search 融合分数，或者用 ColBERT 的 late interaction 做二阶段精排。这其实引出一个问题：稠密和稀疏向量怎么融合、权重怎么调，才能在不同业务场…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 百度

分块策略怎么影响检索?

匹配口述回答：…粗排用大块保召回，精排用小块保精准，配合[[Rerank]]效果更好。落地风险也很明显。前提是分块策略要和检索方式匹配。如果只做向量检索，语义分块比固定长度好；但如果混合了[[BM25]]关键词检索，固定长度分块反而可能因为词频统计更均匀而表现更好。常见失败场景是，分块切得太碎，导致检索时上下文丢失，生成结果出现[[Hallucination]]。上线我会特别关注分块数对[[向量库]]规模和推理延迟的影响，分块数太多，检索延迟会飙升。另外，我现在比较关注动态分块，就是根据…

#百度#文本分块#chunking 策略

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配追问：…统。假设用户上传了一本手册，我们把它切段后向量化，上线后用户问问题。你怎么决定切多长？重叠窗口怎么设？嵌入模型选哪个？层层追问向量检索怎么算距离的？……归一化之后余弦相似度和点积是什么关系？……那如果数据量上亿，暴力算太慢，有什么优化手段？直球架构讲一下RAG的向量化流程，从文本分块策略、嵌入模型选型，到向量归一化和余弦相似度计算，再介绍ANN索引（比如HNSW）的原理和适用场景。

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配口述回答：… [[Context Recall]]，确保模型没有忽略检索到的证据。说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档里写的是「交易失败」，向量可能匹配不上。我会把 [[BM25]] 关键词检索和向量检索结合，再用 Rerank 统一排序。另外，[[Self-RAG]] 让模型自己判断要不要检索，有些简单问题直接生成更快。所以我会把 RAG 看成一套系统工程，核心不是模型多强，而是检索链路多稳。我更倾向先…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…；如果场景多变，或者刚起步没什么标注数据，先用Contriever快速验证，等数据积累够了再切到DPR。真正上线时，我几乎一定会把向量检索和关键词检索结合起来，也就是 [[Hybrid Search]]，因为向量擅长语义匹配，但精确匹配比如订单号、政策条款号，还是[[BM25]]更靠谱。怎么评估编码模型的检索能力？RAG场景下，我最看重的是 Recall@K，比如Recall@5。为什么？因为生成阶段能容忍一些噪声，你给大模型十段文档，哪怕其中两三段不相关，它也能挑出有用的…

#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

匹配口述回答：…时，这三者经常是互相牵制的，你得有取舍。先说检索精度。最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满200减50怎么用”，向量可能把“满减规则”和“优惠券叠加”混在一起，但BM25能精准匹配“满200减50”这个短语。不过这里有个前提，就是你得有好的分词和停用词表，否则BM25也会引入噪声。再一个就是查询改…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…型自己又没能力做逻辑仲裁。那落地的时候，RAG 最大的风险其实不在生成，而在检索。检索质量决定了 RAG 的上限。如果你用简单的向量检索，召回率可能很高但精度差，混进一堆噪声，模型反而更容易被带偏。所以我会在检索阶段做 [[Hybrid Search]]，把关键词和向量结合起来，再加上 [[Rerank]] 把最相关的文档排到前面。而且上线后我会特别关注一个失败场景：当检索结果为空时，模型会退化成纯生成，那幻觉率会飙升。我的做法是加一个拒答逻辑，如果最高分文档的相关度低于某…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：… RAG，它的核心思路是开卷考试。模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否受证据支持。但 RAG 有个前提：检索质量必须高。如果检索出来的文档跟问题不相…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配口述回答：…落地的时候，我倾向于把RAG当成基础设施，但不会只依赖它。比如检索环节，我会做**[[混合检索]]**，把[[BM25]]关键词和向量检索结合起来，避免因为语义偏差漏掉关键文档。生成环节，我会加[[Rerank]]和[[Self-Refine]]，先让模型基于检索内容生成，再自己检查一遍有没有偏离。还有一个值得关注的点是，如果知识库频繁更新，比如每天都有新政策，那RAG的维护成本会很高。我最近在看[[GraphRAG]]，它对这种多实体、多关系的场景，检索质量比纯向量检索更…

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配口述回答：…、价格、库存这些标量属性，需要做[[混合检索]]，也就是向量相似度加标量过滤。这就要求数据库支持标量过滤下推到存储层，而不是先全量向量检索再过滤，否则延迟扛不住。这里有个风险点：索引构建和更新。HNSW 构建很吃内存，如果数据频繁更新，直接原地动图索引会导致召回率下降。我的做法是增量更新走软删除加异步重建，用双缓冲影子索引，构建完用固定 query 集回放对比 Recall@K 和延迟，达标才原子切换，不达标回滚。上线后还要监控内存和查询 P99，防止 OOM 或者慢查询打…

#京东#评估与监控#向量数据库选型

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配口述回答：…缺一不可。我更倾向于在工程实现上，先用轻量级的反思机制，比如简单的自我对话，配上结构化的记忆存储，快速验证效果，再逐步引入更复杂的向量检索和知识图谱。本质是让智能体学会自我修正和知识沉淀反思机制：自我评估与迭代优化记忆机制：分层存储与检索两者协同：反思驱动记忆更新，记忆支撑反思质量落地风险与工程取舍约4分钟反思和记忆的协同本质是在探索和利用之间做平衡，记忆里只有失败案例会导致Agent过于保守。面试官可能会追问如何平衡探索与利用，或者如何设计记忆的写入策略来避…

#百度#Agent#Multi-Agent System

面试题·模型微调· 京东

300-500意图怎么召回?

匹配追问：…怎么处理这种长上下文和多意图的问题？层层追问意图识别要支持几百个类别，你是怎么设计的？……prompt太长怎么办？……如果我用向量检索先召回一部分候选，那召回和精排怎么配合？……那最终你怎么保证实时性？直球架构直接说方案：在大规模意图识别系统里，要处理300到500个意图，怎么克服上下文长度限制并做到有效召回？请讲清楚你的层次化设计、多路召回和压缩策略。

#京东#大规模意图识别#上下文长度限制

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配口述回答：…要有，但只能占一部分，因为它太容易了，模型很快就学会了。真正有价值的是 hard negative，也就是被 [[BM25]] 或向量检索排得很靠前，但人工判断不能回答问题的文档。比如用户问“退款到账时间”，召回到一篇“退款申请入口”的文档，它主题很近但不能回答到账时间，这种样本对 reranker 最有训练价值。数据来源可以分几类。冷启动时用人工标注，质量最高，可以做验证集和黄金集。上线后可以用点击、收藏、人工采纳、客服改写这些行为日志，但要处理位置偏置，因为排第一的文档…

#美团#重排与优化#Reranker 训练数据

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…24版”这种正式标题，检索召回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rerank]]，把最相关的片段顶到前面。另外说一个我特别关注的点：当知识库频繁更新时，[[Vector Database]]的增量索引和一致性怎么保证？比如客服知识库每天有几百条修改，你不能每次重建索引，但增量插入又可能让检索精度下降。我倾向于用双索引策略，一个base索引定期全量重建，一个delta索引处理实时增量…

#美团#模型微调#RAG vs SFT