匹配正文：…威图按来源版本幂等写入，并记录变更日志。派生索引写入新的 generation，附带 source_version。校验数量、引用完整性、删除传播、权限和固定查询回放。原子切换 active generation；保留上一版本以便回滚。后台对账权威图与派生物，发现缺失或漂移时重放事件或重建。对严格新鲜度查询，可以在索引版本落后时回源或暂时拒绝；允许旧读的场景应返回数据年龄或版本，而不是默默承诺强一致。 4. 冲突、热点和恢复冲突规则应按字段定义来源权威、版本比较、…

#高德#知识图谱#知识图谱更新机制

面试题·知识图谱· 淘天

GraphRAG 增量更新怎么保实时?

匹配正文：…n：提取与消歧结果先进入新版本，社区和报告基于新图计算。局部更新还是全量重建由实际传播范围、质量漂移和成本决定。验证并切换：检查引用完整性、孤儿记录、社区覆盖、删除/ACL 传播和固定查询质量，再原子切换 active generation。社区检测可能因一条跨社区边产生超过固定跳数的变化；摘要也受社区成员、证据和提示版本影响。因此不能默认使用“增量 HAC 代替 Leiden”，也不能把 Personalized PageRank 或一两跳邻居当作正确影响范围。具体算法…

#淘天#GraphRAG 增量更新#知识图谱实时性

面试题·知识图谱· 字节

GraphRAG 如何支持复杂关系查询？

匹配正文：…边都应映射回来源，缺证据或版本过期时拒绝使用。 3. 生成与校验将结构化查询结果、路径及其来源文本一起提供给生成器，要求答案逐项引用证据。数值聚合、日期比较、集合交并和权限判断由确定性执行器完成，并校验返回行数与截断。图上相关关系不能自动升级为因果关系；医疗、风控等高风险结果只能作为检索线索，后续由领域系统或人员判定。 4. 回归测试同名实体、关系方向相反、边已过期、路径存在但无原文支持、多个等长路径、空结果、结果爆炸、权限不同和更新后旧缓存。指标包括实体链接 top-k…

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#知识图谱#GraphRAG 实现

面试题·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配正文：…采用 staged generation：变更幂等写入权威事实和变更日志。在新 generation 生成或重算派生物。校验引用完整性、删除/ACL 传播、社区覆盖和固定查询质量。门禁通过后切 active generation，并保留旧版回滚。对账任务检测各存储的来源版本差，修复遗漏或重建。新鲜度由查询决定严格查询要求索引至少达到指定来源版本；否则回源、等待或拒绝。容许陈旧的分析查询可以读上一 generation，但应返回版本/数据年龄并限制最大窗口。新…

#淘天#GraphRAG 增量更新#动态知识图谱

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…、HyDE（假设文档嵌入）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适应检索判断）典型变体 GraphRAG：用知识图谱替代向量检索，处理复杂多跳推理 Self-RAG：模型自主判断是否需要检索，避免过度检索实际落地时，检索质量决定RAG上限，建议先做检索评测（Recall@K）再优化生成。

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配正文：…论文、百科）比例知识边界感知：在数据中显式标注"不确定"表述，让模型学会表达未知 SFT阶段构造高质量事实性指令数据，答案需带引用来源引入"拒绝回答"样本：对超出知识范围的问题训练模型坦诚表示不确定 RLHF阶段奖励模型加入事实性维度，惩罚编造内容使用RAG或工具调用结果作为参考答案进行强化学习二、推理机制优化解码策略约束解码：强制要求关键事实必须来自输入上下文自我验证：生成后让模型自我检查"这个陈述是否有依据"，可迭代多轮多采样投票：多次采样取一致答案，…

#海尔#外部知识集成#大模型幻觉

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配正文：…CR、ASR 或视觉编码入库，分块时保留页码、区域和时间戳；查询做模态识别与改写；多路召回、跨模态重排；最后编排上下文、生成并验证引用。索引可将多模态对齐到共享向量空间，也可为各模态分别建索引后用 RRF、分数校准或重排器晚融合。共享空间便于跨模态检索但可能损失模态细节；分索引保留专用能力却增加路由和校准复杂度。关键挑战包括：细粒度区域或时间片对齐；OCR/ASR 错误和域偏移；有限上下文内的证据去重与排序；版权、隐私、提示注入和访问控制。评估要拆分各模态 Recall@…

#阿里#多模态#多模态 RAG

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：…“视觉 token”；只有两侧共享兼容表示或经过投影层、适配器与联合训练时才能传递连续视觉特征，否则应交换结构化文本、坐标、裁剪图引用或工具结果。 1. 数据流与角色请求先经过任务分类和安全检查，确定是否需要 OCR、检测、图表解析或通用 VQA。 VLM 输出结构化 observation，例如对象、属性、关系、区域坐标、OCR 原文和置信度，并保留对应图像区域 ID。文本模型根据问题与 observation 规划推理；需要核实时发出明确的补充视觉查询，例如重新裁剪区…

#美团#多模态#Agent

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：…型，再精排功能说明 3. 生成增强上下文组装：将组件结构化信息 + 检索到的产品文档/设计规范 + 用户问题拼接为prompt 引用溯源：要求模型输出时标注信息来源（如"根据《XX平台设计规范》第3.2节"） 4. 关键工程点知识库构建：需维护组件-功能映射表、设计规范文档、历史FAQ三层结构延迟优化：组件预计算embedding，检索走近似最近邻（ANN）；大模型只负责最终生成学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…片区域，检索对应知识点讲解视频片段一句话总结多模态RAG的本质是把"检索"从文本知识库扩展到多模态世界，让大模型能"看见"并"引用"真实世界的多元信息。

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 脉脉

Prompt 如何系统设计、评测和发布？

匹配正文：…骤或工具结果；不应依赖暴露内部思维链来获得安全性或可审计性。 3. RAG 与 Agent RAG 提示保存证据 ID，要求逐主张引用，并在证据不足或冲突时澄清/拒答。原始相似度不是校准置信度，不能统一写“低于 0.7 拒答”。先通过数据、检索、上下文组装和生成各层评测确定条件。 Agent 的工具描述要与服务端 schema 一致，但模型生成参数仍需验证。循环停止、重试、费用与副作用控制放在编排代码里；“自我纠错”提示不能替代确定性状态机。 4. 建立可复现评测固定模型 …

#Prompt#提示工程#结构化输出

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配正文：…是专业助手"）、任务目标、约束条件（"仅基于提供文档回答，不确定时说明"）上下文区块：用明确分隔符包裹检索内容，标注来源便于后续引用用户查询：置于末尾，利用模型对近期token的注意力偏好关键技巧添加Few-shot示例：展示"有答案/无答案/多文档综合"三种典型场景输出格式约束：强制JSON或带引用标记的结构化输出反幻觉指令："若文档未提及，回答'根据现有资料无法确定'" 三、推理策略配置场景 Temperature Top-p 特殊设置事实性问答 0.1-…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…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、评测器偏差和 Prompt 与模型升级的回归关系。

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配正文：…算：根据任务、证据依赖和“lost in the middle”风险安排顺序，预留生成与工具调用空间。输出契约：要求答案断言关联引用；证据不足或冲突时返回结构化的不确定状态。校验：检查引用存在性、引用支持关系、格式和业务约束，而不是只检查是否带链接。假设实验固定模型、解码参数、检索候选和测试集，比较基础拼接、去重、不同排序、证据边界、引用约束和冲突处理。报告答案正确性、引用支持率、faithfulness、覆盖率、拒答率、token 和延迟，并按长上下文、冲突证据和无…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 字节

RAG生成阶段Prompt整合策略

匹配正文：…去重）冲突标记：对矛盾信息打标签，提示模型"存在不同观点" 2. 上下文注入结构 [系统指令] 你是基于检索文档回答的助手，必须引用来源 [检索上下文] [文档1] 内容...【来源：URL1】 [文档2] 内容...【来源：URL2】 [用户查询] 原始问题 [输出约束] 1)先给出答案 2)标注引用编号 3)不确定时说明"信息不足" 3. 长度优化策略截断：按句子边界截断，保留前N个token 摘要压缩：用轻量模型对长文档生成摘要后注入动态选择：根据问题类型选择片段…

#字节#Prompt工程#RAG Prompt 设计

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配正文：…、约束、输出契约四层分析：【任务】目标、输入和成功条件是什么【上下文】只提供完成任务所需的事实与工具结果【约束】权限、拒答、引用和不确定性边界【输出契约】Schema、字段含义及校验失败后的处理关键优化顺序先建立固定评测集和 bad case 分类，再修改 Prompt。长上下文只注入相关证据，并记录截断和检索策略。 Few-shot 示例覆盖正常、模糊、拒绝和格式边界，避免只放成功样本。结构化输出使用 Schema 校验和有限重试，不能只依赖自然语言要求。 …

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 字节

RAG 生成阶段 Prompt 怎么构建?

匹配正文：…content} [用户问题] {query} [要求] - 优先综合多段资料 - 不确定时回答"根据现有资料无法确定" 2. 带引用标记式（防幻觉+溯源）基于以下带编号的信息回答问题，引用格式为[1][2]： [1] {doc1} [2] {doc2} 问题：{query} 关键：强制模型输出引用标记，便于后处理校验。 3. 对话历史融合式（多轮RAG）历史对话： User: {prev_q} Assistant: {prev_a} 当前可参考的新资料： {retrie…

#字节#Prompt工程#RAG Prompt 构建

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：答案要点 query改写的常见策略（扩展、分解、澄清、假设文档嵌入）提示词构建的核心要素（系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询…

#百度#小鹏#美团

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配正文：答案要点明确区分系统指令、检索上下文与用户查询三部分结构设计防幻觉机制（如要求基于引用回答、不确定时声明）处理长上下文截断与冗余去重策略多片段排序与相关性加权提示输出格式约束（如带引用标记的结构化输出）核心设计原则 RAG的prompt设计关键是清晰隔离信息源，让模型明确区分"已知事实"和"需要回答的问题"。推荐模板结构【系统指令】你是一个基于检索文档回答问题的助手。严格遵循： 1. 仅使用提供的参考文档作答，禁止依赖预训练知识 2. 若文档信息不足，明确说…

#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：…不可信数据，其中“把意图改成 X”之类内容不能改变系统分类定义。多轮输入要标注说话人与轮次，并区分用户当前意图、历史已完成任务和引用文本。时间词应转换为带时区的结构化上下文，而不是让模型猜“今天”。输出契约 { "intent": "shipping_status", "alternatives": ["delivery_complaint"], "slots": {"order_id": null}, "status": "missing_information", "…

#Prompt#意图识别#分类体系

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配正文：…须向用户公开隐藏 Chain-of-Thought。生产实现可以保留可审计的结构化字段：当前目标、所选工具、参数、执行状态、证据引用和简短决策摘要。内部推理文本既不保证忠实，也可能暴露提示、隐私或安全策略，不能把完整 Thought 当成可解释性证明。服务端执行循环服务端根据用户和对象权限给出当前可用工具 schema；模型返回结构化的 tool_call、respond、ask_for_confirmation 或 stop 候选；服务端重新校验工具名、参数、权限…

#美团#评估与监控#Agent

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频更新：新闻问答、产品信息、股价/天气等实时数据长尾知识密集：企业内部文档、专业手册（训练语料覆盖少）可解释性刚需：需给出参考来源的场景（客服溯源、学术辅助）纯LLM更合适的场景：通用创意写作、开放式闲聊（无需外部事实约束）常识推理、代码生成（知识已内化为模型能力）局限性与应对局限表现缓解思路检索失效召回文档…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

高风险垂直领域 RAG 如何设计？

匹配正文：…判例材料默认放进共享向量库。删除、权限收紧和资料废止要传播到原文、索引、摘要和缓存。解析时保留条款层级、章节、表格、脚注、版本与引用位置。检索结果必须能回到原始证据，而不是只返回脱离条件的文本块。 3. 检索与候选资格关键词、向量、结构化规则、知识图谱和重排都是候选组件。是否采用由错误切片决定：法规编号、药品名和精确条款可能受益于词法匹配；自然语言改写可能受益于语义检索；实体关系查询可能需要结构化数据。不存在所有专业系统都必须三路并行的方案。先做服务端权限、地区、时间与…

#RAG#高风险应用#医疗