匹配正文：…先，按条款编号切分；添加父级标题作为上下文前缀特殊处理：法条引用关系需建图索引，不依赖纯文本切块关键权衡粒度vs召回：块越小检索准但可能丢上下文，块越大完整但噪声多建议：实际采用多粒度索引——小chunk用于精排，大chunk（或父文档）用于生成时补充上下文评估方法检索侧：Top-K命中率、MRR 生成侧：答案完整性人工评分、引用准确率学习建议建议从基础切块方法（如固定长度、按段落）入手，理解其在专业文档中的局限；再学习语义切块等高级策略，结合实际案例练习分块…

#字节#RAG Chunking#长文档切分

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配口述回答：[[Chunking]] 对 [[RAG]] 的影响非常大，因为它决定了知识库里最小的检索单元。切得好，检索能找到刚好回答问题的证据；切得不好，要么找不到，要么找回来一堆噪声，最后生成模型也会被带偏。它的核心权衡是信息粒度和上下文完整性。块太小，语义容易断，比如一句“该方法效果更好”被单独切出来，模型不知道“该方法”指什么；块太大，里面噪声多，[[embedding]] 会被多个主题稀释，检索精度下降，塞给大模型也浪费窗口。常见方法里，固定长度分块最简单，按 token …

#百度#文档处理#Chunking 策略

面试题·文档处理· 字节

RAG 长文档怎么切块?

…论文、报告、企业SOP这类有完整语义的文档，就得按语义边界来切。按句子、段落，甚至按标题和章节来切。这样切出来的块内部语义自包含，检索精准度高。但这里有个前提：文档结构要清晰。如果是一份没有标题、没有分段、格式混乱的[[OCR]]扫描件，语义切分效果会大打折扣。而且块大小不均匀，对后续的[[Embedding]]和检索延迟有影响。所以真正落地的时候，我倾向于把两者结合起来。一个很实用的做法是多粒度设计，也叫Parent-Child结构。较小块负责精准命中，较大父块负责补回生…

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

匹配口述回答：

#字节#文档处理#RAG 文本切块

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：…路是：清洗宁可保守，不要激进；分块先保语义边界，再用评测证明是否需要重叠；元数据宁可多存，不要漏掉。这样虽然前期工作量稍大，但后期检索和生成质量会稳定很多。本质是边界划分与工程取舍通用清洗+领域特化分块策略与动态切分元数据与向量化增强质量闭环与风险意识约4分钟清洗规则可以自动化迭代，比如用LLM评估清洗质量或用NER检测术语覆盖率。追问自动化迭代的具体实现、如何避免LLM自身错误影响清洗质量、以及领域语料不足时的替代方案。

#字节#RAG 文档清洗#文档预处理

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…。所以我会特别关注Chunk策略，比如用语义切分而不是固定字数，或者用[[Parent Document]]保留上下文层级。另外，检索本身也不能只靠向量相似度，我通常会把[[Hybrid Search]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺，还得看它有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估…

#科大讯飞#阿里#RAG 架构

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…里用户问“退款政策是什么”，你从知识库拉回最新文档，模型照着说就行。但它不太适合那些需要模型深度推理的任务，比如合同条款分析，因为检索回来的片段可能互相矛盾，模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…

#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：这道题其实是在问，大模型产生[[幻觉]]，我们到底从哪下手。检索增强提供证据，偏好训练调整行为；幻觉成因可能重叠，不能把[[RAG]]和[[RLHF]]分别对应成不知道与知道但乱说两类。先说 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…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配口述回答：…ain看成是快速验证想法的好帮手，但真要上线，得想清楚复杂度是否值得。如果面试官感兴趣，我可以再聊聊它跟LlamaIndex在[[检索增强生成]]场景下的具体对比。一句话定位：编排框架，解决模型能力串起来的问题 Chain是静态管道，Agent是动态决策，Tool是外部接口业务例子：客服退款场景，Chain处理流程，Agent做复杂决策风险：过度抽象，调试困难，性能损耗工程师取舍：快速原型用LangChain，生产环境谨慎评估约4分钟 LangChain的Agent…

#快手#评估与监控#Agent

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过一个工具包装就能把LlamaIndex的检索能力当工具给LangChain用。但…

#阿里云#评估与监控#Agent

面试题·评估· 高德

多工具评分排序机制

匹配正文：…分模块实现 1. 分层评分体系最终得分 = α·语义匹配分 + β·历史绩效分 + γ·成本惩罚项维度计算方式语义匹配用embedding模型计算工具描述与任务query的余弦相似度历史绩效滑动窗口统计近N次调用的成功率，引入时间衰减成本项归一化后的延迟/费用，作为负向惩罚 2. 模型化打分（进阶）训练轻量级工具路由模型（如LoRA微调的BERT）：输入：任务上下文 + 候选工具元信息输出：各工具的概率分布优势：可捕捉"隐式偏好"，如特定场景下优先选…

#高德#Agent#智能体工具选择

面试题·评估· 快手

LangChain 链式调用原理

匹配口述回答：…重复的、共性的东西抽象出来，让开发变得像搭积木一样。LangChain本质上是面向LLM的编程框架，它通过分层抽象把模型调用、知识检索、流程编排这些事拆成了六个核心模块。先说一下模型输入输出层，它统一了不同模型的接口，你换模型只需要改个类名，比如从ChatOpenAI换成HuggingFacePipeline，代码主体不用动。再一个是检索层，它把文档加载、切分、[[向量化]]、存储这一套串起来，[[RAG]] 场景下最常用。然后是链，它定义了一个固定流程，比如先查知识库再问…

#快手#评估与监控#Agent

面试题·评估· 商汤科技

AI Agent 核心理解与未来趋势

匹配正文：…g）任务分解、子目标设定、反思调整记忆（Memory）短期上下文 + 长期知识库工具（Tools）外部API、代码执行、检索增强行动（Action）执行具体操作并观察反馈主流实现范式 ReAct：推理与行动交错，适合需要逐步探索的任务 Plan-and-Execute：先规划再执行，适合明确可分解的任务 Multi-Agent：多角色协作，模拟团队工作流未来发展看法短期（1-2年）：工程化与可靠性从"能跑通"到"跑得稳"：降低幻觉、提高工具调用成功率成…

#商汤科技#评估与监控#AI Agent 理解

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·评估· 美团

Agent 功能模块怎么分工?

匹配口述回答：…可能搜到过期的促销政策。真正落地时，Search 要跟业务知识库配合，比如先搜内部的知识库，再搜外部网页，并且要设定时间范围。如果检索结果质量差，比如 top-k 太小或者相关性分数低，Agent 会基于错误信息做决策，反而加剧幻觉。所以前提是检索系统本身要可靠，比如用 [[Hybrid Search]] 结合关键词和向量，再加一层 [[Rerank]] 过滤低分结果。再说 Coding。这个模块赋予了 Agent 动手能力，把自然语言需求转成可执行代码。输入是任务描述和上…

#美团#评估与监控#Agent

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配口述回答：…一起上。最后说下落地风险。一个前提是数据质量必须高，文档本身有错、有矛盾，RAG 反而会放大错误。上线前我会特别关注两件事：一是检索延迟，高频场景下向量检索加重排可能超过 500ms，需要加缓存或者用 [[HNSW]] 索引优化；二是数据一致性，文档更新后，旧向量和旧片段要能及时清理或软删除，否则用户会看到过时信息。还有一个点值得深入，就是怎么评估 RAG 系统的质量。光看单个环节的指标不够，比如检索的 Recall 高不一定生成就好，因为噪声多了反而有害。我倾向用 [[…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调

生成质量差怎么调优?

匹配正文：…处理策略（重排序、压缩、截断优化）模型层面的SFT/RLHF微调生成控制参数与后处理校验机制问题定位首先确认是纯生成问题（检索结果已准确），而非检索-生成不匹配。常见症状：内容拼凑感强、逻辑断裂、答非所问。核心优化策略 1. Prompt工程（零成本首选）指令结构化：明确输出格式（"请分三点回答"）、约束条件（"仅基于提供的文档"） Few-shot示例：在Prompt中嵌入2-3个高质量输入-输出样例角色设定：赋予模型特定身份（"你是严谨的医学助手"）提升一致…

#RAG 生成质量#指令遵循#生成模块调优

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配正文：…API 或数据库工具获取，再把结果作为生成依据，而不是依赖静态向量库。 2. 私有与领域知识企业政策、产品手册和内部流程可以通过检索按权限注入上下文，无需为每次事实变化重新训练模型。系统仍要做好文档级授权、租户隔离和引用回查，避免检索到用户无权访问的内容。 3. 幻觉与可追溯性检索证据、引用和“资料不足时拒答”可以降低部分无依据生成，但前提是证据正确、完整且生成器忠实使用。错误召回、冲突文档或过期索引也可能让答案更差，因此需要分别评估证据召回、忠实度和答案正确性。与 S…

#美团#知识增强#RAG 核心问题

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：…理性）并针对性治理 RAG与知识图谱结合的检索增强方案多模型交叉验证与一致性约束机制金融领域特有的监管合规与可审计性设计量化评估与持续监控体系核心挑战分析金融领域幻觉代价极高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查询内部数据库、权威API（Wind/…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配口述回答：…构建的质量直接决定推理效果。如果实体抽取不准，关系类型定义模糊，或者图里有噪声边，推理链就会断或者错。所以上线我会特别关注图的质量评估，比如用一批标注好的多跳问题来验证召回率。落地的时候，我倾向于“轻量抽取+动态扩展”的混合架构。不是所有场景都需要全量建图。比如企业内部的SOP文档，变更频繁，全量建图成本太高，我会先做关键词和向量[[混合检索]]，只在需要多跳推理时才触发图查询。真正落地的关键不是选哪个，而是知道什么时候用图，什么时候用向量。不过GraphRAG的图构建有…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 淘天

GraphRAG 知识图谱构建有哪些挑战?

匹配正文：…写入、版本化、局部重算策略以及可回滚索引。安全与治理：跨租户图合并、敏感实体、删除请求和提示注入都可能导致越权或污染，授权必须在检索与证据读取层执行。评估要分层覆盖实体链接准确率、关系精确率与召回率、路径及证据命中、答案忠实度、更新新鲜度、延迟和成本，并与向量 RAG、关键词检索及无图基线在同一查询集比较。GraphRAG 能提供全局主题和关系视角，但不能保证自动获得正确知识图谱或可靠推理。图解 GraphRAG 知识图谱构建有哪些挑战?图解

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：这道题问的是[[RAG]]在实际落地时，检索和生成之间那个匹配缺口怎么补。说白了，RAG不是拿回文档就万事大吉，中间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…轻量级的传统RAG一起，构成一个分层检索体系。一句话定位：GraphRAG本质是解决跨文档综合推理问题知识组织方式对比：从切片向量到实体关系社区检索机制差异：局部相似 vs 全局语义+多跳推理真实业务场景：企业合规文档全局查询落地风险与前提：构建成本高、适合静态知识库工程师取舍：GraphRAG是复杂分析场景的补充工具约4分钟 GraphRAG社区摘要本身由LLM生成，可能引入Hallucination，需要评估Faithfulness。面试官可能会追问如何评…

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配口述回答：…关系；如果问的是全局性问题，比如'整个数据集里有哪些主要研究方向'，那就聚合社区摘要来做回答。跟传统[[RAG]]比，本质区别在检索单元。传统RAG拿文本块做向量检索，擅长回答'某一段说了什么'这种点状事实，但遇到跨文档的聚合性问题就吃力，因为每个块是孤立的。GraphRAG把块换成了实体、关系和社区摘要，所以特别适合需要多跳推理或者全局总结的场景。但这里有个边界：传统RAG成本低、构建快，适合高频实时检索；GraphRAG构建成本高，适合静态知识库加复杂分析类查询。真正落…

#淘天#知识图谱#GraphRAG 原理

面试题·多模态· 美团

AI Agent 自主智能体实现陷阱

匹配正文：…，容易陷入局部最优或循环工具调用可靠性不足：API失败恢复、参数纠错、结果理解仍是痛点 2. 记忆与上下文瓶颈长期记忆依赖外部向量库，但语义检索的召回率和相关性不稳定跨会话的状态维护、用户偏好学习缺乏有效机制 3. 自主性与可控性的矛盾完全自主意味着不可预测，业务场景需要可解释、可回滚的决策轨迹当前缺乏"知道何时该问人"的优雅降级机制 4. 评估与迭代困境 Agent效果难以量化，传统NLP指标失效，人工评估成本极高技术突破方向方向关键进展对Agent的意义…

#美团#Agent#AI Agent 发展路径