匹配口述回答：…源头防幻觉。举个例子，用户问‘满减政策’，如果检索到的文档里两条矛盾，一条说‘满200减20’，另一条说‘满300减30’，我会在prompt里要求模型列出不同观点并说明依据，而不是硬选一个。工程上还有个细节：负例过滤。检索结果里置信度低的文档直接丢掉，不放进上下文，避免干扰。这里有个常见失败场景：长文档截断丢失关键信息。我的做法是检索时做段落级切分，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…

#百度#小鹏#美团

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…索：BM25等传统方法补充，确保专有名词命中结果融合：RRF（Reciprocal Rank Fusion）合并两路结果重排序优化：用Cross-Encoder（如BGE-Reranker）精排Top-K候选，提升相关性三、增强与生成阶段上下文拼接：按相关性排序检索结果，拼入Prompt模板提示工程：明确指令"基于以下参考资料回答"，约束模型引用来源生成控制：引用溯源：要求模型标注信息来源块拒答机制：检索置信度低时触发"信息不足"回复多轮优化：检索失败时自…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：…关键词，补充稠密检索混合检索：稠密+稀疏融合，线性加权或RRF重排 3. 生成阶段上下文组装：检索结果 + 用户Query构造Prompt 大模型生成：基于提供的上下文作答，典型Prompt模板包含"仅根据以下信息回答，不知道就说不知道" 关键优化点环节优化手段检索质量查询改写（HyDE）、多路召回、重排序（Cross-Encoder）上下文利用长上下文压缩、信息去重、相关性过滤端到端 Self-RAG（模型自主判断是否需要检索）、RAG-Fusion 一句…

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

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答二、关键技术组件组件作用常用方案 Embedding模型语义编码 BGE-large、GTE、OpenAI text-embedding 向量数据库高效相似度搜索 Milvus、Weaviate、PGVector Reranker 精排提升准确率 BGE-Reran…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…n）用户Query → Query改写/扩展 → 向量化 → 向量检索(Top-K) ↓ LLM生成 ← 上下文组装 ← 重排序优化 ← 候选文档关键组件：查询优化：HyDE（假设文档嵌入）、查询扩展、多跳查询分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合重排序（Rerank）：Cross-Encoder模型精排，提升相关性上下文组装：检索结果去重、截断、按相关性排序注入Prompt 三、核心技术要点分块策略：按语义边界切分，避免切断关键信息；…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…研），考虑多语言向量数据库海量向量相似度检索 Milvus/Pinecone/自研，关注召回延迟重排序(Rerank) 精排优化检索结果 Cross-Encoder模型，提升Top-K相关性大模型最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Query → 路由判断 → 多路…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…Milvus/Pinecone/Elasticsearch），同时保留原始文本用于召回 2. 检索模块（Retrieval）查询优化：查询重写（HyDE生成伪文档）、意图识别、多跳分解检索策略：稠密检索（向量相似度）+ 稀疏检索（BM25）混合多路召回（关键词+向量+图谱）重排序（Rerank）：Cross-Encoder模型精排Top-K，过滤低相关文档 3. 生成模块（Generation）上下文组装：按相关性排序文档，截断至上下文窗口 Prompt工程：明确…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…arch等，支持ANN近似最近邻搜索 2. 检索层（Retrieval）相似度计算：余弦相似度或点积，召回Top-K候选重排序优化：Cross-Encoder精排，提升相关性混合检索：向量检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Pro…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配正文：…排Top-K，提升相关性上下文组装按相关性排序拼接chunk，控制总长度（通常占LLM上下文30%-50%） LLM生成构造Prompt："基于以下信息回答问题：[context]\n问题：[query]" 四、关键优化点混合检索：稠密向量+稀疏向量+倒排索引，兼顾语义和精确匹配检索缓存：高频Query直接走缓存，降低延迟多路召回融合：不同检索策略结果用RRF（Reciprocal Rank Fusion）合并动态分块：根据Query意图调整chunk粒度（细粒…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 商汤科技

RAG 两阶段架构：模块与数据流

匹配正文：…→ 分块 → Embedding → 向量DB ↑ 在线：用户Query ──────────────┘（检索）→ 重排 → 组装Prompt → LLM → 答案工程要点：离线追求覆盖全、更新快；在线追求召回准、延迟低。两者解耦，可独立迭代优化。

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：… 重排序器精排Top-K结果 Cross-Encoder（如bge-reranker）生成器基于检索上下文生成答案大模型+Prompt工程，控制幻觉协同机制——上下文融合用户Query → 检索Top-K文档 → 拼接Prompt模板： "基于以下参考资料回答问题：[文档1]...[文档K]\n问题：{Query}\n答案：" → LLM生成（检索内容通过Attention与Query交互）关键优化策略查询改写：用LLM扩展同义问法，解决语义Gap 多路召回：…

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：答案要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、标题、时间戳，…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…T8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Generator → Answer 关键协作点上下文融合：检索结果按相关性排序，截断至上下文窗口置信度过滤：低分文档丢弃，避免引入噪声迭代优化：Advanced RAG中加入重排序（Rerank）或查询改写，提升召回精度质量提升本质：Generator从" parametric memory "（参数知识）扩展到"…

#字节#Retriever#RAG Retriever

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…零结果：向量库返回空，检查embedding/索引问题低质量结果：有结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再用该文档embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM…

#百度#小鹏#美团

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：…把栏目边界当成了普通换行。这几种问题最后都可能表现为一段混乱文本，修复位置却不同。留下中间结果，才能避免每次都重新换识别模型、改提示词，或把切分长度调得越来越大。我会保留原文档、页码、块标识和原始坐标，并记录恢复后的栏目与先后关系。坐标用于回到原页，栏目用于解释内容属于谁，顺序用于说明应该怎样读。它们承担的工作各不相同。恢复后的顺序应单独记录，原始坐标仍然保留。不要为了让输出看起来整齐，把块重新编号后就丢掉旧位置。发生串栏时，最有用的证据恰恰是：原来右边的一块，究竟从哪…

#RAG#PDF解析#阅读顺序

面试题·模型训练· 海尔

LoRA 低秩分解 vs 全量微调怎么选?

匹配追问：LoRA的秩r如何选择？有什么经验或理论指导吗 LoRA和Adapter、Prompt Tuning相比各有什么优劣实际部署中LoRA权重如何与基座模型合并，推理延迟会增加吗场景切入假设现在要为同一基座适配多个下游任务，存储和优化器状态是主要约束。你会怎样评估 LoRA 是否合适，并验证质量是否达到任务门槛？层层追问 LoRA 怎样表示权重增量？……参数量如何按输入维、输出维和 rank 计算？……target modules 选错会怎样？……什么时候可能不如全参数微…

#LoRA#参数高效微调#低秩分解

面试题·模型训练· 字节

SFT vs 预训练:核心区别在哪?

匹配口述回答：…板，增加任务与表达多样性并减少过度统一的合成数据；若通用能力下降，比较混合预训练数据、较小学习率、早停或参数高效微调。验证集要按 prompt 或来源去重，除平均 loss 外测指令遵循、事实、推理、安全、风格和基准保持。方法选择由反馈形式决定。有可靠标准答案时，高质量 SFT 是直接基线；有步骤可验证时可做过程监督或工具执行；只有成对偏好时可考虑 DPO 等偏好优化；有可执行 reward 且需要策略探索时可考虑在线 RL；高风险边界还需要规则、检索和人工。偏好数据噪声会…

#监督微调#预训练对比#复读机问题

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配口述回答：【30秒速答】缓解幻觉和安全风险要组合训练、证据、权限与评测。数据侧治理来源、隐私和有害样本，SFT 或偏好优化塑造行为；DPO 直接优化 chosen/rejected 相对 reference 的概率，不训练独立奖励模型。知识任务接检索和工具并核对引用，工具采用最小权限。Contrastive Decoding 比较 expert 与 amateur 的 token 分数，不是简单重复惩罚，也不保证事实。水印用于来源追踪，不会降低幻觉。最终分别测事实支持、安全分类、越狱…

#幻觉检测#内容安全#RLHF

面试题·项目与经历· 美团

技术项目怎么讲出亮点?

匹配口述回答：…程细节要挑本人最熟的一处展开。例如数据如何版本化、接口怎样幂等、模型如何灰度、异常怎样回退、监控怎样定位。若是大模型项目，还要说明prompt、知识库、模型和评测集的版本，避免把线上变化归因错。若涉及用户数据，要说明权限、脱敏和日志边界。结果只讲可复算指标。填写【优化前后质量、延迟、资源、失败率或人工时长】，注明比较窗口、样本量、硬件和是否同流量。没有真实数字时可以说目前只完成原型并描述观察，不要编提升百分比。团队总指标与个人动作之间还要有实验或上线记录连接，不能仅凭同时发…

#项目经验#系统设计#技术选型

面试题·RLHF与对齐· 网易

Reward Model 训练流程详解

匹配口述回答：…DPO 取决于是否需要在线探索、是否有可靠奖励、采样成本和系统能力，不能只看训练 loss。【验证补充】RM 的离线准确率要按 prompt 难度、长度差、语言和安全类别切片，并报告成对准确与校准，而不是把平均 score 当验收。进入策略优化后保留一个不参与训练的人工偏好集和可执行任务集，观察策略是否通过写得更长、复述提示或利用格式漏洞获得高分。从同 prompt 的偏好回答对构造数据用序列标量分数和成对损失训练 RM 区分相对 rating 与绝对质量解释 PPO…

#奖励模型#RLHF#偏好学习

面试题·RLHF与对齐· 阶跃星辰

TRL Agent 组件交互机制

匹配口述回答：…开：model 是待训练策略，ref 计算 KL，reward 给轨迹分数，value 估计状态价值。optimizers 参数是优化器与学习率调度器的二元组，不能说框架固定内置两个优化器。搜索工具调用由外部环境循环识别、校验、执行并把 observation 写回，再继续生成；callback 不会自动完成这套状态机。PPO 使用标量奖励，不要求搜索结果或 reward 对 policy 参数可微。【90秒主答】流程从 prompt 数据集开始，policy 生成 ac…

#TRL#PPO#Agent