匹配正文：…断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning解决"知识内化"；复杂推理场景需走向Agent化，而非堆砌检索次数。

#小红书#RAG局限性#RAG 局限性

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配口述回答：…。所以我会从三个维度来聊：技术方向、团队协作、个人成长。先说技术方向，这也是我最关心的。我看到书面答案里提到[[RAG]]和[[Agent]]的结合，这个点我特别感兴趣。具体来说，在外卖或到店这类多轮对话场景里，用户可能先问“附近有什么火锅店”，再追问“有没有双人套餐”，这里就需要RAG能结合对话历史做上下文检索，同时Agent能根据当前状态调用不同的工具或API。我觉得真正落地的难点在于怎么把[[ReAct]]框架和检索结果融合，让模型既能依赖知识库的事实，又能自主规划下…

#面试技巧#职业规划#团队文化

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Agentic RAG]]，让模型自主决定检索步骤，或者用[[ReAct]]框架把推理和检索交替进行。所以整体上，我会把RAG看成一种低成本、可迭代的知识注入方式，适合知识频繁更新或需要高可信度的场景。但它的天花板在于检索质量，如果知识库本身混乱或检索策略粗糙，效果反而比纯模型更差。我更倾向先用混合检索加Rerank打好基础，再根据业务需求决定是否引入[[Agent]]或微调。一句话定位：RAG本质是给L…

← 上一页第 9 / 9 页

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

#淘天#事实准确性#RAG 减少幻觉

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…ve 基线可以暴露单路向量召回对精确实体的不足；如果 bad case 集中在订单号，就加入 BM25 或字段检索，而不是直接上 Agent；如果正确政策已经召回但版本排错，再引入时间过滤或重排；只有问题需要跨多个系统补信息时，才考虑受控工具链。每次只增加一个主要模块，才能看清收益来自哪里。生产中还要保存 query 变换、过滤条件、各路候选、融合名次、重排结果、最终上下文和引用。语料、embedding、索引、reranker、Prompt 与模型分别版本化，灰度时同时看…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…它最适合知识库相对静态、答案有明确来源的场景，比如客服、合规、产品文档。如果知识库频繁变动，或者问题需要多步推理，那可能要上 [[Agent]] 或者 [[ReAct]] 方案。我更倾向把RAG当成一个基础模块，和微调、Agent组合使用，而不是孤立地看。一句话定位RAG本质索引阶段：切分与向量化查询阶段：检索与生成优化手段与边界落地风险与取舍约4分钟 RAG的召回质量高度依赖Embedding模型和切分策略的配合，需要领域适配或引入GraphRAG补足语义。面…

#字节#RAG系统实现#RAG 实现