匹配正文：…点修复体现对RAG全流程的深入理解核心问题定位检索准确 ≠ 生成优质，瓶颈常在中间处理环节和生成阶段。主要原因分析 1. 上下文组织问题文档拼接顺序混乱，关键信息被淹没冗余内容过多，超出模型有效上下文窗口多文档间信息冲突未消解 2. 提示工程缺陷缺乏明确的指令引导模型如何利用检索内容未约束模型"优先基于文档回答，不确定则拒绝" 3. 生成阶段问题模型本身指令遵循能力不足温度参数过高导致幻觉未针对RAG场景做SFT对齐系统性调优策略层级具体措施检…

#上下文组织#生成质量调优#RAG 生成质量差

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：…的证据。若证据中的顺序和字段关系已错，回到解析与切分。如果证据结构正确却没有被找回，再查检索。如果正确证据已经排在前面，才继续检查上下文组织与生成。怎样证明不是只调用了开源解析器？讲清输入分类、路由条件、保留的数据结构、失败页面、验收样本和回归过程。工具名称只是链路中的一环，真正的工程贡献体现在怎样让输出适合自己的文档，并且能够证明它可靠。一段话讲清复杂 PDF 的解析与验收把版面、表格和引用连成一段回答，可以这样说：复杂 PDF 的难点不只是识别文字，而是恢复人类…

#RAG#解析与入库#复杂 PDF 阅读顺序

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

… 这时再查问题改写、关键词与向量召回、过滤条件、融合和重排。第四种情况，正确证据已经排在前面，模型仍然答错。这时才去看提示词、上下文组织、引用约束和生成模型。从最终错误反查解析链路先确认正确证据在哪一层消失，再决定检查解析、切分、检索还是生成。最终答案错误不能直接归因于大模型。这种分层有一个直接好处：修改目标变得清楚。如果正确单元格从未被还原，换 Rerank 没有意义。如果证据存在但总排在后面，继续调 OCR 也不会解决排序问题。指标应该怎样选？解析评测不需…

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

匹配正文：

#RAG#解析与入库#RAG 文档解析评估

面试题·Agent

Deep Research 并行任务怎么拆，依赖、尾延迟和综合成本怎样控制？

匹配正文：…高会将执行时间从调用阶段移到排队和重试阶段。多个单元返回后，综合器还要统一实体、版本、单位和来源关系。单元越多，去重、口径对齐和上下文组织的成本也越高。结果冲突仍然需要处理，但它属于综合阶段的一个检查项。两个 Agent 得到不同数字，可能是版本、时间和测试条件不同，不应直接投票。 Research-Synthesis 的主问题因此是：哪些单元真正可以并行，共享资源能承受多少并发，最慢单元是否位于关键路径，以及综合开销是否值得。多数投票与证据综合的差别并行调度先解决任…

#Deep Research#执行框架与长任务#Deep Research 并行任务拆分

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：…值应从这些标注与失败案例中得到，而不是先写死再寻找解释。端到端评估还要检查模型是否正确使用了记忆。检索正确但最终答案忽略，问题在上下文组织或生成；错误候选进入上下文，问题在检索；正确候选被过滤，问题在意图或元数据。只有分层 Trace 才能定位。 Agent 记忆检索验收清单检索质量既看找到什么，也看挡住什么和最终是否真正使用。面试官会怎样连续追问追问一：相关性、时间性和重要性权重怎么定不先报固定权重。先按记忆类型定义特征和硬约束，再用标注集、难负例和消融选择参数。…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…l 正常而 MRR 下降，融合与重排更值得优先检查。正确证据已经排在前面，Faithfulness 却下降时，再看 Prompt、上下文组织和模型生成。一个总分无法给出这种定位能力。开发集、回归集和保留集为什么要分开？开发集用于日常调试。调整 Chunk 大小、检索权重、阈值和 Prompt 时，可以反复运行开发集，快速观察变化。回归集保存已经发生过的 bad case。每修复一个真实问题，就把原问题、正确证据和预期行为加入回归集。以后换模型或重构链路时，先确认旧…

#RAG#评测与上线#RAG 评测集

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…型实际可见的位置。情况三：Recall 和 MRR 都正常，Faithfulness 低检索结果大概率已经可用，问题更可能出在上下文组织、Prompt 约束、答案生成或事实归因。要查看模型实际收到的 Prompt，而不是只看向量库返回结果。检查关键证据是否在拼接时被截断，多个片段是否相互冲突，模型是否把外部常识写进答案。情况四：Faithfulness 高，答案正确性低模型忠实使用了上下文，但上下文本身可能错误、过期或不充分。也可能是参考答案和知识库版本不一致。优…

#RAG#评测与上线#RAG 评估指标

面试题·项目与经历· 商汤科技

项目局限性与改进方向

匹配正文：…hfulness、最终任务成功和延迟成本。召回提高可能带来更多噪声，但并不存在“召回和幻觉天然此消彼长”的定律。top-k、重排、上下文组织、模型能力和任务分布共同决定结果，必须用同一评测集做曲线。不得补写候选人的召回率、优化周期和涨点。一个有说服力的局限，来自可复现失败、根因证据和明确的风险边界。

#项目复盘#技术债务#系统优化

面试题·评估· 百度

RAG 错误怎么定位到检索或生成?

匹配正文：…题随机组随机不相关文档错误输出若仍正确→生成过度依赖先验关键判定：黄金组正确 + 原系统错误：提示原检索/排序/过滤/上下文组织可能有问题，还要区分漏召回与噪声、位置、截断。黄金组仍错误：先确认黄金证据充分、prompt和输入格式正确，再查生成与证据使用；不能仅凭该实验断言是幻觉。二、独立指标体系检索侧指标（无需生成模型）： Recall@K：Top-K命中的黄金相关文档数 / 全部黄金相关文档数；至少命中一份是Hit@K MRR：每个query首个相关结果…

#百度#评估与监控#RAG 错误定位

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配正文：… 用灰度、版本化索引和回滚控制更新风险。假设实验在同一测试集上依次比较：基础向量召回、加入 BM25、加入融合、加入重排、改变上下文组织。每步同时记录质量、延迟和成本，并按 query 类型和文档类型切片。结果用真实实验填写，不能预设某个企业项目或固定提升。

#AIlab#检索器优化#RAG 优化

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…量LLM打分三、生成模块：可控输出 Prompt工程系统角色固化："你是资深医疗顾问，基于以下参考资料回答，不确定时请说明" 上下文组织：按相关性排序，标注来源编号支持溯源输出约束：JSON结构化（诊断/依据/置信度）或特定格式（法律意见书模板）关键优化上下文压缩：LLMLingua去除冗余，保留核心证据句引用生成：强制要求标注来源，避免幻觉四、评估与迭代自动化指标检索：Recall@K、MRR；生成：RAGAS（忠实度、答案相关性）领域专家闭环抽样人工…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：…方案如多模型路由、生成后校验问题定位：检索准≠生成好先确认是生成能力不足还是检索-生成对齐问题：检索片段本身矛盾/冗余 → 上下文组织问题模型忽略检索内容、自由发挥 → 注意力对齐问题模型无法理解专业领域知识 → 领域适配问题分层优化策略 1. 提示工程（零成本）显式指令：强制要求"基于以下材料回答，禁止推测"，加入引用标记要求 Few-shot示例：给2-3个"检索片段→忠实回答"的正例角色设定：限定为"严谨助手"，降低创造性温度 2. 上下文组织（低成本）…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：… 实体、关系、社区子图擅长问题 "某文档说了什么" "整个数据集的共同主题是什么" 推理能力单点匹配多跳关系推理、全局聚合上下文组织线性拼接结构化图遍历典型场景对比：问"公司A和公司B有什么关联？" 传统RAG：可能漏掉分散在多处的间接关系 GraphRAG：通过图遍历找到A→C→B的完整路径图结构数据的应用方法 1. 金融风控构建企业股权、担保、交易关系图识别隐性关联：多层股权穿透、担保圈 2. 医疗诊断症状-疾病-药物-禁忌的知识图谱支持"症状A+…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…、关系、社区摘要推理能力局部语义匹配全局关系推理、跨文档聚合擅长问题 "某段文字说了什么" "这些文档共同的主题是什么" 上下文组织平铺的top-k片段层次化的图结构优势与适用场景核心优势解决连接性查询：需要综合多文档信息才能回答的问题支持抽象概括：从具体事实归纳高层主题、趋势减少语义漂移：图结构约束检索范围，避免向量检索的无关内容典型场景大规模文档分析（如企业知识库、研究报告库）需要全局洞察的决策支持（竞品分析、技术趋势研判）多跳推理需求（"A…

#字节#知识图谱#GraphRAG 原理

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·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…调成本高零样本接入私有知识关键优化点检索质量：Embedding模型微调、混合检索（向量+关键词）、重排序（Rerank）上下文组织：片段截断策略、多轮检索、检索结果去重融合生成控制：提示词约束模型严格基于检索内容回答，拒绝无关Query 与微调对比 RAG优势在于知识可解释、更新即时、成本可控；适合知识频繁变更、需溯源的场景。微调更适合改变模型行为风格或需要内化复杂推理模式的任务。学习建议建议系统学习该知识点

#字节#外部知识检索#RAG 原理

面试题·检索· 百度

RAG Query 改写方法

匹配正文：答案要点查询改写的常见策略（HyDE、多查询扩展、子问题分解）提示词构建的核心要素（角色定义、上下文组织、引用标注）检索后处理的技巧（重排序、上下文截断）实际落地中的权衡取舍查询改写策略核心目标：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子…

#百度#小鹏#美团

面试题·项目与经历· 京东

普通经历如何讲成就感

匹配口述回答：…问题理解、答案格式和工具链影响。提高召回可能带来更多干扰，但这不是召回与幻觉之间的天然定律，需要在目标数据上调 top-k、重排和上下文组织。所谓低于固定召回率系统必然崩溃也没有通用依据。意义部分说明这件事带来的可迁移方法，例如从追单一分数变成建立证据链，从一次性交付变成持续监控。再坦诚一项局限和下一次会提前做的动作。真实规模不大没有关系，只要背景、本人行动、结果和反思能够互相验证，就足以构成有说服力的成就案例。选择证据最完整的真实事件说明本人目标和约束讲清行动、失败…

#行为面试#自我认知#项目复盘