匹配正文：…本。权限必须由服务端执行，不能在生成后才删除越权引用。若需要重排，先确认正确证据已经进入候选，并评估新增延迟。 3. 上下文增强上下文组装不只是把前几段拼进提示。它要：去重并保持必要的标题、表格、时间和父子关系；在 token 预算内保留支持结论的完整证据，避免从否定句或条件句中截断；给片段分配稳定引用 ID，并保存组装前后映射；显式传入问题、证据、回答格式和“证据不足时如何处理”的规则。单个相似度分数通常未校准，不能仅凭固定阈值判定拒答。拒答策略应结合候选覆盖、…

#RAG#知识库#检索

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…，继续下一组问题。配套学习：技术项目怎么讲出亮点?。 3. 讲清方案和流程从请求进入开始，依次讲清鉴权、查询处理、召回、重排、上下文组装、生成、引用和返回的数据流。考察重点：确认候选人理解端到端链路、关键接口和状态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计练习顺序：完成这一题后，继续下一组问题。配套学习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. 说明选择与取舍为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下…

第 1 / 2 页下一页 →

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#模拟面试#简历项目#连续追问

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：…段和候选范围。融合与重排层不负责创造新证据。正确 Chunk 已经被某一路召回，却在合并、去重或精排后消失，问题才归到排序阶段。上下文组装层则检查重排后的候选是否因长度预算、相邻去重或模板清洗而丢失必要信息。只有正确证据完整进入模型输入后，才把失败继续交给生成与引用环节。这种分层判断还有一个好处：修复验收可以落到阶段输出，而不必等待最终回答偶然变对。比如修复索引问题，先确认正确 Chunk 恢复可检索；修复融合问题，先确认它在相同候选下的名次与去重结果符合预期；修复上下文…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

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

匹配正文：…edding、调 TopK 或改 Prompt。问题是，RAG 不是一次模型调用。用户问题要经过 Query 处理、检索、排序、上下文组装、答案生成和引用回跳。最终回答错了，可能是正确证据根本没有被找回，也可能是证据已经排在前面，生成模型却漏掉了限制条件。只看一个端到端分数，团队仍然不知道应该修哪一段。这也是项目面试里很容易被追问的一道题： Recall@K、Precision@K、MRR、答案正确性和 Faithfulness，分别在评估 RAG 哪一层？如果几个指标互…

#RAG#评测与上线#RAG 评估指标

面试题·项目与经历· 美团

项目难题怎么定位与解决?

匹配正文：…证明 embedding 负样本不足。定位时要按查询类型和文档类型切片，先查知识覆盖率、切分与元数据，再分别测候选召回、重排排序、上下文组装、引用支持和最终答案。召回层至少看 Recall@k 或命中率，排序层看 MRR、NDCG 或人工偏好，生成层看答案正确性、证据支持率和拒答行为。方案必须对应证据。若文档根本没有答案，应补知识而非训练 embedding；若候选集中有答案但排序靠后，再检查查询改写、向量模型、负样本和重排；若证据正确但答案错误，则处理提示、上下文冲突、生…

#问题定位#工程实践#跨团队协作

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配正文：…ding 2. 检索架构：分层索引 + 动态剪枝用户Query → 文件级检索(Top-K) → 函数级精排 → 依赖扩展 → 上下文组装依赖扩展：根据调用图自动拉取上下游代码（解决"只看一个函数看不懂"的问题）智能截断：按调用深度优先级排序，非核心代码用摘要替代 3. 上下文管理策略 Repo-level Encoding：用文件路径、模块结构做显式位置编码滑动窗口 + 关键节点锚定：保留入口函数，中间过程可折叠增量缓存：已分析过的模块直接复用摘要 4. 工具链集…

#字节#Agent#Agent 代码库处理

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配正文：…生成版本和时间，便于失效与回查。按数据最小化原则配置保留期、加密、访问控制、导出和删除，敏感工具结果不直接写入长期记忆。 2. 上下文组装与截断先预留系统指令、工具 Schema 和输出预算，再按优先级放入不可丢的安全约束、当前任务状态、未完成工具结果、用户确认事实、最近对话和历史摘要。超预算时先移除低相关原文，再压缩较早内容；摘要不能替代关键数字、权限和待确认事项。token 计数使用目标模型 tokenizer，并保留回归样例验证截断后行为。 3. 更新与并发一致性 …

#蚂蚁#Agent#多轮对话上下文管理

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…索引构建在线阶段用户Query → Embedding编码 → 向量相似检索 → Top-K召回 → （可选Rerank）→ 上下文组装关键技术点 1. 文本分块策略将固定长度、递归切分与语义分块作为候选，按段落或句子保留边界块大小权衡：太小丢失上下文，太大引入噪声将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择通用场景：BGE、GTE、E5系列垂直领域建议微调，使用领域语料对比学习多语言场景需确认模型跨语言…

#字节#文档处理#向量检索

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：…换实验固定模型、prompt、解码参数和问题，把线上检索结果替换为人工确认的黄金证据：使用黄金证据后稳定答对，说明检索、排序或上下文组装是主要瓶颈。黄金证据足够且清晰但仍答错，说明生成阶段的理解、指令遵循、证据忠实度或输出解析需要排查。结果时好时坏，应重复运行并控制随机性，不能用一次生成下结论。 3. 检索与生成消融检索侧：检查黄金证据 Recall@K、MRR/NDCG、chunk 完整性、过滤条件和重排前后位置。生成侧：在相同黄金证据上比较原 prompt、简…

#百度#评估与监控#RAG 错误定位

面试题·评估

RAG 系统效果差怎么排查?

匹配正文：直接回答 RAG 效果差时，先固定一次可回放请求，再沿“数据与权限 → 解析与切分 → 候选资格 → 召回 → 融合与重排 → 上下文组装 → 生成与引用 → 业务结果”逐层定位。不要把所有错误都归因于模型，也不要先换模型或调 Prompt。每一层都要有独立输入、输出、版本和判定标准，才能证明修复命中了根因。先冻结问题，避免边查边变一条排查样本至少记录：查询与会话上下文、用户/租户和可见范围、知识库快照与索引版本、解析与切分版本、检索及重排配置、模型与 Prompt 版本…

#检索归因#生成归因#RAG 系统故障排查

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…最近邻）算法快速召回Top-K相关块重排序优化：用Cross-Encoder等精排模型提升相关性（可选但重要） 3. 生成阶段上下文组装：将检索结果与用户问题拼接成Prompt 大模型生成：LLM基于"检索到的证据"生成回答，典型Prompt结构：基于以下参考资料回答问题： [检索内容1] [检索内容2] 问题：{用户提问} RAG解决的核心问题问题说明知识时效性大模型训练数据有截止日期，RAG可接入实时数据库幻觉问题生成有溯源依据，可标注参考来源私有数据…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…合：将检索结果拼接为Prompt上下文，约束模型生成技术架构用户Query → Query处理 → 向量检索 → 重排序 → 上下文组装 → LLM生成 → 输出 ↓ [向量数据库] ← Embedding模型 ← 文档知识库关键组件：Embedding模型、向量数据库、重排序模型、大模型主要应用场景企业知识问答：内部文档、规章制度、产品手册的智能问答客服系统：基于历史工单和FAQ的精准回复，减少幻觉研报/法律分析：长文档信息抽取与综合分析代码助手：结合私有代…

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…ding适配与微调方案答案生成的事实性校验与溯源机制一、整体架构设计用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验二、关键组件详解 1. 领域知识处理（最核心）数据分层结构化：药品库、疾病编码、法条条款 → 构建知识图谱（Neo4j/自研）半结构化：病历模板、合同范本 → 抽取标准化字段非结构化：医学文献、判例文书 → 按语义切块（医疗按就诊流程切，法律按争议焦点切）领域Embedding微调用领域语料（Pu…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…LM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索/社区遍历→上下文组装精准关联信息 Local Query：从实体出发做多跳邻居遍历，解决"某实体的关联属性" Global Query：跨社区聚合摘要，解决"整体趋势/共性特征"类问题相较传统RAG的优势维度传统RAG GraphRAG 信息组织扁平向量，语义相近≠逻辑关联显式图结构，保留因果、从属等关系检索效率相似度Top-K，容易漏掉关键…

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…ry向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（HNSW、IVF），召回Top-K相关文档 3. 增强生成上下文组装：Prompt = 系统指令 + "参考文档：[检索结果]" + 用户问题 LLM生成：模型基于检索到的证据作答，可溯源关键优化点环节常见问题优化手段检索语义不匹配查询改写、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-…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：…ing 检索策略：用户点击/框选特定组件时，用多模态向量召回Top-K相关文档；或先粗筛组件类型，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…

#淘天#多模态#多模态 RAG

面试题·Prompt· 脉脉

Prompt 如何系统设计、评测和发布？

匹配正文：…D，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 snapshot、Prompt 版本、采样配置、工具/知识版本和评测数据。评测集覆盖正常、空输入、长输入、歧义、冲突…

#Prompt#提示工程#结构化输出

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：…ing模型（如医疗用PubMedBERT）查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层上下文组装：按相关性+时效性排序，控制token预算引用生成：强制模型输出引用标记 [来源:XX法规第X条]，支持点击溯源拒绝机制：检索置信度低于阈值时，明确告知"未找到权威依据"而非编造 4. 可信保障层事实校验：用NLP工具提取生成中的关键断言，反向检索验证人机审核：高风险场景（用药建议、法律意见）强制人工确认反馈闭环：用户标记错误→…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…：输出参考文档编号，增强可信度标准工作流程用户Query → Query理解/改写 → 向量检索（Top-K）→ 重排序 → 上下文组装 → LLM生成 → 后处理（溯源/拒答）核心优势维度说明时效性知识库实时更新，无需重新训练可解释性答案可溯源到具体文档成本比全量SFT低几个数量级领域适配快速接入私有/专业文档关键挑战检索精度：语义Gap导致"找不准"，需迭代优化Embedding和切分策略上下文窗口：多文档拼接易超长度，需压缩或筛选关键片段…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…束机制幻觉控制与可解释性保障系统全链路的评测与迭代闭环整体架构用户Query → 意图识别 → 多路检索 → 重排序 → 上下文组装 → 领域生成 → 后校验 → 输出一、数据预处理（领域知识工程）核心挑战：专业文档结构复杂、术语密集、时效性强层级处理策略文档解析医疗：DICOM/HL7标准解析、病历结构化；法律：合同条款拆分、法条引用识别 Chunk策略语义切分（基于BERTopic）+ 结构切分（章节/条款边界），chunk大小200-500 tok…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…调；法律场景加入引用频率和时效性作为手工特征查询改写：用LLM做Query2Doc扩展，医疗场景做症状标准化对齐四、生成融合：上下文组装与约束上下文压缩：用LLM对检索片段做摘要，控制token数引用锚定：强制生成时标注来源片段ID，法律场景需输出"依据《XX法》第X条" 后处理校验：领域规则引擎过滤（如药物禁忌冲突检测）五、端到端优化评估体系：检索用Recall@K，生成用答案相关性和事实准确性（医疗用人工医生标注）迭代闭环：错误案例回流，持续微调Embedd…

#字节#重排与优化#RAG 链路优化

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键优化分块策略：256-512 tokens为甜蜜点，重叠滑动窗口防断句查询改写：利用LLM扩展同义表达，缓解query-doc语义鸿沟反馈闭环：记录"检索→使用→任务成功"链路，强化正例embedding 四、实战提升召回效果问题措施长对话上下文丢失引入摘要记忆（hierarchical mem…

#高德#重排与优化#文档处理

面试题·检索· 快手

RAG 延迟准确率根因

匹配正文：…顿：检索与生成串行执行，破坏实时体验长尾超时：复杂查询触发多轮检索或重排序时超时根本原因链路级联：向量检索 → 重排序 → 上下文组装 → 生成，各环节串行叠加重排序瓶颈：Cross-encoder精度高但延迟大（百毫秒级），成为关键路径上下文膨胀：检索Top-K文档后，长上下文导致Prefill阶段计算量激增准确率挑战表现召回不足：用户问题与文档语义不匹配，漏掉关键信息噪声干扰：检索到相关但非答案的片段，导致生成 hallucination 多跳失败：需要…

#快手#RAG延迟与准确率#RAG 延迟准确率根因