匹配正文：…器微调关键设计：查询改写（Query2Doc）处理口语化输入，如"心跳快"→"心动过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K…

#字节#专业领域 RAG#RAG 系统设计

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配题目：针对医疗或法律等专业领域，设计一个基于检索增强生成（RAG）的智能助手系统，说明其整体架构、检索模块、生成模块及知识更新机制。

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：核心差异：专业领域RAG vs 通用RAG 维度通用RAG 医疗/法律领域RAG 准确性可接受一定幻觉零容忍，需精确溯源合规性弱约束强监管，需审计留痕知识更新低频指南/法条频繁修订权威性多源融合需区分证据等级/法律效力数据处理与索引流程设计 1. 数据采集层白名单机制：仅接入权威源（临床指南、裁判文书网、药典等）多模态处理：扫描件→OCR→版式还原→表格/图表结构化提取 2. 清洗与结构化原始文档 → 文档类型识别 → 章节语义拆分 → 实体标…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配题目：请设计一个面向专业领域（如医疗、法律）的RAG（Retrieval-Augmented Generation）系统架构，包括数据预处理、检索器设计、生成器优化等关键环节。

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配题目：请设计一个基于专业领域知识（如医疗或法律）的智能助手RAG系统架构，包括数据预处理、检索优化、生成优化等关键环节的具体实施方案。

#字节#专业领域RAG#领域 RAG 架构

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配正文：…控性LLM需具备"忠实于检索内容"的能力，而非过度依赖参数知识或自由发挥。这涉及prompt设计、上下文窗口利用和指令遵循能力。 RAG的边界：不解决忠实性幻觉能解决：编造不存在的事实、过时信息、专业领域知识盲区不能解决：逻辑矛盾、推理错误、对检索内容的曲解或过度推断典型反例：检索内容正确，但模型错误拼接信息得出荒谬结论——这是忠实性问题，需靠训练或推理优化解决。学习建议建议系统学习该知识点

#京东#知识型幻觉#RAG 幻觉

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…模海量文档（TB级）高质量指令对（万级）响应形式需要引用来源需要风格/人格化延迟要求可接受百毫秒级检索极致低延迟 RAG更具优势的具体场景 1. 动态知识场景金融政策解读、医药说明书查询、客服知识库——知识每天更新，SFT追不上 2. 长尾专业领域法律条文检索、企业内部文档问答——训练数据稀缺，但文档库完整 3. 高可信要求的问答医疗诊断辅助、投资分析报告——必须给出参考依据，不能"脑补" 4. 多租户隔离场景 SaaS服务不同企业客户——各客户数据隔离…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配题目：请详细描述搭建专业领域知识RAG系统的完整流程，包括数据准备、向量化处理、检索策略、模型集成和效果评估等关键环节。

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配题目：请系统性地描述如何为一个特定专业领域（如医疗、法律、金融等）搭建完整的RAG（检索增强生成）应用链路，包括数据准备、检索模块、生成模块和评估优化等关键环节。

#字节#领域 RAG#RAG应用搭建

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配题目：请详细描述如何为专业领域（如医疗或法律）构建一个高质量的检索增强生成（RAG）系统或智能助手，涵盖架构设计、数据源选择与处理、检索系统构建、生成模型优化、安全合规保障以及多环节集成等关键方面，并结合实际应用场景说明各模块的设计考量与协同机制。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…瓶颈4：系统级权衡优化方向延迟准确率成本适用场景缓存优先 ↓↓↓ → ↓ 高频Query主导混合检索 ↑ ↑↑ → 专业领域知识库 LLM重排 ↑↑ ↑↑↑ ↑↑ 高精度要求场景模型蒸馏 ↓ ↓ ↓↓↓ 边缘部署核心原则：先做检索质量（相关性是天花板），再攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结合实际案例理解流程，再学习常见优化技术如重排序、查询扩展和索引优化，注重系统级思维训练。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG检索方法如何优化？

匹配正文：…术选型考量数据特征决定底座结构化/半结构化数据多 → 优先关键词+过滤条件非结构化文档多、用户问题口语化 → 稠密向量为主专业领域（医疗/法律）→ 必须混合检索，稀疏兜底延迟与精度的权衡在线场景（<100ms）：HNSW索引 + 粗排截断Top-K 离线/准实时：可接受IVF-PQ的精度损失换内存成本约束向量维度、索引类型直接决定内存占用；百亿级需考虑分片+磁盘索引方案性能优化策略索引层量化压缩（PQ/SQ）：内存降80%，精度损失可控分层索引：高频走…

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：…bedding模型的能力边界训练目标限制：对比学习优化的是"语义相近"，而非"任务有用" 领域适配问题：通用Embedding在专业领域表现下降长文本截断：上下文信息丢失导致语义偏移 3. 两阶段架构的设计逻辑阶段职责特点向量检索（粗排）快速缩小候选范围速度快、召回率高、精确率低 LLM重排/生成（精排）深度判断+综合决策理解深、可结合上下文、成本高直接用大模型做全库检索：成本不可接受仅用向量检索：精度不足，引入噪声会污染生成 4. LLM的独特优势 …

#字节#向量召回与重排#RAG 重排序

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配追问：场景切入假设我们要给三甲医院做一套智能问诊助手，医生问“这个药和患者现有用药冲突吗”，系统得准确查药品说明书和指南。你从RAG角度，会怎么设计关键模块？层层追问做专业领域的问答系统，你觉得难点在哪？……比如用户问一个法律条文，你怎么保证检索出来的内容是对的？……那如果检索结果互相矛盾呢，生成时怎么处理？直球架构设计一个面向医疗或法律领域的RAG系统，要求高准确性和可溯源。你觉得需要哪些核心模块？索引、检索、生成控制各有什么特殊考量？

#字节#高精度RAG#高精度 RAG

面试题·文档处理· 字节

医学论文与法律条文切块

匹配题目：在RAG系统中，如何对专业领域文档（如医学文献或法律条文）进行有效的文本切块？常见的文本分块策略有哪些及其适用场景？

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

医疗法律文档切块

匹配题目：在RAG系统中，针对医疗、法律等专业领域文档，应如何进行有效的文本切块（Chunking）？常见的切块策略及其优缺点是什么？

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…自己学到位没。关联面试题(5 道,覆盖 5 个角度) 从预处理一路到评估,刻意避免全是"切分策略"换皮。【预处理/清洗】面向专业领域的 RAG,如何对原始文档做清洗和预处理以提升检索与生成质量? 较难 → 【策略对性能的影响】文本分块策略如何影响 RAG 系统的性能?常见分块方法及适用场景? 较难 → 【粒度与重叠】你是如何设计分块策略的?说明粒度选择、重叠处理以及向量库写入。中等 → 【上下文 vs 精度权衡】分块策略如何设计才能平衡上下文完整性与检索精度? …

#RAG#检索#项目实战

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配题目：在构建面向专业领域（如医学、法律）的RAG系统时，如何对长文档进行有效的文本切块（Chunking）？请系统性地列举常见的文本切分策略，分析其原理、优缺点，并结合具体应用场景比较不同策略的适用性。

#字节#RAG Chunking#长文档切分

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：…要点区分"检索准确"与"生成失败"的边界，定位问题根因掌握提示工程、上下文压缩、重排序等轻量级优化手段理解SFT/RLHF在RAG场景的特殊性（如拒答能力、引用忠实度）提及系统级方案如多模型路由、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…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配正文：…强制模型标注信息来源，便于溯源和人工审核实际权衡场景推荐方案高频、事实稳定预检索+缓存，减少实时检索延迟时效性强实时RAG + 搜索引擎API 专业领域领域知识图谱 + 微调混合高 stakes 场景人机协同：模型生成+人工校验工作流核心原则：让模型"知道它不知道什么"，比单纯扩大知识覆盖更重要。

#百度#模型微调#评估与监控

专业领域 RAG 链路怎么搭?

专业领域RAG链路优化陷阱

专业领域RAG数据与检索优化？

专业领域文档怎么清洗?

医疗法律RAG：评估陷阱

医疗法律RAG架构怎么搭？

医疗 RAG 索引如何保合规?

医疗法律 RAG 架构关键环节

领域 RAG 架构如何控幻觉?

RAG 缓解哪类幻觉?

RAG vs SFT 场景怎么选?

领域 RAG 知识库构建

领域RAG应用链路怎么搭?

垂直领域 RAG 完整架构

RAG 瓶颈在哪一步

RAG检索方法如何优化？

RAG 为何需要重排序?

高精度RAG系统设计陷阱

医学论文与法律条文切块

医疗法律文档切块

第 3 章:文档预处理与切分

长文档 Chunking 怎么选?

生成模型回答不准怎么调?

怎么提升对话模型事实一致性?