匹配正文：…neration）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事实准确性生成时提供可溯源的参考文本，约束模型"基于证据回答" 避免参数知识中的事实性错误（如"2024年美国总统是谁"） 2. 知识覆盖动态接入私有/实时数据（企业文档、最新新闻）无需重新训练即可更新知识，成本远低于微调一句话总结 RAG = 搜索引擎 + 大模型，让AI从"闭卷背诵"变成"开卷作答"。学习建议建议系统学习该知识点

#字节#RAG工作原理#RAG 工作原理

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参考答案"，大幅降低无依据编造 2. 提升事实准确性 Grounding机制：每个陈述可追溯至检索片段多源交叉验证：Top-K检索结果可相互印证置信度校准：检索为空时可触发"我不知道"而非硬编 3. 增强上下文相关性动态适配：同一问题，不同用户/场景检索不同知识长尾覆盖：冷门问题靠检索补全，不依赖参数记忆领域专精：通用模型 + 垂直知识库 = 专业回答淘天场景的典型价值场景 …

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

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·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…T：需重新训练/LoRA微调，周期长，难以追平实时信息 RAG：更新文档库即可，分钟级生效，适合新闻、股价、政策等动态场景 2. 事实准确性 SFT：依赖训练数据覆盖，长尾事实易遗漏或混淆 RAG：检索结果作为上下文约束生成，可溯源验证，降低幻觉 3. 推理能力 SFT：复杂推理需内化到参数，需大量高质量标注数据 RAG：检索提供中间证据（如多跳推理的桥梁文档），降低推理难度 RAG更优的具体场景实时信息查询：天气、股价、赛事结果专业/垂直领域：医疗指南、法律条文、企业内…

#美团#RAG vs SFT#RAG

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索结果为生成提供"事实锚点"，LLM从参数记忆转向上下文引用效果：可追溯来源，降低事实性错误 2. 动态知识更新机制：知识库与模型解耦，新文档入库即可生效，无需重新训练场景：金融政策、产品手册等高频更新场景 3. 幻觉缓解机制：检索上下文约束生成空间，减少模型"自由发挥" 局限：检索失败时仍可能幻觉（需结合拒答策略）…

#字节#重排与优化#RAG 原理与核心架构

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…覆盖 5 个角度) 【概念基础】请解释 RAG 的基本概念与工作原理。中等 → 【业务价值/治幻觉】 RAG 如何提升大模型的事实准确性和知识覆盖? 较难 → 【与替代方案对比】系统比较 RAG 与传统"先检索后生成"流水线的差异。较难 → 【工程组件初探】 RAG 的技术原理、核心组件、工作流程及实际应用中的优势与挑战。中等 → 【数据漂移场景】线上数据分布快速变化时,如何用外挂数据库结合大模型提升响应准确性? 中等 → 学完这一章你应该能干嘛能跑通那 20 …

#RAG#检索#项目实战

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…热点记忆成本分层存储（热数据Redis/冷数据ES）准确性检索后重排序 + 置信度阈值过滤最终方案需结合业务：客服场景重事实准确性（结构化记忆优先），创作场景重连贯性（摘要式记忆优先）。

#得物#Agent#大模型记忆机制

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配正文：… 通义千问场景：通用问答、学习辅助、内容创作体验优势：响应快、支持1000万字长文档、中文理解细腻技术-价值结合：RAG确保事实准确性，降低幻觉；长上下文窗口解决"读不完材料"的痛点讯飞星火场景：智能办公、教育硬件、医疗问诊体验优势：语音交互自然、行业插件丰富（PPT生成、会议纪要）技术-价值结合：Agent架构将"一句话需求"转化为可执行工作流，降低专业软件使用门槛三、潜在改进空间问题技术根因改进方向复杂任务易中断 Agent规划能力有限，容错机制不…

#阿里#科大讯飞#Agent

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：…与审计：需要明确回答依据，RAG的引用机制满足这一需求简单说，RAG把LLM从"闭卷考试"变成"开卷考试"——模型专注推理表达，事实准确性交给外部知识库保障。学习建议掌握RAG需理解大模型局限性，学习检索与生成的协同机制，结合实践案例加深理解。

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…M对检索结果去冗余，保留关键证据链五、评估方法维度指标方法检索质量 Recall@K、MRR 人工标注相关性生成质量事实准确性对比原文，用NLI模型检测幻觉可追溯性引用覆盖率检查生成内容是否都有来源支撑业务价值专家满意度领域专家盲评关键取舍：医疗法律对准确性极度敏感，宁可"检索不到"也不"生成错误"，需设置置信度阈值触发人工兜底。学习建议建议系统学习该知识点

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…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、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领域专家审核 + NLI模型端到端答案有用性、合规性医生/律师打分 + 用户反馈闭环效率延迟P99、吞吐线上压测持续优化：Bad Case归因分析（检索失败？生成忽略？），针对性迭代。学习建议建议系统学习该知识点

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配正文：…的推导步骤）置信度评分 3. 动态温度调整对检索匹配度高的部分使用低温度（确定性生成），对需要综合推理的部分适度提高温度，平衡事实准确性与表达流畅性。关键认知提示工程是软约束，依赖模型遵循指令的意愿；约束生成是硬约束，从解码层面限制输出空间。实际系统中通常两者结合，并配合生成后验证（如NLI模型检验答案与检索内容的一致性）形成多层防护。学习建议建议系统学习该知识点

#抖音#约束生成#RAG 幻觉

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配正文：…recision：使用的上下文是否精准支撑答案 3. 端到端 RAGAS、TruLens：开源框架，综合检索+生成评估人工评估：事实准确性、完整性、可读性打分 4. Agent特有维度任务成功率：是否完成预定目标工具调用准确率：Function Calling是否正确步骤合理性：ReAct轨迹是否高效、无冗余二、实际挑战挑战说明标注成本高领域知识需要专家标注，难以规模化指标与体验脱节 BLEU高不代表用户满意，需结合人工反馈延迟-质量权衡检索更多文档提…

#安克科技#评估与监控#Agent

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：…d negative策略人工+自动化的混合标注流程数据代表性验证方法核心设计原则 Agent和RAG的评估目标不同：RAG重事实准确性，Agent重任务完成度与工具调用正确性，需分开设计。数据采集来源适用场景注意事项真实用户日志高价值、分布真实脱敏+去偏，避免头部query过度采样合成数据（LLM生成）快速覆盖长尾场景需人工校验，控制幻觉比例公开benchmark适配跨模型可比检查license，避免数据污染关键：覆盖多轮对话、边界case（…

#安克科技#评估与监控#Agent/RAG 评估集构建

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：…性数据集：引用来源明确、可验证的问答对引入"拒绝回答"样本，训练模型在不确定时表达不确定性 RLHF/DPO优化奖励模型需加入事实准确性维度，不仅看流畅度使用RAG增强的偏好数据：对比"有检索支持的回答"vs"纯参数记忆回答" 三、推理优化层面解码策略约束解码：用知识图谱或检索结果约束token生成空间 Self-Consistency：多次采样，投票选出最一致答案 Chain-of-Verification：先生成答案，再逐步验证每个事实点后处理校验实体链接+…

#百度#模型微调#评估与监控

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：…减少"过时答案" 三、微调与对齐策略 SFT阶段：用"拒绝回答+解释原因"的数据，训练模型识别知识边界 RLHF/DPO优化：将"事实准确性"纳入奖励函数，人类标注时区分"流畅但错误"vs"保守但正确" 工具使用微调：训练模型主动调用计算器、搜索引擎验证关键事实四、外部增强机制（RAG为核心）检索-生成协同：非简单拼接，而是让模型先判断"是否需要检索"，再决定"检索什么" 多源交叉验证：同时检索多个信源，一致性高则置信度高，冲突时触发澄清或保守回答生成后校验：独立的事实…

#百度#评估与监控#大模型准确性提升

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…非关键变更异步更新 5. 缺乏标准化评测难点：传统RAG的评测指标不适用，图路径的可解释性难以量化解法：自建人工评测集，关注：事实准确性、推理路径可解释性、答案完备性；线上AB测试核心看用户转化率而非离线指标一句话总结：GraphRAG的瓶颈不在技术炫技，而在工程化成本控制和业务价值闭环验证。

#淘天#知识图谱#评估与监控

面试题·Prompt· 高德

ReAct 框架为什么优于纯提示?

匹配正文：…轮迭代，让模型主动决定何时思考、何时行动、何时终止。优于纯提示方法的关键原因维度纯提示/Prompt-only ReAct 事实准确性依赖参数记忆，易幻觉通过工具（搜索、数据库）获取实时信息推理可解释性黑盒输出显式展示思考过程，便于调试和审计动态适应性静态响应根据环境反馈调整策略复杂任务拆解一次性生成，易遗漏分步执行，每步验证典型场景对比：问答：纯提示可能"编造"答案；ReAct会主动搜索→验证→再推理决策：纯提示无法感知环境变化；ReAct…

#高德#Agent#ReAct 框架

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…基于组内奖励计算优势的强化学习方法，省去的是 critic/value 模型，奖励仍需来自奖励模型或可验证规则。二者都不会自动保证事实准确性。事实性约束RL：在奖励函数中加入事实核查分数，惩罚幻觉输出三、推理优化层面解码策略 Self-Consistency：多路径采样投票，降低单路径采样误差 Chain-of-Verification：先生成答案→验证问题→修正答案，自我纠错动态检索触发检索触发可结合问题类型、知识时效、回答证据与经过校准的不确定性信号。token…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频更新：新闻问答、产品信息、股价/天气等实时数据长尾知识密集：企业内部文档、专业手册（训练语料覆盖少）可解释性刚需：需给出参考来源的场景（客服溯源、学术辅助）纯LLM更合适的场景：通用创意写作、开放式闲聊（无需外部事实约束）常识推理、代码生成（知识已内化为模型能力）局…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…aiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比微调便宜10-100倍可解释性：答案从哪来一目了然关键优化点（加分项）检索侧：Query改写、多轮检索、重排序（Cross-Encoder精排）生成侧：上下文窗口压缩、让模型先判断"是否足够回答" 工程侧：缓存热点…

#字节#大模型幻觉#RAG 原理

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…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Embedding和Reranker 学习建议建议先掌握RAG基础流程，再结合垂直领域特点学习文档分块、向量检索、重排序模型和提示工程，多参考医疗/法律类RAG实战案例。

#字节#重排与优化#RAG 链路优化

面试题·检索· 字节

RAG 重排收益与成本

匹配正文：…序，牺牲延迟换取精度对生成质量的具体提升维度提升效果相关性过滤剔除向量相似但主题偏离的"伪相关"文档，减少无关信息干扰事实准确性确保进入上下文的文档真正包含答案依据，降低幻觉风险信息密度优先排序信息完整、结构清晰的文档，提升上下文利用效率多跳推理对需要组合多个文档的场景，重排能更好识别互补性文档工程实践要点模型选择：轻量场景用Cross-Encoder（如bge-reranker），复杂场景用LLM-as-Reranker 截断策略：通常向量检索取T…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配正文：…索质量，上限可控依赖模型能力，幻觉风险高选择依据选两阶段架构的场景：知识库规模大（百万级以上文档），必须靠检索缩小范围对事实准确性要求高（医疗、法律、金融），需要可追溯来源需要可解释性，能展示"参考了哪些资料" 预算有限，无法承担全量长上下文推理成本选端到端生成的场景：知识库规模小，可直接塞进上下文（<100k tokens）对延迟极度敏感（实时对话场景）任务偏向创意生成而非事实问答有强基座模型（GPT-4级）且幻觉可控关键权衡两阶段的隐性成本：召…

#字节#两阶段检索与端到端生成#两阶段检索

LLM 事实准确性怎么保证?

RAG 怎么提升事实准确性?

RAG 怎么减少幻觉?

RAG 为何比 SFT 更优?

RAG 原理与核心架构

第 1 章:为什么做 RAG?

大模型记忆机制怎么改进?

主流 LLM 应用产品怎么选?

RAG 解决了 LLM 哪些局限?

专业领域 RAG 链路怎么搭?

医疗法律RAG：评估陷阱

RAG 二次生成怎么减少幻觉?

Agent/RAG 评估指标与挑战

Agent/RAG 评估集构建

怎么提升对话模型事实一致性?

大模型准确性瓶颈在哪?

GraphRAG 最大技术挑战?

ReAct 框架为什么优于纯提示?

对话模型准确性怎么提?

RAG 核心架构与工作流程

RAG 怎么提升生成质量?

专业领域RAG链路优化陷阱

RAG 重排收益与成本

两阶段 vs 端到端怎么选?