匹配正文：多模态RAG定义传统RAG只检索和生成文本，多模态RAG将检索范围扩展到图像、视频、音频、表格等异构数据，让大模型能基于多源证据进行推理和生成。关键差异对比阶段传统文本RAG 多模态RAG 检索文本Embedding（BERT/Sentence-BERT）→ 相似度匹配跨模态统一嵌入（如CLIP视觉-语言对齐）→ 任意模态query检索任意模态doc 生成纯文本上下文输入LLM 多模态编码器（如ViT+LLM连接器）将图像/视频转为token序列，与文本拼接输入…

#快手#多模态#多模态 RAG

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配标题与标签：RAG vs 传统检索生成怎么选? 架构、信息融合与生成效果三大维度对比，剖析优势与挑战 RAG 淘天 RAG信息融合 RAG与传统检索生成对比 RAG架构设计 RAG信息融合机制 RAG生成质量 RAG知识实时性淘天

第 1 / 3 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#RAG信息融合#RAG与传统检索生成对比

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…上下文冗余上下文压缩、语义去重、摘要增强知识更新延迟实时索引管道、增量更新、结合API动态查询这些痛点正是Agentic RAG兴起的核心动因——通过引入反思、工具调用、主动验证等机制，突破传统"检索-拼接-生成"的线性范式。学习建议掌握RAG基本流程，结合实际案例理解检索与生成间的瓶颈，对比进阶方法如Graph RAG、Agent增强。

#淘天#Agent#RAG 痛点

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：答案要点理解GraphRAG的核心创新：从"文本块检索"到"图结构知识检索" 能对比传统RAG在全局性问题上的局限掌握GraphRAG的构建流程（索引构建→社区检测→查询生成）能举例说明图结构数据的具体应用场景理解其在多跳推理、关系推理上的优势 GraphRAG 核心原理本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。构建流程：索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：核心优势对比维度传统RAG GraphRAG 知识表示文本块向量，隐式关系实体-关系图，显式结构化检索粒度局部相似度匹配子图/路径推理信息整合片段拼接，易割裂社区聚合，全局一致推理能力单跳，表面关联多跳，因果链条四大机制解析 1. 知识结构化建模将非结构化文本抽取为实体-关系-属性三元组同一实体跨文档归一化，消除指代歧义关系类型显式定义（如"因果关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配追问：场景切入假设你在做一个企业风控系统，用户问‘某公司最近投资了哪些医药领域的初创？’传统RAG可能只找到几篇相关文档，但你能把投资关系、公司-领域关联都显式画出来吗？什么时候你会觉得非用图不可？层层追问你用过RAG吧？那如果用户问‘A药物通过什么机制影响B疾病’，你觉得当前RAG能答好吗？……如果不行，你觉得瓶颈在哪？……那如果我把实体关系全部建成图，你觉得能改善什么？直球架构请你对比GraphRAG和传统向量RAG，说清楚GraphRAG的核心优势是什么？在哪些场景…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配标题与标签：RAG 解决了 LLM 哪些局限? 知识密集型任务为何需要 RAG 架构,对比传统大模型评估科大讯飞阿里 RAG 架构 LLM 局限性知识密集型任务 RAG 科大讯飞

#科大讯飞#阿里#RAG 架构

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：主流多模态RAG框架对比框架核心多模态能力特色 LlamaIndex 原生支持图像、PDF、表格解析数据连接器丰富，MultiModalVectorStoreIndex LangChain 通过Unstructured/Multimodal Embeddings扩展生态灵活，需自行组装多模态链路 Vercel AI SDK / RAGFlow 端到端多模态文档解析侧重工程化落地核心组件拆解 1. 多模态编码器图像：CLIP、OpenAI CLIP、国产Chin…

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG

LLM 封闭标签方法对比

匹配正文：答案要点方法全面性（至少覆盖3种以上方法）方法原理清晰，能讲清"如何限制输出" 优劣对比有实际考量（如延迟、准确率、灵活性）提及工程落地细节（如缓存、并发）核心方法对比 1. 提示工程 + 输出解析（最简单）做法：Prompt里明确列出可选标签，要求模型单选；用正则/规则过滤非法输出优点：零改造成本，快速验证缺点：不可靠，模型可能幻觉、格式不统一；需兜底逻辑 2. Function Calling / Tool Use（推荐）做法：在所用模型/API支持时启用…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：答案要点 Deep Research的核心是"自主迭代式研究"，RAG的核心是"单次检索增强" 两者在检索次数、规划能力、执行流程上有本质区别 Deep Research适合开放式复杂问题，RAG适合封闭域事实问答能举例说明典型产品（如OpenAI Deep Research vs 传统RAG应用）核心区别：单次检索 vs 自主迭代研究维度 RAG Deep Research 本质检索→生成的一次性流程多轮"检索-分析-再检索"的自主循环决策主体预定义流程，无自…

#Deep Research#RAG#Deep Research vs RAG

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…G 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 行的迷你 RAG,并给知识库加一条让"瞎猜"变…

#RAG#检索#项目实战

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…评估（Retrieval Metrics）关注"找得准不准、全不全"： Recall@K：正确答案在Top-K检索结果中的比例，RAG最核心指标 Precision@K：Top-K中相关文档的比例 MRR（平均倒数排名）：正确答案排名的倒数均值，反映排序质量 NDCG：考虑文档相关性分级的精细排序指标二、生成评估（Generation Metrics）关注"答得对不对、好不好"：传统NLP指标（有参考答案时）： BLEU/ROUGE：n-gram匹配度，适合事实性问答…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…关系图，将"平面检索"升级为"结构化推理"，从根本上缓解语义鸿沟和上下文碎片化，但成本更高，适合复杂多跳问答场景。学习建议掌握RAG基本流程，结合实际案例理解检索与生成间的瓶颈，对比经典改进方法。

#淘天#知识图谱#RAG 痛点

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：主流多模态RAG框架 1. 伪多模态RAG（早期方案）架构：图像→OCR/Caption→文本→向量库→LLM 代表：传统CLIP+文本RAG拼接问题：信息严重损耗，图文对齐弱 2. 真多模态RAG（当前主流）框架核心机制特点 ColPali 延迟交互+视觉token级编码端到端，无需OCR，适合文档理解 Qwen-VL-RAG 统一多模态Embedding 中文优化，图文联合表征 LlamaIndex多模态多向量空间+重排序工程成熟，灵活度高 3. 关键架构…

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：这道题其实是在问，当我们想让[[RAG]]理解图片的时候，到底是走一条捷径，还是硬着头皮做真正的[[多模态]]融合。说白了，伪多模态就是把图片强行转成文字，再走传统的文本检索；真正多模态呢，是让图片和文本在一个共享的向量空间里去匹配。先讲伪多模态，它的做法很直接：图片进来，先走[[OCR]]提取文字，或者用GPT-4V这种模型生成一段描述，然后把这些文本丢进普通的[[Vector Database]]去检索。它的本质是，输入是多模态的，但检索环节已经退化成了单模态。好处是…

#淘天#多模态#伪多模态RAG

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…相似度检索Top-K相关片段生成阶段：将"检索结果 + 原始Query"拼接输入LLM → 生成最终回答解决的核心问题问题传统LLM RAG方案知识幻觉参数化记忆，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微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：…

#字节#外部知识检索#RAG 原理

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…gentic RAG]]。它把检索和生成彻底解耦，引入一个调度器来决定什么时候检索、检索什么、要不要多轮迭代。比如 [[Self-RAG]] 让模型在生成时输出反思token，判断当前答案是否需要更多证据；[[ReAct]] 则是边推理边检索，像人类查资料一样一步步逼近答案。这个架构灵活性最高，但延迟和成本也最高。它的典型场景是科研分析或多跳推理，比如问'某药物对某疾病的疗效，对比传统疗法有哪些优势'，需要先查到药物数据，再查疾病背景，再对比，一次检索搞不定。那么这三类怎么…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配追问：…户问“我的订单到哪了”，系统先搜索订单状态再生成回答。但传统做法是检索完直接拼prompt，你觉得这种“拼接”方式有什么问题？现代RAG又是怎么改进的？层层追问讲讲你理解的RAG系统？……传统方式一般是检索一段文本然后直接拼到prompt里给LLM，你觉得这种做法的瓶颈在哪？……那现代RAG在信息融合方式上做了什么改进，比如检索结果怎么更好地融入生成过程？直球架构对比传统“检索+生成”流水线，现代RAG在架构设计、信息融合和端到端训练上有哪些关键升级？重点说说检索器和…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…HyDE（生成假设文档再检索）、Query2Doc、子查询分解查询扩展：同义词、相关术语扩展召回意图识别：区分事实查询/摘要/对比类问题，路由到不同索引检索策略混合检索：向量相似度 + BM25关键词，RRF融合排序重排序（Rerank）：Cross-encoder精排，如bge-reranker，Top-K从100→20 多路召回：向量库+图谱+传统数据库并行检索二、生成层优化上下文处理上下文压缩：LLM摘要过滤冗余，或训练专用压缩模型引用溯源：要求模型标…

#AIlab#RAG流程优化#RAG 优化

面试题·评估· 淘天

现代RAG架构有哪些改进?

匹配追问：场景切入假设你在做电商客服的RAG系统，用户问“这个手机和那个平板哪个好”，你检索了一堆资料，但生成答案时发现缺了对比维度。传统做法是先检完再生成，但现在你怎么让生成过程中还能动态去查更细的信息？层层追问你理解的RAG流程是怎样的？……那检索和生成是各做各的，还是有什么互动？……如果生成一半发现信息不够，能回头再查吗？这种迭代检索怎么实现？直球架构现代RAG相比传统检索-生成流水线，有哪些架构上的核心改进？不只是简单拼接吧，说说深层融合机制，比如迭代检索、自适应路由…

#淘天#评估与监控#RAG架构改进

面试题·检索· 字节

RAG检索方法选型原因？

匹配口述回答：… 模型得覆盖你的领域。如果用户查的是“退款流程”，但你的文档里全是“退货政策”，向量距离可能就不够近。再说[[稀疏检索]]，就是传统的 [[BM25]] 或者 [[TF-IDF]]，基于词项匹配。它的优势在精准匹配专有名词、订单号、错误码这些场景，而且可解释性强，召回结果你很清楚为什么出来。但它的边界也很清楚：用户说“怎么退钱”，它可能就匹配不到“退款”这个词，因为词不一样。所以实际业务中，我倾向用[[混合检索]]，也就是 Hybrid Search，把密集和稀疏并行召回…

#字节#评估与监控#RAG 检索方法

面试题·检索· 商汤科技