匹配正文：…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、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领…

#字节#专业领域 RAG#RAG 系统设计

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配题目：请详细阐述如何为医疗或法律等专业垂直领域构建一个完整的RAG（检索增强生成）系统链路，包括关键组件设计、领域知识处理、检索策略优化等核心环节。

#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·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

第 1 / 4 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

#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·文档处理· 字节

医疗法律文档切块

匹配正文：核心原则专业文档（医疗/法律）的核心特征是强结构、强引用、术语密集，切块需优先保证语义完整性和上下文可追溯性，而非简单按token切分。常见策略对比策略做法优点缺点适用场景固定长度切块按token/字符数硬切（长度需通过实验确定）简单、批量处理快、embedding对齐切断语义、丢失章节边界、表格被破坏非结构化文本、快速原型递归字符切块按标点→句子→段落层级递进切分保留基本可读性、实现简单对复杂嵌套结构（法律条款层级）处理粗糙通用文档、博客文…

#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

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配题目：在医疗或法律等专业领域构建智能助手时，请设计一个基于检索增强生成（RAG）的完整技术链路，涵盖文档处理、索引构建、检索策略、生成优化及评估方法。

#字节#RAG 全链路#RAG 技术链路

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…供参考，请遵医嘱" 审计追踪查询-检索片段-生成结果全链路ID绑定人工兜底复杂case自动转人工复核队列六、协同机制示例（医疗问诊）用户症状描述 → 实体识别（症状/病史）→ 图谱召回相似病例 ↓ 生成初步分析 ← 指南条款精排 ← 向量召回诊疗规范 ↓ 置信度评估 → 高：输出+引用 | 低：触发多轮追问/转人工核心指标：事实准确率>95%、引用完整率>90%、平均响应<2s 学习建议建议先掌握RAG基础流程，再深入学习向量检索、领域数据清洗、提示工程和合规要…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：核心架构：四层RAG系统 1. 领域知识库层多源异构数据：结构化（法规条文、药品数据库）+ 非结构化（临床指南、判例文书）分层索引：按效力层级（法律：宪法→法律→司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改…

#字节#高精度RAG#高精度 RAG

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…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

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

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：… 个汉字或 0.5 个英文单词。模型一次能读的 token 有上限,所以不能无限制地多塞 chunk。这一节你掌握了什么? ✅ RAG 的两条链路:离线建库、在线问答,以及它们靠"知识库"交汇 ✅ 端到端骨架的 5 个函数,以及"剪 → 存 → 捞 → 拼 → 答"这条主线 ✅ 亲手调了 top_k,感受到"检索给模型几块资料"是个要权衡的事你刚才做的,对应工程系统里的哪些职责? 教学函数对应工程系统的候选模块你写的 build_index = 字节、阿里、各家保险/医…

#RAG#检索#项目实战

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…，你可能发现员工手册有几十页，相关章节只讲报销范围，没有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加…

#RAG#生成与对话#RAG 引用溯源

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…过大→Embedding稀释、召回噪声 4. Embedding生成模型选择：通用场景用BGE/M3E，垂直领域需微调（如法律/医疗）批处理优化：GPU并行、动态长度填充质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建索引结构： HNSW：高召回、内存型，适合百万级 IVF+PQ：亿级规模、磁盘友好元数据设计：必须包含doc_id、chunk_index、source、timestamp，支持过滤查询性能影响：索引参数（efConstruct…

#字节#文档处理#向量检索

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：这道题问的是[[RAG]]的[[向量化]]过程，其实本质是在问：怎么把非结构化文本转成机器能高效检索的语义表示，并且这个转换要能支撑实际业务。我不会去背一遍原理，而是按我理解的技术选型和工程落地说一下。先说嵌入模型选型。很多人觉得直接拿个通用模型就行，但真正落地会发现，场景不同，选择差异很大。比如通用中文场景，我会用BGE-large-zh或者M3E，它们开源、能私有化部署，维度一般是768到1024，上下文长度够用。但如果业务是多语言，比如要检索中英文混合的文档，那E5-…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…，多语言用e5/multilingual-e5 上下文长度：长文档选支持8192+的模型（如gte-large）领域适配：金融/医疗等垂直领域考虑微调或专用模型关键指标：MTEB榜单参考，但务必用自己的召回率测试验证。 4. 向量索引结构设计原始向量 → 索引构建 → 查询优化 ↓ Flat：精确但慢，<10万条可用 IVF：聚类加速，平衡精度与速度 HNSW：图索引，高召回+快速，推荐默认选择元数据关联：每个向量携带doc_id、chunk_index、source…

#安克科技#评估与监控#RAG 文档向量化

面试题·文档处理· 安克科技

RAG文本向量化：分块与嵌入陷阱

匹配口述回答：这道题问的是[[RAG]]里文本怎么转成向量，其实核心就是给文档做索引，让检索又快又准。我一般会从[[分块]]策略、模型选型、[[嵌入]]优化和落地评估这几个环节来讲，重点是怎么在效果和工程成本之间做取舍。先说分块。分块的粒度直接影响检索质量。我倾向按语义段落切，优先在标点、换行这些自然边界断，保证一个块是一个完整意思。如果文档结构清晰，比如企业SOP，就按章节切；如果是纯文本，我会把[[滑动窗口]]的chunk_size和overlap设为候选变量，结合文档结构、模型输入…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…ms延迟上下文冲突：多文档信息矛盾时模型难以仲裁更新滞后：非结构化知识库维护成本高场景化设计考量场景设计重点优化方向医疗问答精确性优先多路召回（关键词+向量+知识图谱）、严格重排序阈值、答案置信度校准客服系统延迟敏感本地缓存高频Query、预计算热门问题向量、流式生成研报生成长上下文处理文档分块策略（按语义/按标题层级）、递归摘要、多跳检索关键优化方向：检索-生成联合训练（如REPLUG）、自适应检索（判断是否需要检索）、多模态RAG（表格/图…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：…Query从知识库中召回相关文档片段生成阶段：将检索结果作为上下文，让LLM生成最终回答解决的LLM核心局限局限具体表现 RAG解法知识静态模型参数固化，无法感知训练后事件动态检索最新知识库幻觉问题编造不存在的事实基于检索到的真实文档生成更新困难全量重训成本极高只需更新知识库，零模型改动可解释性差黑盒输出，难以溯源引用来源透明，可追溯验证为什么知识密集型任务需要RAG 准确性要求高：法律、医疗、金融等领域容错极低，必须基于权威文档知识时效性…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

RAG 自动与人工评估

匹配正文：RAG评估的三层架构 1. 检索评估（Retrieval Evaluation） MRR：统计各问题首个相关结果倒数排名的均值；Hit@K：统计前 K 条至少命中一个相关结果的问题比例，不能据此判断命中结果内部的排序质量 Recall@K：关注相关性召回，K通常取5或10 NDCG：考虑位置权重，适用于需要精细排序的场景 2. 生成评估（Generation Evaluation） BLEU/ROUGE：n-gram匹配，适合有标准答案的FAQ场景 BERTScore：语义相…

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…Prompt上下文 → LLM生成答案关键优势：知识可实时更新，无需重新训练模型。我项目中解决的3个核心问题问题具体场景 RAG解决方案效果知识幻觉客服系统回答产品参数错误强制从官方文档检索生成事实准确率从72% → 94% 时效性政策解读系统需跟进最新法规增量索引新文件，无需微调新法规上线当天可用领域知识医疗问诊需专业医学知识构建医学知识库作为外部记忆专业术语理解准确率提升35% 关键工程实践召回策略：向量检索 + 关键词BM25混合，解决…

#美团#混合检索#RAG 技术

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· 美团

RAG 为何比 SFT 更优?

匹配正文：…G：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、企业内部知识（数据隐私+快速迭代）长尾事实问答：冷门实体、最新产…

#美团#RAG vs SFT#RAG

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：…ensorRT加速部署成本：云端API vs 私有化部署的硬件约束 4. 领域适配通用领域：直接用开源SOTA模型垂直领域（医疗、法律）：检查领域术语的编码质量，必要时用领域数据微调 5. 工程兼容性输出维度：常见768/1024维，需与向量数据库匹配归一化：是否输出单位向量，影响相似度计算方式（cosine vs dot）快速验证方法用业务真实Query-Document对，计算Top-K召回率和MRR，比榜单指标更可靠。

#字节#向量检索#RAG Embedding 选型