匹配正文：…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下一步：tradeoff。配套学习：RAG 原理与核心架构、RAG 数据处理与索引流程?。 4. tradeoff · tradeoff 为什么采用这套 RAG 架构，而不是关键词搜索、直接长上下文、微调或更简单的问答流程？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：垂直领域 RAG 完整…

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

#模拟面试

#简历项目

#连续追问

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测试，不把系列名或动态榜单位置当领域效果保证。垂直领域：领域数据微调（如法律用ChatLaw-Text2Vec），或用LLM生成合成数据训练多模态需求：ColPali处理文档图片，Jina-Clip处理图文混合部署优化：ONNX/TensorRT加速，量化到FP16/INT8，batch推理降延迟四、向量存储与索引优化存储选型：小规模（<100万）：FAISS Flat（精确搜索，无…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…：块过小→检索碎片化；块过大→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…

#字节#文档处理#向量检索

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配口述回答：这道题其实问的是[[RAG]]落地的核心工程问题，怎么把非结构化的文档和用户查询，转成计算机能高效检索的向量。说白了，这中间每一步都有取舍，不是一个模型一套流程走到底的。先说文本预处理。很多人觉得就是切切文档，但这里有个挺关键的边界：固定长度切分和语义切分的区别。固定切分简单，但照搬一个固定长度很容易把一句话或者一个逻辑断成两半，检索的时候召回的内容不完整。语义切分就好很多，比如按段落、按标题层级来分，甚至可以用LLM辅助判断自然断点。但语义切分也有代价，就是计算开销大，而…

#安克科技#RAG 向量化流程#Embedding 模型选择

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：…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、ti…

#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：…text Precision]]等维度评估生成质量，再反推索引和检索的瓶颈。这样能避免“召回好但生成差”的脱节问题。一句话定位：RAG向量化本质是给文档做索引，关键在分块粒度、模型选型和落地权衡分块策略：语义边界优先，overlap防断章取义，固定切分适合简单场景 Embedding选型：通用模型打底，垂直领域微调，中英混合选对齐好的优化与评估：归一化加速检索，离线召回率+在线人工抽检边界与风险：分块太碎丢上下文，模型不对口召回崩，上线前必须回放测试约4分钟 RAG…

#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：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

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：…NNX/TensorRT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

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：这道题问的是搭建领域[[RAG]]的完整流程，其实本质就是一件事：把外挂知识库里的信息准确找出来，再让大模型读明白、说人话。它不是微调模型学知识，而是查文档加读文档的工程化。先说数据准备。很多人一上来就[[向量化]]，其实质量天花板在数据清洗和[[分块]]。清洗不难，去重去噪、统一格式就行，但领域数据有个坑：专业术语容易被通用[[分词器]]切碎。比如医学里的“非小细胞肺癌”，拆成“非”“小细胞”“肺癌”就丢语义了。所以前提是建一个领域词典，把这类复合词保留。分块才是真正的…

#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·检索· 字节

RAG Retriever 工作流程详解

匹配正文：…扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对比学习微调 3. 向量检索索引结构：HNSW（高召回、内存型）、IVF-PQ（磁盘型、省内存）检索参数：ef_search、nprobe权衡延迟与准确率过滤机制：前置元数据过滤（…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…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· 小红书

RAG检索不准的失败场景与优化

匹配正文：…案被挤出单一向量检索的召回率瓶颈技术优化方向 1. 检索器增强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词检索，结果融合多向量表示：ColBERT细粒度交互，解决"粗粒度向量"匹配失效 2. 查询侧优化查询改写：用LLM扩展同义词、澄清歧义（HyDE：生成假设文档再检索）查询分解：复杂问题拆分子查询，多轮检索聚合 3. 重排序（Rerank）引入轻量级交叉编码器（Cross-Encode…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 中 Re-ranking 怎么用?

匹配正文：…，通常对doc做滑动窗口或关键片段提取级联过滤：可先过轻量模型（如ColBERT）再过重模型，控制成本领域适配：通用重排模型在垂直领域往往需微调，可用点击/人工标注数据字节等厂的实际系统中，重排基本是标配，尤其在搜索问答、客服等对准确性要求高的场景。学习建议建议系统学习该知识点

#字节#重排与优化#RAG Re-ranking

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：…理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按函数分、论文按章节…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"三段式架构说明向量数据库和Embedding的核心作用解释检索策略（相似度搜索、重排序）的关键设计分析RAG缓解幻觉的机理（事实锚定+可溯源）提及RAG的局限（检索质量瓶颈、上下文窗口限制）核心架构：检索-增强-生成 RAG的本质是给大模型外挂一个"可查询的知识库"，让生成过程有据可依。三大核心组件 1. 索引层（Indexing）文档切分（Chunking）：按语义或固定长度分块，通常512-1024 token E…

#京东#幻觉抑制#RAG 技术原理

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配口述回答：这道题其实问的是，怎么把非结构化文本切碎、变成向量，再建索引，让[[RAG]]能又快又准地召回。本质上是一个语义完整性和检索粒度之间的平衡问题，而且落地时不是单纯选一个方案，往往是几种策略组合。先说[[分块]]。最直接的是固定长度切分，实现简单，但照搬一个固定值容易把一句话从中间断开，导致向量表示"碎"了。所以我在做企业知识库的时候，比如客服退款政策文档，会用递归切分，先按章节，再按段落，最后按句子边界切。这样每个chunk语义相对完整。但切得过细，检索时容易漏上下文；切得…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：这道题问的是[[RAG]]知识库构建，但我觉得面试官真正想听的是：你怎么在检索质量和工程成本之间做取舍。RAG本质上是个检索增强系统，知识库的质量直接决定了最终回答的上限，所以我会把整个流程拆成几个核心环节来讲，重点说每个环节的权衡和落地坑。先说文档预处理。这一步最容易被低估，但实际踩坑最多。比如PDF解析，用PyMuPDF或者MinerU能搞定大部分，但遇到扫描件就得走[[OCR]]，而OCR的错误率直接影响后面检索的准确性。我一般会保留文档的标题层级和表格结构，因为这对…

#美团#RAG 知识库构建#文档预处理

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：好，这道题其实是在问一件事：怎么让大模型在不知道答案的时候，能自己去查资料，然后给出靠谱的回答。[[RAG]]就是干这个的，它本质上不是让模型学会新知识，而是给它配一个外挂知识库。先说整体流程，我习惯把它拆成三段。第一段是索引，把知识文档切成小块，大概几百个token一段，然后用编码模型转成向量，存到[[向量数据库]]里。第二段是检索，用户问一个问题，同样用编码模型转成向量，去库里做近邻搜索，召回最相关的几段。第三段是生成，把问题和召回文档拼在一起，喂给大模型，让它基于这些…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…理想上下文，测试生成上限。如果上限还差，说明模型本身能力不够，需要微调；如果上限好，那优化提示和上下文工程空间还大。所以我会把[[RAG]]和微调看成互补，而不是二选一。比如企业SOP场景，文档更新频繁，RAG更灵活；但如果是垂直领域，比如法律合同，微调一个领域模型效果更好。真正落地常常是RAG加微调一起上。总结一下，遇到检索相关但生成差，我会先诊断是信息过载、碎片化还是歧义，然后从提示工程快速试，不行再动上下文建模和微调。关键是要有系统思维，不能单点修复。一句话点题：检…

#上下文压缩#生成调优#RAG 生成优化

垂直领域 RAG 完整架构

医疗法律 RAG 合规追溯

企业知识库 RAG 架构项目模拟面试

RAG 向量索引构建流程详解

RAG 数据处理与索引流程?

RAG向量化流程：预处理到归一化

RAG向量化：分块与Embedding

RAG 文档怎么存储和向量化?

RAG文本向量化：分块与嵌入陷阱

RAG 缓解幻觉的机制

RAG 为何比 SFT 更优?

RAG Embedding 模型怎么选?

RAG 工作原理与架构怎么搭?

领域 RAG 知识库构建

RAG Retriever 工作流程详解

专业领域RAG链路优化陷阱

RAG检索不准的失败场景与优化

RAG 中 Re-ranking 怎么用?

RAG 技术实现流程怎么走?

RAG 怎么解决大模型幻觉?

RAG 文本分块与向量索引流程

RAG知识库构建流程详解

RAG编码模型评估指标与对比

RAG检索相关但生成差原因