匹配正文：…心定义 RAG（Retrieval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM…

#字节#大模型幻觉#RAG 原理

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…程接住。为什么需要 RAG(一句话回顾) 仅靠模型参数不能可靠覆盖最新或私有知识，生成答案也可能出错。RAG 就是在提问前,先去外部知识库捞出相关资料,塞进上下文,让模型"照着资料答"——把闭卷考试变成开卷考试。三步拆解用户问题 ↓ ① 检索:把问题和知识库都变成向量,找最相似的几段相关片段 ↓ ② 增强:把片段拼进 prompt("根据以下资料回答…") 拼好的 prompt ↓ ③ 生成:让 LLM 基于资料作答带依据的回答最小实现(可跑,不依赖向量库) 知识…

#Agent#AI 编程

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工作原理 RAG 的本质是把「模型参数里的知识」和「外部知识库」解耦。索引侧:把文档切成语义完整的块(避免固定长度一刀切把条款劈成两半,优先按标题/段落等结构边界切分),做 Embedding 后存入向量数据库。检索侧:纯向量检索对订单号、错误码等专有名词效果差(语义相近但字面不同),生产上采用混合检索(BM25 关键词 + 向量)召回,再用 Cross-Encoder 重排精选前几名,拼入 pro…

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

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…**"先检索、后生成"**的工作流程，将大模型从"闭卷考试"转为"开卷考试"：工作流程三阶段阶段作用幻觉缓解机制检索从外部知识库召回相关文档引入权威外部知识，替代模型参数记忆增强将检索结果注入Prompt上下文为生成提供事实锚点，约束自由发挥生成基于上下文生成回答可通过引用溯源验证信息来源关键技术机制 1. 事实锚定（Grounding）将生成内容绑定到检索文档的明确陈述模型被强制"照着说"，而非"编着说" 2. 上下文约束（Contextua…

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约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…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：…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· 京东

RAG 缓解哪类幻觉?

匹配正文：…事实、数据、概念的问题。这类幻觉源于模型的参数知识边界——训练数据未覆盖或已过时。 RAG的有效性依赖三个核心前提：知识库覆盖度外部知识库必须包含问题的正确答案。若知识盲区在库中也不存在，RAG无法解决，模型仍可能幻觉或"检索即编造"。检索准确性Embedding模型需将query与相关文档精准对齐。检索失败（top-k不相关）会直接引入噪声，甚至加剧幻觉。生成可控性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…

#京东#知识型幻觉#RAG 幻觉

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：…描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、Elasticsearch） 2. 检索阶段（在线）用户查询同样向量…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配正文：答案要点 RAG（检索增强生成）= 检索 + 生成：先从外部知识库里找到相关资料，再让大模型参考这些资料来回答问题大模型的知识“冻结”在训练完成那一刻，之后发生的新事情、企业内部的私有资料它都不知道遇到不知道的问题，模型倾向于一本正经地编造，这叫“幻觉”（Hallucination，指模型生成看似合理但不符合事实的内容） RAG 用“开卷考试”的方式补知识：不改模型本身，只在回答前把资料塞进上下文三大好处：知识可以随时更新、答案可以溯源、成本远低于重新训练模型核心概念…

#入门#基础概念#什么是RAG

面试题·RAG

RAG 和微调怎么选？

匹配正文：…知识模型照样可能记岔、编造核心概念 RAG 与微调（Fine-tuning）是给大模型补充领域能力的两条路线：RAG 在回答时从外部知识库检索资料喂给模型，模型参数不变；微调则是用领域数据继续训练模型，把知识和说话方式直接写进模型参数。前者像给员工发一本随时更新的操作手册，后者像送员工去脱产培训。三个角度对比角度 RAG 微调知识时效性改知识库立即生效，适合频繁更新的知识（价格、政策、文档）知识固化在参数里，更新一次就要重新训练一次成本无需训练，主要是建知识库…

#入门#基础概念#RAG和微调的区别

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasti…

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配正文：…识库）与文本联合训练对抗性数据增强：构造"事实-幻觉"对比样本，提升模型辨别能力模型架构层面检索增强生成（RAG）：动态检索外部知识库，将检索结果作为上下文约束生成知识编辑：用ROME、MEMIT等方法精准修正模型中的事实错误约束解码：在解码层加入事实一致性约束，限制低概率幻觉token 推理策略层面降低采样温度：减少随机性，greedy或低temperature采样 Self-Consistency：多路径采样投票，过滤不一致输出 Chain-of-Verifi…

#海尔#幻觉治理#大模型幻觉缓解

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：核心概念 RAG将大模型的参数化记忆（训练学到的权重）与非参数化记忆（外部知识库）结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：RAG核心定义 RAG（检索增强生成）是一种将外部知识检索与大语言模型生成结合的技术架构。核心思想：模型生成答案前，先从外部知识库中检索相关信息作为上下文，再基于这些证据进行生成。标准工作流程索引阶段：文档切分 → Embedding模型编码 → 存入向量数据库检索阶段：用户Query向量化 → 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，…

#字节#外部知识检索#RAG 原理

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配口述回答：…，容易陷入循环。说到自检，我最近在关注 [[Self-RAG]] 的思路，让模型在生成过程中自己判断是否需要检索，而不是每次都查外部知识库，这样能减少不必要的工具调用。但它的训练数据构造比较麻烦，而且对模型本身的推理能力有要求。所以整体上，我会把Agent性能优化看成一个工程系统问题，不是单点优化。推理要快，工具要稳，错误要能兜底。我更倾向优先保证工具层的可靠性，因为推理再快，工具挂了也是白搭。如果让我选一个最值得投入的方向，我会选结果验证和熔断降级，这是让Agent…

#百度#Agent#Agent 性能优化

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：…不能把[[RAG]]和[[RLHF]]分别对应成不知道与知道但乱说两类。先说 RAG，它的核心思路是开卷考试。模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配口述回答：…时候自己反思，输出一个反思token，比如“我有没有依据”，然后根据这个token决定要不要引用来源。这个方法的好处是灵活，不依赖外部知识库，但坏处是推理成本高，而且对模型自身能力有要求，不是所有模型都反思得好。其实还有一个方向，就是知识编辑，直接修改模型参数里某个具体事实。比如公司改了某个产品的价格，你不想重新训练，就定位到模型MLP层里存这个价格的神经元，直接改。但这方法风险很大，因为模型的知识是分布式存储的，你改一个点可能连带影响别的事实。所以我对它的看法是，适合做紧…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…识进不来，而且模型会自己编造内容，也就是[[Hallucination]]。RAG的思路很简单，我不指望你背下所有知识，我给你一个外部知识库，你遇到问题先去查，查到了再回答。这样知识更新只需要改数据库，不用重新训练模型，成本低得多，而且回答能溯源到具体文档，可信度高。那RAG和[[SFT]]的边界在哪呢？我的理解是，RAG擅长处理频繁变化的知识，SFT擅长固化模型的表达风格和行为模式。举个例子，一个电商客服场景，满减政策可能每周调整，如果用SFT，每次政策变动都得收集数据重…

#美团#模型微调#RAG vs SFT

面试题·模型微调

SFT vs RAG 知识更新

匹配口述回答：这道题其实是在问一个很本质的问题：当你想要模型具备知识时，是把知识内化到参数里，还是挂一个外部知识库去查？说白了就是模式学习与事实检索的权衡。具体到比较，我会从四个维度来看。先说知识更新灵活性，这个差距非常大。[[SFT]]要更新知识，得重新训练，成本高周期长，可能一周甚至一个月才更新一次；而[[RAG]]那边，知识库热更新，改个文档，分钟级就生效了。再一个推理准确性，SFT依赖训练数据质量，容易产生 [[Hallucination]]，尤其是知识冲突的时候；RAG相对可控…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·RAG

RAG 完整流程分几步？

匹配口述回答：这道题其实是在问，怎么给大模型配一个外部知识库，让它能像开卷考试一样回答问题。完整流程分两大阶段：离线把文档加工成可检索的知识库，在线实时检索并生成答案。具体我拆成五步来说。先说离线。第一步是文档解析，把PDF、Word这些乱七八糟的格式转成干净文本，去掉页眉页脚和乱码。这一步做不干净，后面全白费。第二步是[[分块]]，这是最容易被忽视但影响最大的。块太大噪声多，块太小语义被切断。比如一个客服退款政策文档，按标题层级切块，相邻块留点重叠，这样模型检索时看到的才是完整的一句话…

#入门#基础概念#RAG流程

面试题·Prompt

封闭标签分类如何约束解码?

匹配口述回答：…变化时，如何热更新约束，不重新部署模型。面试官可能会追问动态类别场景下的具体实现方案，比如结合Function Calling或外部知识库的思路。

#Logit Bias#约束解码#封闭集合标签分类

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…配一个可以实时更新的知识外挂，而不是让它死记硬背所有东西。因为纯靠参数记忆，模型既记不住新知识，也容易编造，所以RAG的思路就是把外部知识库当成一个随时可查的参考书，生成的时候先查书再回答。具体来说，它分三大块：索引、检索、生成。索引就是把文档切成小块，比如按段落或者固定512个token切，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里，像[[Faiss]]或者Milvus。检索就是拿到用户问题后，也转成向量，去库里找最相…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 美团

RAG 流程各阶段怎么拆?

匹配口述回答：这道题问的是[[RAG]]的完整工作流，其实本质是在问：怎么把大模型的知识边界和实时性不足这个短板，用外部知识库补上，同时还要控制[[幻觉]]。不是简单拼凑，而是每个环节都要做取舍。先说检索之前，有个预处理。用户的问题往往不规整，比如“上次那个退款怎么还没到”，这里“上次”指代什么？得先做查询改写，把指代消解掉，拆成“订单号xxx的退款进度”。这一步不做，后面检索全是错的。然后进入检索，这是最核心的部分。很多人以为向量检索就够，但实际落地，纯向量语义检索在专有名词、订单号…

#美团#评估与监控#RAG 工作流程