匹配正文：…融合时的实体消歧和冲突消解实践思路：采用"抽取+生成"双轨策略，对高置信结构化数据用规则抽取，长尾知识用大模型生成式构建。二、实体链接：指代消解与歧义消解的双重挑战跨文档指代：同一实体在不同文档中的表述变异（如"Apple"公司 vs 水果）新实体冷启动：未见实体缺乏上下文锚点，链接模型失效链接与检索的耦合：链接错误会直接污染后续子图检索关键点：需要结合实体嵌入、上下文共现和知识库先验的多维相似度计算，而非单一字符串匹配。三、推理路径搜索：相关性与多样性的平衡 …

#淘天#多模态#GraphRAG 难点

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配正文：…么" 模糊类型处理手段信息缺失（如"转账"没提金额）槽位驱动追问：基于必填槽位优先级排序指代消解（如"那个账单"）上下文实体链接 + 对话历史编码语义漂移（话题跳跃）检测意图切换信号，重置或保留子状态 RAG增强：检索相似历史对话、产品文档、用户画像，辅助消歧例：用户说"那个理财"，结合用户持仓记录RAG召回，推断具体产品 3. 主动追问设计——"聪明地问" 触发条件：关键槽位缺失 + 置信度低于阈值 + 非终止意图问题生成：模板填充 → 大模型生成（需控制…

#蚂蚁#Agent#Agent意图补全

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…是否保留结构信息（标题层级、表格单元格关系） 2. 文本清洗与标准化去除页眉页脚、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 3. 分块（Chunking）——核心环节策略适用场景权衡固定长度（多组候选）结构较弱或需要快速建立基线的场景可能切断语义单元语义分块（Sentence-BERT断句）长文档计算开销大结构感知（按段落/标题）技术文档/论文依赖解析质量重叠策略：把零…

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

#字节#文档处理#向量检索

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展精排层：Cross-Encoder打分，过滤低相关片段重排层：按时效性、权威性加权；医疗优先临床指南，法律优先生效条文查询优化：识别专业术语缩写（如"心梗"→"心肌梗死"），扩展同义词四、生成优化 Prompt工程：强制引用…

#字节#RAG 全链路#RAG 技术链路

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：…ency：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+知识库校验：提取关键实体，核对是否存在于权威源置信度阈值：对低置信度回答触发"我需要查询更多信息" 四、外部知识集成（RAG核心）检索环节混合检索：向量相似度 + BM25关键词 + 知识图谱路径查询改写：HyDE（假设文档嵌入）、子查询分解增强环节重排序：Cross-encoder精排，过滤噪声文档上下文压缩：只保留与问题…

#百度#模型微调#评估与监控

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…g+Faiss/Milvus 稀疏向量（BM25）精确匹配、专有名词 Elasticsearch 知识图谱实体关系、推理查询实体链接+子图检索倒排索引时效性筛选、地域过滤元数据索引融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效 3. 查询理解与改写意图识别：区分"诊断建议"vs"用药禁忌"（医疗）、"法条查询"vs"类案检索"（法律） Query扩展：用领域词典做同义词扩展，如"新冠"→"COVID-19/新型冠状…

#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·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配正文：…图等视觉信息可文本化场景，快速落地真多模态：电商穿搭推荐、工业图纸检索等空间关系/视觉细节关键场景学习建议深入理解图谱构建与实体链接技术，掌握推理路径搜索算法，学习大规模图数据处理方法。

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 淘天

GraphRAG 知识图谱构建有哪些挑战?

匹配正文：…引。安全与治理：跨租户图合并、敏感实体、删除请求和提示注入都可能导致越权或污染，授权必须在检索与证据读取层执行。评估要分层覆盖实体链接准确率、关系精确率与召回率、路径及证据命中、答案忠实度、更新新鲜度、延迟和成本，并与向量 RAG、关键词检索及无图基线在同一查询集比较。GraphRAG 能提供全局主题和关系视角，但不能保证自动获得正确知识图谱或可靠推理。图解 GraphRAG 知识图谱构建有哪些挑战?图解

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 百度

GraphRAG 精准召回三大依赖

匹配正文：…根据查询意图自动选择召回层级 5. 迭代式查询扩展首轮召回结果反馈，动态扩展查询子图处理复杂多条件查询时的组合推理关键瓶颈：实体链接准确性直接决定召回起点质量；社区划分粒度影响摘要的概括性与精确性平衡。学习建议建议系统学习该知识点

#百度#知识图谱#GraphRAG 精准召回

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…（词级vs概念级）匹配困难改进：领域微调Embedding模型；HyDE（假设文档嵌入）用生成式查询替代原始问题；引入知识图谱做实体链接和关系推理（GraphRAG方向）进阶方向 GraphRAG通过构建实体关系图，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·知识图谱· 淘天

GraphRAG 如何保证时效性与一致性？

匹配正文：…局结构需要智能地局部刷新而非全量重建。增量索引策略 1. 分层处理架构实体/关系层：新文档→NER/关系抽取→与现有图谱对齐（实体链接）→增量写入图数据库社区摘要层：识别受影响的社区→仅重新生成这些社区的摘要，而非全图向量化层：新社区摘要增量Embedding，旧向量保留；支持新旧版本共存 2. 关键实现要点使用时间戳版本控制：每个社区/摘要带版本号，查询时可指定时间窗口变更传播范围控制：通过图算法（如Personalized PageRank）计算新文档的影响半…

#淘天#GraphRAG 增量更新#动态知识图谱

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…稠密向量（领域Embedding微调，如MedEmbed/LawEmbed）稀疏向量（BM25 + 领域同义词扩展）图谱召回（实体链接→子图遍历）精排阶段交叉编码器（领域数据微调）时效性/权威性加权用户画像过滤（科室/执业地域）四、生成优化：领域适配与可控性模型选择：基座模型+领域SFT（如Huatuo/LawGPT），非从零训练 Prompt工程：强制引用格式[来源:指南名称/条款编号]，便于溯源生成后处理：幻觉检测：检索内容与生成的N-gram重叠度校…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…ure（0.3-0.5），使用重复惩罚避免循环生成四、关键保障机制机制实现幻觉检测检索内容与生成答案的NLI一致性校验；实体链接回标可解释性输出附带引用片段高亮、置信度分数人机协同低置信度案例自动转人工审核，形成数据飞轮五、评测闭环检索评测：Recall@K、MRR、领域特定指标（如法律：法条命中率）生成评测：RAGAS（faithfulness, answer_relevance）+ 专家人工评估线上监控：用户反馈收集、拒答率追踪、时效性告警

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 字节

专业领域RAG数据与检索优化？

匹配正文：…统一：PDF/Word/网页用专用解析器（如MinerU、Marker），保留表格结构和层级标题领域术语标准化：建立专业词表，做实体链接和指代消解质量过滤：去重、低质量页面过滤、敏感信息脱敏智能分块策略语义分块：用领域微调的小模型做句子边界识别，非固定长度结构感知：按章节/条款切分，保留父子层级关系用于后续递归检索多粒度冗余：同一内容生成256/512/1024三种chunk，适配不同查询深度二、检索优化层多路召回召回通道适用场景实现方式向量检索语义…

#字节#领域RAG架构#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法律领域微调的ColBERT）时效性加权：新法优先；地域匹配：当事人所在地法规优先三、生成优化 Prompt工程角色：资深法律顾问约…

#字节#专业领域RAG#领域 RAG 架构

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配口述回答：…大chunk或者[[父文档]]用来在生成阶段补充上下文。这样检索精度和生成质量都能兼顾。另外，光切块还不够，专业领域里术语和[[实体链接]]很重要。比如法律里的'甲方'、'乙方'，医学里的'阿司匹林'和'乙酰水杨酸'是同一种药，如果切块时不考虑实体归一化，检索可能对不上。这块我一般会配合[[NER]]和实体链接来做，但切块本身的设计是基础。最后，评估很关键。上线前我会拿一批典型query测Top-K命中率和MRR，再人工抽检生成答案的引用准确率。说白了，切块策略没有银弹，…

#字节#RAG Chunking#长文档切分

面试题·知识图谱· 字节

GraphRAG 怎么实现复杂查询?

匹配口述回答：…思的点，就是图更新怎么保持实时性。如果知识库频繁变动，增量构建图谱的成本很高，我目前倾向于先用离线全量构建，再对新增文档做增量[[实体链接]]，但一致性校验是个麻烦事。所以总结下来，我不会把GraphRAG当成万金油。我更倾向把它看作传统RAG的增强模块，只在查询涉及多实体关联或因果推理时才激活图检索，其他情况走纯向量，这样性价比最高。 GraphRAG解决什么问题图构建与抽取的坑混合检索怎么落地业务场景与风险我的取舍约4分钟图更新时增量构建与一致性校验的挑战 …

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配口述回答：…多或者关系类型定义不统一时，图会变得很稀疏或者很混乱，导致检索效果反而不如传统RAG。所以我会先用小规模数据验证图的质量，确保[[实体链接]]的准确率和关系的覆盖率达标，再逐步上线。一句话定位：GraphRAG vs 传统RAG 本质是结构化 vs 非结构化的取舍知识结构化建模：实体关系抽取与归一化，解决指代歧义语义关联发现：多跳路径检索，例子：李彦宏→百度→文心一言→Agent 上下文连贯性：社区检测聚合，避免信息孤岛复杂推理能力：显式推理链与聚合查询，风险：图构建…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配口述回答：…[[知识图谱]]，再发现社区，形成实体到关系到社区的三层索引。具体架构我以微软的开源方案为例。索引阶段，先分块，然后LLM做[[实体链接]]和[[关系抽取]]，生成社区摘要。查询阶段有个路由判断，Local Query从实体出发做多跳邻居遍历，比如问“张三的部门有哪些项目”，Global Query跨社区聚合摘要，比如“公司今年整体趋势”。相比传统RAG，优势很明显。信息组织上，传统RAG是扁平向量，语义相近不等于逻辑关联；GraphRAG用显式图结构，保留了因果、从属关…

#美团#知识图谱#GraphRAG 架构

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…结果率。如果空结果率高，说明索引或query改写有问题，我会反过来调检索策略。比如结合[[Knowledge Graph]]做[[实体链接]]，把‘退款失败’映射到具体错误码，再精准检索。这块其实可以做成一个闭环：空结果触发自动query改写，改完再试一次，还不成功就报人工。所以整体上，我更倾向于把RAG看成一个检索和生成的闭环，而不是独立模块。我的取舍是：优先保证检索的召回率，再通过重排序和生成验证来兜底精度。如果面试官有兴趣，我可以再聊聊离线评估的[[RAGAS]]指标…

#字节#RAG迭代优化#RAG 优化