匹配正文：…值会受字号、语言、页面尺寸和文档类型影响。上线前需要用实际页面校准，并把误判页留在回归集中；这里没有一个能跨资料直接照搬的数字。 PDF 页面如何决定是否进入 OCR 先在页面级区分可用字符层、扫描图像和混合内容。电子文本优先保留原信息，需要时才进入 OCR。页面级判断的产物不应只有一个布尔值。最好同时记录分类、判断信号、采用的文字来源和是否需要复核。后面发现漏字时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RA…

#RAG#解析与入库#扫描 PDF RAG

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：先看一个多格式入库场景。同一个知识库页面里，用户上传了一份制度 PDF、一套培训 PPT 和一张扫描图片。三个文件都显示“上传成功”，但这并不等于它们已经变成了可以检索的知识。有的 PDF 能直接读取字符，有的整页只是一张图片。PPT 的标题、项目符号和页序本身就在表达结构。扫描件没有可复制的正文，必须先经过文字识别。三类文件若都粗暴转成一大段纯文本，格式虽然统一，标题、位置、表格关系和图片信息却可能一起消失。这对应一道 RAG 项目面试题： PDF、PPT 和扫描件应…

#RAG#解析与入库#RAG 文档解析

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…视频从头看一遍。更理想的办法，是让系统直接找到讲年假的那几十秒，整理出答案，同时把原视频和时间位置交给你复查。这正是很多人希望 RAG 做到的事。 RAG 这个名字听起来有点技术，其实就是先从指定资料里找内容，再让大模型根据找到的内容回答。它和普通聊天的区别在于，大模型回答之前会先“翻资料”。但找到资料也不代表一定答对，答案最好还能回到原文检查。问题来了：PDF、Word 都可以作为资料，视频也是一个文件，为什么不能直接扔进知识库？因为知识库真正需要的不是一个文件名，而…

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

#RAG#解析与入库#视频 RAG

面试题·项目与经历· 360

扫描PDF怎么解析内容?

匹配追问：如何处理复杂表格和跨页表格的识别与还原如果OCR结果存在大量噪声，如何在RAG检索阶段保证召回质量多模态大模型（如Qwen-VL、GPT-4V）与传统OCR方案如何取舍或结合场景切入假设我们公司最近在做合同审核的自动化，用户上传的扫描件PDF纯图像，没有任何文字层。你作为技术负责人，会怎么设计流程把这些PDF里的内容解析出来？层层追问你平时处理过PDF文档吗？……如果是扫描件那种图像PDF呢？……那从图像里提取文字你会用什么技术？……提取完文字之后，怎么知道哪些是…

#文档智能#OCR#版面分析

求职指南·RAG

PDF、表格、OCR 与文档解析项目模拟面试

匹配正文：…输出和本人提交的变更记录下一步：design。配套学习：项目难题怎么定位与解决?。 3. design · design 一份扫描 PDF 进入后，如何完成文件分流、OCR、版面分析、表格结构恢复、规范化、切分和索引？考察重点：确认候选人理解端到端链路、关键接口和状态变化。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：扫描PDF怎么解析内容?、RAG 数据处理与索引流程?。 4. tradeoff · tradeo…

#模拟面试#简历项目#连续追问

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：…答不稳定”。所以复杂 PDF 解析要先恢复内容关系，再讨论怎样切块。不能指望后面的检索器从一段错乱文字里推理出原始版面。复杂 PDF 中文字存在但关系错误同一批文字按不同顺序拼接，可能表达不同含义。双栏页面里的步骤和材料交叉，就是一种典型情况。一条可靠的复杂 PDF 解析链路怎么走？可以把解析链路拆成七步。第一步，按页读取基础元素。取得字符层、文字框、字体与位置信息，同时识别页面中的图像。扫描页还要先走文字识别路线。这里保存的是原始证据，不要急着拼成一大段文本。…

#RAG#解析与入库#复杂 PDF 阅读顺序

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…验收，面试时按四层展开需要把方法讲完整时，可以按下面的顺序组织：文件上传和解析任务成功，只说明程序执行完成，不能证明内容适合 RAG。我会把解析质量拆成文字覆盖、阅读顺序、结构保留和位置追溯四层，分别检查正文是否完整、多栏和跨页是否读对、表格与标题关系是否保留，以及每段内容能否回到原文件和页码。评测上，我会从实际文档里固定普通 PDF、扫描件、标题层级、表格、水印等难页，人工标注关键区域、正确结构和证据位置，并保存解析器与配置版本。每次修改后先跑页面级回归，再用同一批问…

#RAG#解析与入库#RAG 文档解析评估

项目实战·RAG

RAG 智能问答系统

匹配正文：…ut f63023e python3.11 -m venv .venv source .venv/bin/activate cd rag_project python tests/smoke_test.py Windows用py -3.11 -m venv .venv创建环境，用.venv\Scripts\Activate.ps1激活，然后使用环境内的python。Python 3.11需预先安装。第3章PDF切分的独立练习环境第三章两个下载脚本沿用langchain.t…

#项目实战#RAG 智能问答系统

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：一个 RAG Demo 往往只有几步：上传文件，切成 Chunk，写进向量库，然后在同一个接口里提问并生成答案。本机演示时，这样很直观。可一旦真的有用户上传文档，问题就出现了。复杂 PDF 解析可能持续很久，某一页 OCR 失败，部分 Chunk 已经写入，用户却不知道任务进行到哪一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统…

#RAG#评测与上线#RAG 系统设计

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：一、文档清洗：去噪保真核心目标：保留有效语义，消除格式干扰结构化提取：PDF用适配版面的PDF解析器，扫描件先OCR；DOCX/标记文档可用Pandoc等支持相应输入格式的工具，再保留标题、表格与来源。Pandoc原生输入格式不含PDF。噪声过滤：去除页眉页脚、水印、重复模板内容；正则清洗特殊符号语义连贯：处理跨页断句、表格换行，必要时用VLM提取图片/图表信息元数据保留：记录文档来源、章节标题、时间戳，用于后续过滤和重排序二、文本分块：粒度与上下文的权衡策略 …

#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?

匹配追问：场景切入假设我们做一个企业知识库问答系统，有PDF合同、技术手册、扫描件等。用户问的可能是合同条款或操作步骤。从原始文档到能检索的知识库，你觉得整个处理流程应该怎么设计？关键步骤有哪些？层层追问 RAG系统的知识库，文档进来后你会做哪些处理？……那分块怎么分？……分完块之后怎么向量化？……最后怎么建索引让检索又快又准？每个环节有什么坑？直球架构请完整描述RAG系统中从原始文档到可检索知识库的数据处理与索引流程，包括文档加载、清洗、分块、Embedding生成和向量索引…

#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?

匹配追问：场景切入假设我们做一个法律咨询助手，用户上传了一份几十页的合同PDF，里面有扫描件和表格，想让你自动找出其中跟违约责任相关的条款，并给出法律依据。你会怎么设计整个RAG链路来处理这种复杂文档？层层追问专业领域的RAG系统，你觉得最关键的是什么？……文档怎么切块才不丢上下文？……检索策略上，光靠向量够吗？……生成时怎么保证不瞎编、还引用来源？直球架构设计一个医疗领域的RAG系统，从文档处理、索引构建、检索策略到生成优化和评估，完整链路你怎么搭？重点说说多模态解析、双轨…

#字节#RAG 全链路#RAG 技术链路

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：一、文档预处理：领域知识结构化核心挑战：专业文档格式复杂（PDF表格、扫描件、法律条款层级）多模态解析：用LayoutLM或专用OCR提取图文混排内容，保留空间位置信息语义切分：按"条款-段落-句子"层级切分，医疗场景用UMLS术语边界，法律用条款编号锚定元数据增强：注入{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM…

#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?

匹配正文：…处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：PDF/OCR识别表格、Word修订痕迹处理、扫描件版式还原结构化抽取：用LayoutLM或专用模型提取条款层级（章-节-条-款）、案件要素（案号、当事人、判决结果）质量与标准化领域术语对齐：建立法条同义词表（如"违约金"="滞纳金"需区分场景）时效性标记：标注法律废止/修订状态，设置失效预警分块策略多粒度索引：原文段落（粗粒度）+ 法…

#字节#专业领域RAG#领域 RAG 架构

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100…

#美团#RAG 知识库搭建#文档预处理

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·模型微调· 字节

领域RAG应用链路怎么搭?

匹配口述回答：…、检索准、生成稳。我按数据、检索、生成、评估这条线来说。先说数据准备。专业领域的数据，比如医疗病历、法律合同、金融财报，通常是 PDF 或扫描件，得先解析成结构化文本。我一般用 Unstructured 或 MinerU，保留标题层级和表格结构，表格转成 Markdown。然后做领域术语标准化，比如医疗里把“心梗”和“心肌梗死”统一映射到 ICD-10 编码，不然检索时会漏。 [[分块]]策略上，我倾向于按语义边界切，比如按章节或段落，而不是固定长度。医疗场景也不能直接套固…

#字节#领域 RAG#RAG应用搭建

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：…权威源。比如医疗就接临床指南、药典、药品说明书，法律就接裁判文书网、法律法规库。那些自媒体、论坛内容一概不要。原始文档形式很杂，有PDF扫描件、有网页，所以要做[[多模态]]处理，比如扫描件走[[OCR]]加版式还原，表格和图表要结构化提取，不能直接当图片丢进去。清洗和结构化这一步非常关键。我会先做文档类型识别，然后按章节语义拆分，而不是固定字符数切分。拆分的时候同步做实体标注，比如医疗里标ICD-10编码、药品名，法律里标法条号、判例引用。这里有个坑，同一个主题可能有多版…

#字节#医疗RAG合规#RAG 数据处理流程

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：…ctor 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。好处是系统复杂度极低，现成的文本RAG框架、工具链都能直接用，调试成本也很低。但代价是信息损失非常严重。你想，一张图的空间布局、颜色、纹理、细微的视觉特征，全部被丢弃了。比如一张电商的商品海报，它可能用红底金字的对比来突出促销感，但转成文本后就只剩下“红色背景，金色文字”这种抽象描述，那种视觉冲击力完全没了。所以伪多模态只适合文字为主的场景，比如扫描的PDF文档、合同、发票，这类…

#淘天#多模态#伪多模态RAG

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…2和独立venv ✅ 能 pip install ✅ 能看懂基础 Python(变量、函数、for 循环) ✅ 一份允许处理的测试PDF；可提取文本可直接切分，扫描件需先OCR，空文本要检查解析结果。教学示例不需要真实业务或私人文档完全没接触过 RAG?→ 回看第 1 章:为什么做 RAG? 先做一个失败演练(这是本章的"为什么") 下面的保险条款、用户问题和后果都是为讲解切分风险而构造的教学场景,不是作者或学员的线上事故。有一条保险条款是这么写的:"本保险承保意外伤害导…

#RAG#检索#项目实战

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…列代表什么。代码可能从函数中间断开，缩进和上下文一起丢失。流程图虽然识别出所有文字，却看不出箭头关系。这就引出一道很有区分度的 RAG 面试题：表格、代码和图片应该怎样切成 Chunk，既能被检索，又不破坏原来的结构？常见回答是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段…

#RAG#切分与索引#RAG 表格切分

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…带证据) 站内哪里补业务问题你是不是为真问题做的,还是为做而做说清给谁用、痛点是什么、为什么不用纯大模型或微调为什么需要 RAG 文档处理你有没有碰过真实脏数据讲你的文档格式(PDF/表格/扫描件)、清洗和解析踩的坑文档预处理与切分 chunk 策略你的切分是拍脑袋还是有依据切多大、按什么切、试过别的没有、对召回的影响文档预处理与切分检索召回你懂不懂检索的取舍向量/关键词/混合怎么选,召回率怎么测、多少条测试集检索召回·混合检索 rerank 你的…

#求职#职业转型

面试题·文档处理· 字节

医疗法律文档切块

匹配口述回答：…历有主诉、现病史、检查、诊断等章节，如果按固定长度切，一个章节被切成两半，检索时可能只找到一半信息，导致诊断依据不完整。我会先解析PDF或文档结构，以章节为边界切块，比如主诉一段、现病史一段，这样保证了语义完整性。但病历里还有引用关系，比如诊断里写着‘参见影像检查报告’，这就需要在元数据里显式链接。所以我会给每个块加上元数据，包括来源章节、父级标题、相关块ID，这样检索时能追溯上下文。这里有个坑：结构感知切块的前提是文档解析质量。如果PDF是扫描件，[[OCR]] 识别不准…

#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·文档处理· 字节

专业领域文档怎么清洗?

匹配追问：场景切入假设你在做医疗领域的知识库问答，原始文档有各种PDF、网页和扫描件，里面还有不少表格和图注。用户问“青霉素的用量”，结果模型老答不对。你觉得问题可能出在数据清洗上？你会怎么处理这些文档才能让检索和生成靠谱一些？层层追问 RAG里检索质量很关键，你一般怎么清洗文档？……如果文档里有大量专业术语，比如“PM”可能是项目管理也可能颗粒物，你怎么处理？……再比如技术手册，你是一个section一个section切，还是怎么切？怎么保证语义完整？直球架构对于专业领域RA…

#字节#RAG 文档清洗#文档预处理