匹配正文：…数据库混合，持久化存储混合存储方案长期记忆 = 向量存储(语义检索) + 关系数据库(结构化过滤) + 对象存储(原始对话) 检索效率优化索引层面 HNSW/IVF-PQ：亿级向量毫秒级ANN检索，内存-磁盘分层分区策略：按用户+时间窗口分片，避免全量扫描量化压缩：FP32→INT8/二进制，降低内存占用10x 召回策略：多路召回向量语义召回：query embedding → Top-K相似记忆关键词召回：BM25覆盖精确匹配场景图遍历召回：基于实体关系扩展…

#字节#蚂蚁#向量检索

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配标题与标签：RAG 长文档怎么切块? 不同 Text Chunking 策略对比,语义完整性与检索效率权衡文档处理字节文档处理 RAG 文本切块 Text Chunking 策略长文档切块 RAG 文档处理字节

#字节#文档处理#RAG 文本切块

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…较传统RAG的优势维度传统RAG GraphRAG 信息组织扁平向量，语义相近≠逻辑关联显式图结构，保留因果、从属等关系检索效率相似度Top-K，容易漏掉关键桥梁信息图遍历剪枝，精准定位多跳关联知识关联无法回答"XX和YY的共同上级是谁" 天然支持多跳推理、路径溯源典型场景：企业组织架构查询（"张三和李四的部门交集"）、医学症状-疾病-药物的复杂关联。主要挑战与应对挑战根因解决方案方向构建成本高全量文档需多次LLM调用做抽取增量构建、领域Sc…

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#知识图谱#GraphRAG 架构

面试题·RAG· 百度

RAG 索引构建管线

匹配题目：在检索增强生成（RAG）系统中，针对索引环节有哪些常见的优化策略以提升检索效率和准确性？

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配题目：在为医疗或法律等专业领域构建RAG智能助手时，应如何设计完整的数据处理与索引流程，以确保知识的准确性、合规性和检索效率？

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配正文：一、检索效率优化索引结构层面 HNSW图索引：平衡召回率与查询速度，适合中等规模；超大规模时采用IVF-PQ或ScaNN降低内存占用量化压缩：裸向量每维FP32/FP16/INT8为4/2/1字节，PQ码长由子向量数和每码位宽决定；总索引另计结构，质量变化必须实测，不固定4–8倍。磁盘索引：FAISS的IndexIVFPQ + ondisk模式，牺牲部分延迟换取容量工程架构层面分片（Sharding）+ 路由层，支持水平扩展预过滤（metadata filter）…

#阿里云#召回链路优化#RAG 召回优化

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…文建模与任务持续能力? 较难 → 【海量记忆存储】当 Agent 需要维护大规模长期记忆时,存储架构怎么设计? 较难 → 【记忆检索效率】面对海量历史记录,如何保证记忆检索的效率和准确? 较难 → 自检清单能讲清短期记忆 vs 长期记忆的分工,以及「为什么不能把全部历史塞给模型」(窗口 + Lost in the Middle) 能在本机跑通带记忆 + 指代消解的 demo,并解释「它」是怎么被补全的、旧轮怎么进摘要能说出短期记忆的三种历史选择策略,以及「裁剪 vs …

#Agent#Deep Research#项目实战

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…mbedding结果缓存（小时级）vs 生成结果缓存（会话级）失败降级链：检索超时→用参数知识回答→标记待核实学习建议建议从检索效率、上下文管理、模型协同等角度理解RAG全流程，结合真实案例学习性能优化策略。

#阿里云#Agent#Agent RAG 瓶颈

面试题·评估· 得物

AI Agent 四大瓶颈怎么破?

匹配正文：答案要点可靠性：幻觉、工具调用失败、异常处理机制缺失可解释性：推理过程黑盒、决策链路不透明长期记忆：上下文窗口限制、记忆检索效率、知识更新多步推理：规划错误累积、任务分解合理性、反馈闭环需提出具体技术方向而非泛泛而谈可靠性瓶颈与改进核心问题幻觉与事实性错误：Agent调用工具后仍可能编造结果，或误解工具返回工具调用脆弱性：API变更、超时、异常格式导致级联失败缺乏自我纠错：多数Agent"一错到底"，无有效回退机制改进方向引入验证节点：关键步骤后增加事…

#得物#评估与监控#Agent

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配题目：…gent系统中，长期记忆通常以何种形式存储？当历史记录规模极大时，可以采用哪些方法（如向量索引、分层存储、摘要压缩等）来优化记忆的检索效率和响应速度？

#字节#Agent 长期记忆#向量索引

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配正文：…看懂"而不仅是"读出"的场景实际落地中，常见折中方案：用轻量多模态模型打标构建文本索引，检索后召回原图送入强多模态LLM——兼顾检索效率与生成质量。学习建议建议掌握主流多模态RAG框架如LangChain、LlamaIndex，理解其数据处理流程与跨模态对齐机制。

#淘天#多模态#伪多模态RAG

面试题·检索· 小鹏

RAG检索优化：向量检索与重排序

匹配题目：在RAG系统的检索阶段，通常采用哪些优化策略来提升检索效率和准确性？请从向量检索、重排序、查询扩展等方面进行阐述。

#小鹏#检索阶段优化#RAG 检索优化

面试题·检索· 百度

向量召回原理与实现?

匹配正文：答案要点向量嵌入将文本/数据映射到语义空间相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似…

#百度#向量召回#向量召回原理

面试题·Agent· 字节

海量历史记录怎么索引优化？

匹配口述回答：这道题问的是大规模长期记忆怎么设计存储架构，本质上是在问：当历史数据多到放不进上下文窗口时，你怎么在存储成本和检索效率之间找到平衡。我的思路是分层，但不是简单按冷热分，而是按记忆的用途分三层。先说工作记忆，也就是最近几轮对话，我直接放 Redis 里，不压缩，原始文本存着，保证上下文连贯。这块访问延迟必须毫秒级，因为用户等着回复。再一个是情节记忆，就是历史会话片段，我放 [[Vector Database]] 里，比如 Milvus 或 Pinecone。这里有个边界划分：…

#字节#蚂蚁#Agent

面试题·Agent· 百度

Reflection vs Memory 怎么分工?

匹配口述回答：…那个Agent可以学到另一个Agent处理物流投诉时用的安抚话术。记忆的实现方式，我倾向用[[向量数据库]]加[[RAG]]，这样检索效率高，而且可以按权限做隔离，比如某些敏感信息只对特定角色开放。这两个机制怎么协同提升协作效能呢？你可以理解成一个正向飞轮。智能体A在反思中发现自己的分类策略有问题，它把这个经验写进共享记忆；智能体B在下次任务中检索到这条经验，直接复用，避免了同样的错误；B执行质量高了，它的反思又能产出更高质量的经验。这样就打破了单点智能的瓶颈，让团队整体能…

#百度#Agent#多智能体系统

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配口述回答：这道题其实问的是，在专业领域里怎么在语义完整性和检索效率之间做平衡。说白了，[[切块]]本身不是目的，目的是让召回的内容既准又全，还不丢上下文。先说常见的切分策略，它们的适用边界其实很清楚。固定长度切块最简单，按字符或token硬切，但很容易把一句话或一个逻辑链条切成两半，比如医学里'症状-诊断-治疗'这种长链条，切断了召回就废了。所以它只适合快速原型，线上我一般不用。语义边界切块，比如按句子或段落切，能保住语义完整，但句子长短不一，法律条文里一条可能就几十个字，而医学指南…

#字节#RAG Chunking#长文档切分

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配口述回答：这道题其实问的是，从原始文档到可检索知识库，怎么在信息保真度和检索效率之间做平衡。我理解整个链路可以拆成几个关键环节，每个环节都有明确的取舍。先说解析和清洗。这一步的核心是保留多少结构信息。比如技术文档里的标题层级、表格单元格关系，如果全丢掉，后续检索就分不清上下文；但硬要保留所有格式，解析成本会很高。我的做法是，对PDF、扫描件这类非结构化文档，先用 [[OCR]] 做版面分析，把标题、段落、表格还原出来。这里有个前提：如果文档质量很差，比如扫描歪斜或表格跨页，解析失败率…

#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：…W和IVF的权衡落地风险：元数据过滤和增量更新的常见失败场景约4分钟多向量表示：文档存摘要向量和内容向量，先粗筛再细筛，提升检索效率面试官可能会追问多向量表示的具体实现，比如如何生成摘要向量、检索时如何融合两个向量，或者跟Rerank相比的优劣

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 字节

医学论文与法律条文切块

匹配口述回答：…问，我可以再聊聊怎么用[[Rerank]]来提升召回后的排序质量，或者怎么评估chunk策略的好坏。这道题本质问的是语义完整性与检索效率的平衡先讲通用分块策略，划清边界：固定长度 vs 结构感知 vs 语义分块重点讲专业领域特化：法律条文按条款硬切，医学按IMRAD结构切落地风险：重叠窗口、chunk大小与embedding模型匹配收尾取舍：我会把chunk策略看成检索质量的基础设施约4分钟 chunk策略需要根据文档类型、查询场景和模型能力持续调优，不是一次设定…

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：这道题问的是文档清洗预处理，其实本质是在问：你如何在信息密度和检索效率之间做取舍，同时避免污染生成质量。很多人在做领域 [[RAG]] 时只关注模型或检索策略，但数据源头要是脏的，后面怎么调都没用。先说通用清洗层，这层是必须做的，但别做过头。格式标准化、去乱码、过滤页眉页脚这些是基本功。但有个坑：过度清洗可能会丢掉有价值的信息。比如技术手册里的页脚可能是版本号，你一刀切掉，后面检索时版本匹配就出问题。所以我会把这层当成「安全网」，只做保守操作，把判断权留给后面。真正拉开差…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配口述回答：…一步都反思，延迟会很高，实际中我会给反思设一个阈值，比如只有结果置信度低于0.8时才触发反思。再补充信息过载，记忆库如果只进不出，检索效率会越来越低，所以我会设计遗忘机制或者定期摘要压缩。另外，我最近在思考一个问题，就是反思的深度和广度怎么平衡。反思太浅，发现不了根本原因；反思太深，又可能过度拟合到一次失败上。这个在协同场景下还会被放大，因为一个智能体的过度反思可能会误导整个群体。这个我还没有特别成熟的方案，但觉得值得深入。所以总的来说，我更倾向于把反思和记忆看作一个整体…

#百度#Agent#多智能体系统

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配口述回答：这道题其实是在问，当你想把[[知识图谱]]和[[RAG]]结合起来的时候，怎么在结构化带来的精度提升和检索效率之间做平衡。我先说图谱构建。难点是把非结构化文本转成结构化知识时，信息损失很大。比如做[[NER]]和[[关系抽取]]，级联误差会累积，开放域下实体边界很模糊。这里有一个关键取舍：预定义schema能保证质量但覆盖不全，开放抽取又太稀疏混乱。我倾向于用双轨策略，高置信的结构化数据用规则抽取保证准召，长尾知识交给大模型生成式构建。但前提是你得有个质量门控，不然大模型会引…

#淘天#多模态#GraphRAG 难点

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：这道题其实是在问，怎么在语义理解、检索效率和工程复杂度之间找到平衡。我理解[[RAG]]的检索模块本质上是一个语义匹配问题，但落地时不能只靠向量检索一条腿走路。具体说一下我的做法。首先是[[混合检索]]。纯向量检索对关键词、数字、实体匹配很弱，比如用户搜“订单号12345退款”，向量可能把“12345”当成语义噪声，但[[BM25]]能精准命中。所以我会把向量召回和BM25结合起来，做一个Hybrid Search。向量负责语义相似，BM25负责精确匹配，两个分数线性加权…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 阿里

Hard Search vs Soft Search 怎么选?

匹配口述回答：我觉得这道题其实问的是，在推荐系统里处理超长用户行为序列时，怎么在检索效率和模型优化之间做取舍。SIM模型给出了两种思路，一个叫Hard Search，一个叫Soft Search。我先说结论：它们不是二选一的关系，实际落地往往是两阶段配合。先说Hard Search。它的核心就是用[[近似最近邻]]，比如[[Faiss]]或者[[HNSW]]，从几亿的候选里快速捞出一小部分，比如几千个。效率确实高，毫秒级。但这里有个问题：ANN是近似检索，不是精确的，它可能会漏掉真正相关…

#阿里#Hard Search与Soft Search#SIM 模型