匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

系统教程·知识图谱

知识图谱与 GraphRAG 面试题大全

匹配正文：知识图谱不是每个 RAG 都要加，但在复杂关系、多跳推理、强结构业务里很容易成为加分项。面试关键是讲清什么时候需要图谱，以及图谱和向量检索怎么配合。配套教程 RAG 面试题大全与知识体系大模型系统设计：复杂知识检索怎么拆知识模块知识图谱、GraphRAG 与结构化检索知识图谱、GraphRAG 与结构化检索常见问题 GraphRAG 适合什么场景？适合实体关系密集、需要多跳关联或全局结构总结的场景。普通 FAQ 或短文档检索不一定需要图谱，先把基础 RAG 做好…

#专题学习#知识图谱与 GraphRAG 面试题大全

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配标题与标签：医疗法律 RAG 合规追溯医疗/法律 RAG 的合规、权限、证据追溯和拒答知识图谱字节医疗法律 RAG 合规追溯医疗和法律 RAG 怎么做安全合规与证据追溯垂直领域 RAG 医疗 RAG 系统法律 RAG 系统字节

第 1 / 4 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

#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· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：…测→查询生成）能举例说明图结构数据的具体应用场景理解其在多跳推理、关系推理上的优势 GraphRAG 核心原理本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。构建流程：索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生成社区摘要查询阶段：根据问题路由到相关社区 → 综合多社区摘要生成答案与传统RAG的关键差异维度传统RAG GraphRAG 检索单元文本chunk 实体、…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…析关键权衡：图构建的前期成本 vs 查询时的推理质量。实际落地常采用"轻量抽取+动态扩展"的混合架构。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础，结合论文与开源项目理解GraphRAG如何融合结构化知识提升推理效果。

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：核心差异传统RAG基于向量相似度，将知识压缩为稠密向量，擅长语义匹配但丢失显式关系；GraphRAG基于知识图谱，保留实体-关系-实体的结构化连接。更适合GraphRAG的场景场景原因复杂多跳问答如"某药物通过哪些靶点影响某疾病"，需跨文档追踪因果链关系密集型查询组织架构、供应链、社交网络等强关联场景可解释性要求高金融风控、医疗诊断需展示推理路径全局聚合分析如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接动态演化知识时序关系、版本变更等需显…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…域、跨粒度（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· 字节

RAG+KG Agent 动态更新机制

匹配题目：在一个结合RAG与知识图谱的Agent系统中，知识图谱的动态更新机制通常包括哪些步骤？如何保证更新的实时性、一致性和准确性？

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 字节

知识图谱怎么动态更新?

匹配题目：在结合RAG与知识图谱的Agent系统中，知识图谱如何实现动态更新？请说明常见的更新机制，如增量抽取、事件触发、版本管理等，并讨论其实时性与一致性的挑战。

#字节#知识图谱#Agent

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：核心思想 GraphRAG由微软提出，核心是将非结构化文本转化为结构化知识图谱，再基于图的拓扑结构进行语义检索，而非传统RAG的"文本切块+向量相似度"模式。相对于传统RAG的创新 1. 知识组织方式：层次化图结构传统RAG：文档→切片→Embedding，信息原子化，丢失跨段落关联 GraphRAG：提取实体→关系→社区三层结构实体节点：人、组织、概念等关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs …

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…）、重排序(Rerank) 上下文文档过长/冗余摘要压缩、关键句提取、多路召回融合生成不遵循参考引用标注训练、Self-RAG（自适应检索判断）典型变体 GraphRAG：用知识图谱替代向量检索，处理复杂多跳推理 Self-RAG：模型自主判断是否需要检索，避免过度检索实际落地时，检索质量决定RAG上限，建议先做检索评测（Recall@K）再优化生成。

#字节#检索生成流程#RAG 技术原理

面试题·知识图谱· 高德

知识图谱实时性怎么保证?

匹配题目：在RAG与知识图谱结合的智能体系统中，如何确保知识图谱的实时性和数据新鲜度？

#高德#知识图谱实时性#RAG 知识图谱

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…署让模型跑得快、稳、省,工程和平台岗更看重推理优化 23、模型架构 49 推理优化题库服务化章还有几个偏场景/数据的模块:知识图谱 35、多模态 34、文档处理 29,它们通常挂在 RAG 或具体业务里出现,不构成独立主线,遇到目标岗位强相关时再补即可。这张表最重要的读法不是"题多的就都学",而是:题量密集的方向(Agent、评估、Prompt、重排、RAG)是应用岗追问的核心区,几乎人人躲不过;题量少但门槛高的方向(微调、训练、推理优化)偏算法/平台岗,按目标岗位…

#求职#职业转型

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：…仲裁更新滞后：非结构化知识库维护成本高场景化设计考量场景设计重点优化方向医疗问答精确性优先多路召回（关键词+向量+知识图谱）、严格重排序阈值、答案置信度校准客服系统延迟敏感本地缓存高频Query、预计算热门问题向量、流式生成研报生成长上下文处理文档分块策略（按语义/按标题层级）、递归摘要、多跳检索关键优化方向：检索-生成联合训练（如REPLUG）、自适应检索（判断是否需要检索）、多模态RAG（表格/图像联合检索）。学习建议建议先掌握大模型幻觉…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：… 语义增强查询改写（HyDE）、多向量表示（ColBERT）、重排序模型结构优化分块策略迭代（按语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合训练：如REPLUG、RA-DIT，让生成反馈指导检索学习端到端优化：用生成损失反向优化检索…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…语义匹配领域微调Embedding（如医疗用PubMedBERT）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"…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…mbedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Doc）处理口语化输入，如"心跳快"→"心动过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…→设计冲突消解Prompt 时效性：知识更新后向量未同步→增量索引+版本管理多跳推理：单轮检索无法回答→ReAct循环检索或构建知识图谱五、进阶方向 Agentic RAG：检索作为Tool，由Agent决策何时检索、检索什么 GraphRAG：用知识图谱显式建模实体关系，解决多跳问题 RAG+微调：用检索数据构造SFT数据，提升模型对检索内容的利用能力

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：答案要点识别RAG的核心优势（知识时效性、可解释性、成本可控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变…

#美团#RAG 局限性#RAG 优化方向

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：…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·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…向量）、查询重写、重排序上下文爆炸多文档超出窗口限制摘要压缩、分层检索、长上下文模型多跳推理弱需跨文档关联时易断链引入知识图谱、迭代检索（Self-RAG）生成与检索耦合模型过度依赖或忽略检索内容训练时加入"无相关信息"样本、调整prompt权重典型失败案例：用户问"对比A和B产品的差异"，若检索分别返回A、B的独立介绍而无直接对比文档，模型难以自行归纳差异——这是RAG在综合推理类问题上的天然瓶颈。学习建议建议先掌握大模型基础知识，再学习信息检索与…

#淘天#阿里#RAG 架构

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：核心架构：四层RAG系统 1. 领域知识库层多源异构数据：结构化（法规条文、药品数据库）+ 非结构化（临床指南、判例文书）分层索引：按效力层级（法律：宪法→法律→司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改…

#字节#高精度RAG#高精度 RAG