匹配正文：…文档生成更新困难全量重训成本极高只需更新知识库，零模型改动可解释性差黑盒输出，难以溯源引用来源透明，可追溯验证为什么知识密集型任务需要RAG 准确性要求高：法律、医疗、金融等领域容错极低，必须基于权威文档知识时效性强：政策、产品信息频繁变动，静态模型无法跟上合规与审计：需要明确回答依据，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…

#科大讯飞#阿里#RAG 架构

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…，与Query一起送入LLM 典型Prompt模板："基于以下信息回答问题：[检索内容] \n 问题：[Query]" 核心优势（知识密集型任务）优势说明缓解幻觉生成内容有明确来源，可事实校验知识时效性无需重训模型，更新知识库即可可溯源性输出可关联原始文档，满足合规要求成本可控相比全量微调，实施成本低主要局限检索质量瓶颈：Embedding不准、Query-doc语义Gap、切分策略不当导致信息丢失上下文限制：K值过大超出LLM窗口，K值过小覆盖不全…

#百度#评估与监控#RAG 架构

面试题·Agent· 字节

LangGraph外还有哪些流程编排框架?

…是first-class citizen，Agent通过query_engine/chat_engine封装检索+推理适用场景：知识密集型任务，如企业文档问答、研报分析优势：数据接入极丰富（100+ loaders），检索链路优化深入 AutoGPT / BabyAGI — "自主决策实验" 核心定位：探索LLM自主规划的上限，非生产框架关键设计：目标分解→任务队列→执行→记忆反思的循环；BabyAGI更简化，纯靠prompt驱动局限：token消耗爆炸、幻觉累积、难…

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

匹配正文：

#字节#百度#Agent

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…选项，而是必选项。因为原始检索结果里噪声很多，不重排直接给大模型，它会被无关信息带偏，产生[[幻觉]]。应用场景上，RAG最适合知识密集型任务，比如企业知识问答，内部SOP和规章制度，员工问“年假怎么休”，它能从文档里找到确切条款。还有客服系统，结合历史工单和FAQ，能精准回复退款政策、订单异常这类问题，减少人工介入。再比如研报分析，长文档里抽关键信息，RAG比人翻几百页快得多。不过，RAG和微调不是二选一，而是互补。比如对高频、固定的知识，微调可以让模型直接记住，省去每…

#字节#检索生成流程#RAG 实现

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：…，用观察修正思考，所以比单独用哪个都好。但真正落地的时候，我一般不会只用ReAct，还会结合[[RAG]]或者微调。比如RAG适合知识密集型任务，ReAct适合需要多步推理和工具调用的场景，很多时候是两者一起上，先用RAG检索知识，再用ReAct做推理和行动。举个例子，客服退款场景。用户说“我买了个商品，订单号是12345，但没收到货，我要退款”。模型先Thought：用户要退款，我需要查订单状态和物流信息。然后Action：查询订单系统，返回订单已发货、物流显示签收。Ob…

#美团#评估与监控#Agent

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配口述回答：这道题问的是[[RAG]]的完整工作流程和瓶颈优化，其实本质是在问一个系统级问题：你怎么让大模型在知识密集型任务上既快又准地给出答案，同时还能落地。我先画个框架，RAG可以拆成四个阶段：索引构建、检索召回、精排过滤、生成合成。但真正上线跑过的人都知道，最影响体验的其实是中间两个阶段，检索和精排。先说检索延迟这个瓶颈。如果你的[[向量库]]到了千万级，用[[HNSW]]索引，P99延迟很容易飙到500毫秒以上，用户等不了。我的做法是分场景：对高频query，我会加一层缓存，用…

#百度#重排与优化#RAG 系统瓶颈