匹配正文：…页，模型会把不同时期、不同部署方式和不同口径的数据混在一起。所以这道面试题会越过概念背诵，直接考一个项目判断：什么问题用普通 RAG 就够，什么问题需要 Agentic RAG，什么问题才值得进入完整的 Deep Research？系统怎样自动分流，又怎样证明分流是对的？先划清三条路线普通 RAG 的典型链路是：用户提问，系统检索一批相关片段，把片段交给模型生成答案。它适合“答案已经存在于某一处资料中”的问题。例如安装方法、字段含义、某条规则的适用条件。工程重点是解…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…Knowledge Staleness）问题本质：向量库构建周期长，无法感知实时变化。电商案例：大促期间价格/库存秒级变动，但RAG仍返回昨日缓存的"满199减30"活动信息。用户下单时发现优惠失效，体验极差。关键影响：实时性业务场景下直接不可用。优化方向简述痛点典型解法检索噪声重排序（Rerank）、多路召回融合、查询改写上下文冗余上下文压缩、语义去重、摘要增强知识更新延迟实时索引管道、增量更新、结合API动态查询这些痛点正是Agentic RAG…

#淘天#Agent#RAG 痛点

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

…语义连贯性要求高；适合对话、叙事文本结构化切分按章节、标题、表格等文档结构切分 PDF/Word等富格式文档；需保留层级关系 Agentic切分用LLM判断最佳切分点高质量要求场景，成本较高工程实践要点：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否减少边界信息丢失保留元数据（来源、页码、标题）用于过滤和重排序对表格/代码等特殊内容单独处理，不强行按长度切学习建议建议系统学习该知识点

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

匹配正文：

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…连贯性缺点：存储冗余增加（~2倍），检索可能返回重复内容需去重适用：对话历史、代码等强上下文依赖场景 4. 智能分块（进阶） Agentic分块：用LLM判断断点（如"此处是否完成一个完整论点"）结构化分块：针对Markdown、JSON、代码按语法树切分选型建议场景推荐策略快糙猛上线固定长度 + 重叠高精度问答语义边界 + 滑动窗口代码/表格结构化分块 + 元数据标注实际中常组合使用：先用语义边界粗分，再对过长块用滑动窗口细分。学习建议掌握常见…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…mbedding相似度检测主题边界；计算成本高递归分块层次化文档（法律、论文）先按章节/标题粗分，再细粒度切；保留结构信息 Agentic分块复杂文档用LLM判断分割点；成本最高但效果最优关键实践技巧重叠分块（Overlapping）把零重叠、短窗口与较长窗口作为候选，在同一评测集上比较证据完整率、召回与冗余成本特别适合问答场景，答案恰好跨边界的情况元数据增强为每个chunk附加标题、来源、时间等标签检索时可做过滤，生成时可注入prompt提升可信度 …

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…多一跳检索,延迟上升场景考量与 RAG × 微调结合知识频繁更新、需要引用来源的场景(企业 SOP、合规文档、客服工单)首选 RAG;固定格式/语气输出用微调。真实落地常两条腿走路:先微调让模型理解业务术语与对话风格,再用 RAG 注入实时数据。例如电商客服问「退货了但退款没到账」,微调只能背标准流程,RAG 能检索到该用户的退款进度,给出「已审核通过,预计 2 个工作日到账」的具体回答。入门后可深入:从 Naive RAG 走向查询理解、Agentic RAG 与检索…

#美团#评估与监控#RAG 工作原理

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…t 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·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：…K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。 Advanced RAG 在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。 Modular / Agentic RAG 将检索、工具、验证、重试和路由做成可组合模块，模型可在受控条件下决定是否再次检索。适合多步或多源任务，但必须限制步骤、…

#淘天#重排与优化#Naive RAG

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…ranker 精排提升准确率 BGE-Reranker、Cohere Rerank 分块策略平衡粒度与语义递归切分、语义切分、Agentic切分三、核心挑战检索精度：语义鸿沟导致召不准，需多路召回+重排序上下文瓶颈：长文档超出窗口，需摘要压缩或层级索引知识时效性：静态索引难更新，需增量索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…嵌入）、Query2Doc扩展语义重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取引用生成：训练模型输出[source_id]，实现可验证回答 Self-RAG：让模型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…权限和原文坐标。清洗页眉页脚与重复模板后，按结构、固定长度或递归策略产生候选块，并在目标查询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。二、检索器使用向量检索、BM25、结构化过滤或多路召回生成候选。对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。查询改写、HyDE 和子查询分解…

#美团#RAG工程实现#RAG 系统实现

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…控制，我最近在关注一个方向：让大模型在生成时能主动判断检索内容是否足够，如果不够就触发多轮检索，而不是硬凑答案。比如[[Self-RAG]]那种思路，让模型自己决定要不要搜、搜什么。这其实又回到了[[Agentic RAG]]的范畴。所以总结一下，我的判断是：向量检索解决“找得到”，大模型生成解决“说得对、说得通、说得完整”。两者缺一不可，但落地时得根据场景做取舍，比如对时效性要求高的场景，我会更依赖大模型自己的知识，减少检索延迟；对准确性要求高的场景，我会加强检索和重排，…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…NSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Agentic RAG]]，让模型自主决定检索步骤，或者用[[ReAct]]框架把推理和检索交替进行。所以整体上，我会把RAG看成一种低成本、可迭代的知识注入方式，适合知识频繁更新或需要…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…问题：如果用户问的是多跳问题，比如「这个症状应该用哪种药，但指南里没有直接说，需要从两个段落推理出来」，那简单的 [[Naive RAG]] 就不够用了。这时候我会考虑 [[Agentic RAG]] 或者 [[Self-RAG]]，让模型自己决定要不要再搜、要不要推理。但这个对延迟和稳定性要求高，得根据业务场景权衡。一句话定位：本质是专业场景下的可信生成问题文档处理与索引：双轨策略加图谱检索策略：多路召回加精排重排生成优化：强制引用加约束解码评估与取舍：宁缺毋滥，…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…直接返回结果，还有预计算 Embedding 和流式生成。另一个风险是复杂推理场景，比如多跳问答“退款的商品如果价格变了怎么算”，RAG 单次检索搞不定。我会引入 [[Agent]]，用 [[ReAct]] 模式让模型迭代检索，或者结合 [[Knowledge Graph]] 做结构化推理。但这也引入新风险，Agent 可能陷入死循环，所以上线前我会特别关注超时和重试策略。说到 Agent，其实 RAG 的下一步就是 [[Agentic RAG]]，让模型自己决定什么时候检…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…[[Function Calling]]，怎么保证调用链路的可靠性和延迟，这个在实际工程里挺有挑战的。总的来说，我把意图识别看成RAG系统的守门员，它做得好，检索和生成才能事半功倍。一句话定位：意图识别是RAG的路由中枢检索准确性：方式选择与查询改写生成质量：上下文筛选与幻觉防控落地风险：前提与常见失败场景工程师取舍：倾向Agentic RAG和轻量级初分约4分钟意图识别与外部工具联动时，如何保证调用链路的可靠性和延迟控制。面试官可能会追问Function …

#OPPO#RAG 意图识别#RAG

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配口述回答：…同，比如改进prompt让模型更关注文档、加文档压缩、或者用动态检索。最怕的就是不看数据，上来就调embedding或者换模型。 RAG效果差，本质是定位哪个环节掉链子黄金文档实验锁定责任方检索侧问题诊断与指标生成侧问题诊断与指标协同环节的隐蔽问题约4分钟动态检索在复杂推理场景下比一次检索更有效，但会引入延迟代价。面试官可能会追问动态检索的实现方式、与ReAct或Agentic RAG的区别、以及如何平衡效果和延迟。

#检索诊断#生成协同#RAG 效果诊断

面试题·模型微调· AIlab

RAG 检索精度提升的三大陷阱

匹配口述回答：…就回退整套兼容版本。这里真正考察的不是记住多少优化名词，而是能不能从一个错误出发，建立可复现的定位、实验和上线闭环。一句话定位：RAG优化本质是检索质量和生成质量的平衡检索器：混合检索和重排的适用边界生成器：上下文压缩和引用生成的实际效果整体架构：迭代检索的取舍落地风险与收尾约4分钟检索和生成的联合训练，比如Self-RAG，让模型自己学会反思和修正，而不是靠外部规则。面试官可能会追问Self-RAG的具体实现，比如反思机制怎么设计，或者跟Agentic RA…

#AIlab#检索器优化#RAG 优化

面试题·Prompt· 字节

RAG Generator Prompt 整合原理

匹配口述回答：…了文档1但文档1根本没提优惠券，就拦截掉。这里有个延伸点：当文档特别多的时候，单纯靠截断可能会丢掉关键信息。我最近在研究用 [[Agentic RAG]] 的思路，让模型先判断还需要什么信息，主动去检索第二轮，而不是一次把所有文档塞进去。这样能更精准，但延迟会高一些，需要做取舍。所以整体上，我更愿意把生成模块看作一个受约束的翻译器，它的核心任务是把检索结果忠实地转成自然语言，不是自由创作。上线前我会特别关注反幻觉指令的效果和引用溯源的覆盖率，这两个点是最容易暴雷的。这道…

#字节#Prompt工程#RAG Generator Prompt

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…和速度。但这里有个坑：压缩本身也会丢失信息，所以需要设计好压缩策略，比如只保留跟问题最相关的段落。再后来就是[[Modular RAG]]，也叫[[Agentic RAG]]。它把检索和生成彻底解耦，引入一个调度器来决定什么时候检索、检索什么、要不要多轮迭代。比如 [[Self-RAG]] 让模型在生成时输出反思token，判断当前答案是否需要更多证据；[[ReAct]] 则是边推理边检索，像人类查资料一样一步步逼近答案。这个架构灵活性最高，但延迟和成本也最高。它的典型场景…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…说“能用”。所以我会在提示词里加一句：如果检索内容冲突，优先采用最新政策，并注明来源。说到这个，其实现在有个更激进的做法叫 [[Agentic RAG]]，就是让模型自己决定什么时候查、查什么、查几次，甚至调用外部工具。比如用户问“我订单异常，是退款还是补发”，模型可以先查订单状态，再查政策，最后给出建议。这个方向能解决多跳推理的问题，但实现起来更复杂，对模型的规划能力要求很高。所以整体上，我更倾向把RAG看成一个检索工程问题，而不是生成问题。生成模型现在很成熟，瓶颈往往…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：…别关注召回率和精确率的平衡，还有重排序的效果。另外，RAG对多跳推理很弱，比如“A公司的供应商是谁，它的环保政策是什么”，这种问题RAG往往会漏掉中间环节。Deep Research的风险则是成本高，token消耗大，而且可能陷入无效循环，比如模型一直查同一个方向跑偏了。所以前提是要有可靠的终止条件，比如最大轮数或者置信度阈值。其实现在有个趋势是把两者结合，比如用RAG做快速的事实检索，再结合[[Agent]]的规划能力做多步推理。像[[Agentic RAG]]就是这种思…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG 为何还要重排?

匹配口述回答：…不了，因为巧妇难为无米之炊。所以上线前我会特别关注召回阶段的 Recall 指标，确保重排的输入质量。总的来说，我会把重排看成 RAG 系统里性价比极高的一个优化点。它用少量的延迟换来了显著的生成质量提升，尤其适合对准确性要求高的业务场景。如果让我选，我倾向先做重排，再做其他更复杂的优化，比如 [[Self-RAG]] 或者 [[Agentic RAG]]，因为重排的投入产出比最高。本质：召回精度不够，需要精排兜底机制：交叉编码器做细粒度匹配业务场景：客服退款政策检索…

#字节#重排与优化#RAG 重排

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配口述回答：…，HyDE虽然效果好，但每次检索都要调一次LLM生成假设文档，性价比不高，只对长尾查询用。其实还有一个方向我最近在关注，就是[[Agentic RAG]]，让模型自己决定什么时候检索、检索什么、要不要多轮检索。这个和传统RAG的边界在哪，我觉得挺值得聊的。所以整体上，我会把RAG看成一套系统工程，没有银弹。每个优化手段都有前提和代价，真正落地时，我更倾向于先搭一个简单但可靠的基线，再根据业务瓶颈逐步加优化，而不是一上来就堆满。 RAG本质是给LLM配外挂知识库索引阶段：…

#AIlab#RAG链路优化#RAG 优化