匹配正文：常见 RAG 形态 Naive RAG 查询直接编码，向量检索 Top-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，…

#淘天#重排与优化#Naive RAG

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· 百度

RAG 端到端工作流程

匹配正文：… → 取Top-K相关文本块增强生成：将检索结果作为上下文，与问题一起输入LLM，生成最终回答核心优势对比维度纯生成模型 RAG 知识时效性训练数据截止，无法更新知识库实时更新，无需重训幻觉问题容易编造事实基于检索文档生成，可控可溯源成本全量微调昂贵只需更新知识库，零训练成本可解释性黑盒生成可展示引用来源，便于审计典型变体 Naive RAG：基础检索+生成 Advanced RAG：查询重写、重排序（Rerank）、混合检索（向量+关键词） …

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

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…量化、相似度检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/递归/语义分块；块大小通常256-512 token 向量化将文本块转为稠密向量 Emb…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段流程说明关键组件（文档处理、Embedding模型、向量数据库、重排序）的作用对比Naive RAG与Advanced RAG的架构差异提及实际落地中的核心挑战（检索精度、上下文长度、幻觉控制）核心原理 RAG的本质是外挂知识库：将大模型无法预训练到的私有/实时数据，通过检索方式动态注入上下文，解决知识截止和幻觉问题。三阶段流程：索引(Indexing)：文档→切片→Embedding→入库检索(Retriev…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：答案要点清晰描述RAG三阶段流程（索引-检索-生成）说明检索器核心组件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…这里有个延伸问题：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…

#字节#RAG 全链路#RAG 技术链路

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配口述回答：…树状结构，让模型一眼看清依赖关系。前提是你的文档结构要清晰，如果全是散乱的段落，结构化反而引入噪音。生成环节，我倾向用Self-RAG，模型生成时自己检索验证，而不是一次生成完再查。比如客服回答退款时效，模型会先检索最新政策，再生成答案，最后用[[Faithfulness]]校验事实一致性。如果置信度低，我会拒绝回答或让用户确认。这里有个风险：Self-RAG会增加延迟和成本，所以只适用于高精度场景，比如风控合同审核，而普通问答用[[Naive RAG]]就够了。另外，系…

#字节#RAG迭代优化#RAG 优化