匹配正文：适合写过 PDF、表格或 OCR 解析的人，重点练处理流程、质量评估、错误页面和失败兜底。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实文档类型】解析链路，承担【解析或质量模块】，处理【真实规模与约束】。需要准备：文档类型与规模；个人负责模块；交付证据。通过【真实改动】改善【字段、表格或版面指标】，结果由【真实评测集】验证。需要准备：指标定义；评测集；基线与结果；失败样本。逐层练习 1. owne…

#模拟面试#简历项目#连续追问

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…一份制度 PDF、一套培训 PPT 和一张扫描图片。三个文件都显示“上传成功”，但这并不等于它们已经变成了可以检索的知识。有的 PDF 能直接读取字符，有的整页只是一张图片。PPT 的标题、项目符号和页序本身就在表达结构。扫描件没有可复制的正文，必须先经过文字识别。三类文件若都粗暴转成一大段纯文本，格式虽然统一，标题、位置、表格关系和图片信息却可能一起消失。这对应一道 RAG 项目面试题： PDF、PPT 和扫描件应该怎样进入同一个知识库？为什么不能只写一个通用解析函数？…

#RAG#解析与入库#RAG 文档解析

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：处理复杂 PDF 时，常会遇到一类高风险结果：每个字都识别出来了，但阅读顺序和字段关系却是错的。解析任务显示成功，分块与向量化正常完成，用户也能搜到很多相似内容，但模型拿到的证据已经不是原文真正表达的意思。先看一个双栏理赔指南的例子。左栏写办理步骤，右栏写申请材料。如果解析器按照同一水平位置依次拼接，输出会变成一句步骤接一句材料。用户问“需要提交哪些材料”时，检索器看到的不是一个完整材料清单，而是一段步骤和材料交错的文本。面试官很可能追问： PDF 里的文字已经提取出来了…

第 1 / 3 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

#RAG#解析与入库#复杂 PDF 阅读顺序

面试题·项目与经历· 360

扫描PDF怎么解析内容?

匹配正文：扫描 PDF 要按图像文档流水线解析纯扫描 PDF 没有可靠文本层，先用 PDF 解析器按页渲染成图像并保留页号、尺寸与坐标。分辨率应结合原始扫描质量、字号、版面和 OCR 引擎实测；Tesseract 文档把至少 300 dpi 作为有利于识别的建议，但这不是所有文档和所有引擎的统一最低门槛，也不能靠放大恢复原本不存在的细节。图像预处理包括方向检测、纠偏、去噪、裁边、对比度与自适应二值化。随后用专门的 layout detector 定位标题、正文、表格、图片、页眉页脚…

#文档智能#OCR#版面分析

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配短答：视频不能直接复用 PDF 的解析链路。讲解类视频要先把人声转成带时间戳的字幕，再按语义边界合并；答案若在 PPT 或操作画面里，还要补充同时间段的画面文字。只有内容、时间位置和来源信息一起进入索引，后面的检索与回答链路才有可靠输入。

#RAG#解析与入库#视频 RAG

面试题·RAG

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配正文：…时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RAG？一条完整的 PDF 解析流程，会包含图像、文字识别、版面、表格和文本合并等环节。放到扫描件上，可以按下面的顺序理解。第一步，渲染和预处理页面。系统把目标页转成适合识别的图像，并检查方向、倾斜、清晰度、对比度和噪声。旋转页如果方向不对，后面的文字识别很可能整页失败。低清页面可以受控提高渲染质量，但不能无限放大，因为处理时间和资源占用也会增加。第二步，执行文…

#RAG#解析与入库#扫描 PDF RAG

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：先设一个教学场景。你把一份几十页的 PDF 交给 MinerU，程序没有报错，Markdown 和 JSON 也正常生成。打开结果一看，正文、标题、表格似乎都有。这时候能不能直接切成 Chunk，写进向量库？很多人的第一反应是可以。解析工具已经把 PDF 变成了文本，后面无非就是切分、向量化和检索。用户真正关心的是输出能不能长期稳定使用：同一区域有没有重复出现，正文和表格是否表达了两份冲突内容，解析器升级后字段结构会不会变化，重新处理时旧 Chunk 能不能被正确替换…

#RAG#解析与入库#MinerU RAG

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：先看一次发布前判断。用户上传一份 PDF，接口返回成功，后台也生成了文本。任务状态显示“解析完成”，接下来却还有一个没有回答的问题：这批内容能不能进入正式知识库？接口成功只证明服务没有在这一刻报错。它没有回答正文是否完整、标题层级是否保留、扫描页有没有漏掉关键句，也没有回答用户提问时能不能找到正确证据。解析错误往往不会让程序崩溃。标题被压成普通正文，数据库照样可以写入；同一页重复输出两次，向量仍然能够生成；引用位置发生偏移，任务状态也可能显示完成。所以面试官问“怎么评…

#RAG#解析与入库#RAG 文档解析评估

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？假设你在做设备借用知识库。一页指南分成两栏：左栏是办理步骤，依次提交申请、审核通过后领取、用完归还；右栏是申请材料，列着工号证明、审批记录和设备清单。人读这页纸，通常会先沿左栏把流程看完，再去右栏找材料。解析后的文本却可能变成“提交借用申请、工号证明、审核通过后领取设备、审批记录、用完后办理归还、设备清单”。每个字都能在原页找到，内容也与设备借用高度相关。办理动作和申请材料已经混成一条队伍。把它切成段落送进知识库…

#RAG#PDF解析#阅读顺序

项目实战·RAG

RAG 智能问答系统

匹配正文：公开教学项目：从文档解析、检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.…

#项目实战#RAG 智能问答系统

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：📊 学习时长:30-40 分钟 🎯 完成后能力:能用一段零依赖代码演示 RAG 的核心机制,并讲清为什么解析、切分、检索与评估同样关键 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用 20 行不依赖任何库的代码,亲手演示一遍 RAG 的核心机制 ✓ 看懂 3 个核心概念:什么是幻觉、什么是 RAG、什么是"上下文" ✓ 建立 RAG 的"两条链路"心智模型(这张图决定了本书后面 9 章的顺序) ✓ 学会判断…

#RAG#检索#项目实战

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：… Part 2。 🚀 Part 1 · 主线实战｜ ~50% 这部分零基础也能跟着做。读完你能在本机用 30 行代码切完一份 PDF,并亲手重现一个教学用的失败场景。在开始之前你需要: ✅ 本次验证使用Python3.12.14；先准备Python3.12和独立venv ✅ 能 pip install ✅ 能看懂基础 Python(变量、函数、for 循环) ✅ 一份允许处理的测试PDF；可提取文本可直接切分，扫描件需先OCR，空文本要检查解析结果。教学示例不需要真实…

#RAG#检索#项目实战

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…hunk，写进向量库，然后在同一个接口里提问并生成答案。本机演示时，这样很直观。可一旦真的有用户上传文档，问题就出现了。复杂 PDF 解析可能持续很久，某一页 OCR 失败，部分 Chunk 已经写入，用户却不知道任务进行到哪一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统应该怎样拆？离线入库、在线问答、数据存储、权限、降级和监…

#RAG#评测与上线#RAG 系统设计

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：完整数据链路：5个关键阶段 1. 文档加载与解析技术要点：支持PDF/Word/HTML/扫描件等多格式，处理版面分析（Layout Parsing）性能影响：解析失败直接导致信息丢失；复杂表格/图文混排需专用工具（如Unstructured、Marker）关键决策：是否保留结构信息（标题层级、表格单元格关系） 2. 文本清洗与标准化去除页眉页脚、编码异常、冗余空格统一术语表达（可选：NER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 …

#字节#文档处理#向量检索

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：…一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页脚、统一编码、过滤低信息密度内容元数据绑定：保留标题层级、来源URL、时间戳，用于过滤和重排序嵌入模型选择选型三要素：维度考量语…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…标准化接口自由组合。五大核心组件组件职责典型场景 Model I/O 统一封装各厂商LLM接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入 …

#快手#评估与监控#Agent

面试题·RAG

RAG 完整流程分几步？

匹配正文：…了分核心概念 RAG 流程是指把原始文档加工成可检索的知识库，并在用户提问时检索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成五步。前三步离线完成，后两步在线执行。五步详解文档解析：把 PDF、Word、网页等各种格式的原始文档，转换成干净的纯文本。作用是“去壳取肉”——去掉页眉页脚、乱码、排版噪声，只留下有用内容。解析得脏，后面全部遭殃。分块（Chunking）：把长文本切成一段段大小合适的“知识块”。因为检索是按块进行的，块的边界决…

#入门#基础概念#RAG流程

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：答案要点离线索引流程（文档解析、分块、向量化、存储）在线检索流程（查询改写、向量检索、重排序、上下文组装）关键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用B…

#百度#RAG技术架构#RAG 工作流程

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…动讲清楚。学完你能把"RAG 整体架构"画出来、讲明白每一块为什么这么设计。 2.1 四大模块,各管一摊 RAG 的四大模块 ① 解析·切分·入库(离线):把 PDF/Word/PPT/视频变成干净、带结构、可检索的知识块。这一摊的质量是整个系统的天花板:正所谓 Garbage in, garbage out(垃圾进、垃圾出)。对应第 3、4 章。 ② Query 理解与路由(在线):用户提问进来,先读懂"到底问什么":意图识别、Query 改写/扩写、多轮指代消解。它是系统…

#RAG#检索#项目实战

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…按项目结果写: 写法问题更好的写法熟悉 RAG、Prompt、Agent 太空,无法追问设计并实现课程资料 RAG,覆盖 PDF 解析、向量检索、重排、引用溯源和离线评估使用 LangChain 搭建问答系统像教程复刻针对制度类问答 badcase,调整切块和混合检索策略,提升召回质量并记录错误分类了解 DPO 和 SFT 只写概念构造多模态问答偏好样本,比较 SFT 与 DPO 在格式遵循和答案质量上的差异写完简历后,按简历项目追问模板逐条问自己:“这个…

#求职#职业转型

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：…都套同一个数字，表面上实现统一，实际是把复杂度转移给检索和生成。一条可落地的切分链路是什么？切分不应该从整篇纯文本开始。文档解析阶段已经拿到标题、段落、列表、表格、图片说明、代码块、页码和布局区域。切分器应当利用这些结构，而不是先把它们拍平成字符串，再尝试猜回原来的关系。可以把完整链路分成五步。第一步，形成原子单元。标题、正文段落、列表、表格、图片说明和代码块先按类型整理。属于同一个段落 ID 或布局区域的碎片先合并，不能因为 PDF 换页就立即断开。第二步，按…

#RAG#切分与索引#RAG Chunk

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段落的主要语义通常来自句子顺序。只要尽量在句号、段落和标题边界切分，单个 Chunk 往往还能独立阅读。表格不同。一行里的值要结合表头才能解释，一张表还可能依赖表题、单位、合并单元格和前后注释。把文字按阅读顺序摊平之后，“华东、二级…

#RAG#切分与索引#RAG 表格切分

求职指南·求职

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…西对照。标准反例(还是 demo) 正例(能写进简历) 有真实业务问题「我做了个聊天机器人」「给某垂直领域的 300 份 PDF 做问答,解决人工查条款慢的问题」有技术决策和权衡「用了 LangChain 和向量库」「按语义切块,因为固定长度切会切断条款;向量库选 X 是因为要本地部署」有量化结果「效果不错,能回答问题」「自建 50 题评估集,召回率从 62% 调到 81%,P95 延迟 1.4s」扛得住三层追问问「为什么不用别的方案」就答不上每个技…

#求职#职业转型

面试题·Agent

缓存能省调用，为什么 Deep Research 反而可能拿旧资料回答“最新”？

匹配正文：…一页面针对不同研究目标，抽取片段不同。键除了页面版本，还要包含当前问题或抽取目标、抽取器版本和输出 Schema。第四层是结构化解析与计算。 PDF 解析、表格清洗和确定性计算可以按输入内容哈希、代码或解析器版本缓存。输入不变时更容易复用。第五层是最终回答或研究报告。这一层风险最高。它绑定用户任务、证据版本、权限、时间和交付范围。很多情况下只适合复用中间证据，不适合直接返回旧报告。不同缓存层的复用价值与新鲜度风险越接近最终结论，缓存越需要绑定任务、证据版本和权限。 …

#Deep Research#研究工具与稳定性#Deep Research 缓存新鲜度