匹配正文：…别字,和知识库里"保险费用报销流程"这种规范标题字面对不上,一条都召回不到。这些问题,检索和排序再强也可能救不了,因为送进去的 query 本身就是残缺或跑偏的。可以增加"先读懂、再改写"的处理:指代消解 + 重写 + 扩写,并用标注查询集分别测量改写前后的召回、延迟和误改率。一句话:检索的上限,从用户按下回车那一刻就定了。先把问题理顺,后面才有的救。这一章,我们就先用一段零依赖代码,亲手看"改一改问题"对召回有多大影响。 3 个核心概念(先白话,再术语) 概念 1:什…

#RAG#检索#项目实战

面试题·评估· 字节

Query改写怎么训练与评估?

匹配正文：答案要点 Query改写的3种实现方式（规则/模型/混合）数据采样的分层策略（高频意图覆盖、长尾增强、负样本构造）离线评估指标（改写准确率、意图一致性、下游任务增益）在线评估指标（任务成功率、Agent协作轮数、用户满意度） A/B实验设计要点 Query改写的常见实现方式方式核心思路适用场景规则模板基于正则/关键词映射，如"查一下"→"查询" 高频、意图明确的头部Query 生成式模型用Seq2Seq或LLM直接生成改写结果复杂、长尾、需要语义理解的Qu…

#字节#评估与监控#Agent

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：Query改写的核心目标将用户原始Query转化为检索友好的形式，解决语义鸿沟、歧义、上下文依赖等问题，提升召回率和相关性。三类创新方法及优势 1. 同义扩展（Lexical Expansion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语…

第 1 / 6 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

#京东#Query改写#Query 改写

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…后去重聚合子问题分解复杂多跳问题拆解为原子问题链，逐层检索（如"2024年X公司营收→其CEO是谁→CEO背景"）历史会话改写多轮对话场景结合上文指代消解，生成独立完整的 standalone query 关键取舍：改写次数 vs 延迟——通常线上用1-2层改写，复杂场景走异步多路召回。检索后提示词构建结构模板（按优先级排序）：【角色】你是{领域}专家，基于提供的参考资料回答问题【约束】仅使用<reference>内容，无法回答时明确说明【参考资料】 <…

#百度#小鹏#美团

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：答案要点 query改写的常见策略（扩展、分解、澄清、假设文档嵌入）提示词构建的核心要素（系统指令、上下文组织、引用标注、不确定性处理）实际工程中的权衡取舍（延迟vs质量、成本vs覆盖）一、Query改写策略 1. 查询扩展（Query Expansion）同义词/近义词扩展：用LLM生成语义等价表述，提升召回率 HyDE（假设文档嵌入）：让模型先写"理想答案"，用答案去检索而非原始query 子查询生成：将复杂问题拆为多个子问题并行检索，适合多跳推理场景 2. 查询…

#百度#小鹏#美团

面试题·RAG

Query 重写、扩写和 HyDE，应该在哪些查询上启用？

匹配正文：…档里的表达，系统需要覆盖不同措辞。第三句只有一个抽象概念，信息太少，向量很容易飘到一堆相近主题。这三类问题都可能被笼统地归入“Query 优化”，但适合的处理方法并不一样。如果不分类型，每个问题都先交给大模型改写，不仅多一次调用，还可能把原本清楚的编号、否定和限制条件改错。重写、扩写和 HyDE 分别解决什么？ Query 重写追求的是“把问题说完整”。用户问“这个怎么申请”，系统要结合有限的对话历史，把它恢复成类似“年假怎么申请”这样可以脱离上下文独立理解的问题。…

#RAG#检索与重排#RAG Query 重写

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：… 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系统返回的每条候选都可能看起来相关，但只有能够直接支持参考答案的原文，才是这次问题应该追踪的…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…甚至每个关键词都能命中。但相关性不能替代时效性。搜索前应优先检查文档状态和版本，无法确认当前有效版本时，回答要明确边界。第三种，Query 重写改变了原意用户问：“这个现在不能申请了吗？”重写模型却把它改成“这个如何申请”。改写后的问题更容易搜到申请流程，但把否定关系弄丢了。例如，改写后没有合格结果时，可以再用原问题检索。同时要保存两次检索的候选，用连续对话与换题样本检查回退究竟救回了什么，又引入了什么噪声。更稳妥的做法还要保存原 Query、改写 Query 和两边…

#RAG#生成与对话#RAG 无答案检测

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时，应该听谁的？为什么直接拼历史会出问题？多轮问答里至少有三类信息。第一类是当前问题。它决定用户此刻真正想问什么。第二类是最近对话中的必要上下文，比如产品名、对象、时间或上一轮确认的条件。第三类是与当前问题无关的旧内容，比如用户之前问过另…

#RAG#生成与对话#多轮 RAG

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：…er拼接输入做交互注意力，相关性判断更准确实践：先用向量检索召回100条，再用轻量重排模型筛Top5，平衡延迟与效果 3. 查询改写（Query Rewriting）原理：原始查询可能表述模糊或与文档措辞不一致。通过LLM扩展同义表达、生成伪答案、或HyDE（假设文档嵌入）——让模型先写理想答案，再用答案向量去检索典型场景：用户问"怎么省钱" → 改写为"降低成本的策略/方法/技巧" 其他补充手段上下文压缩：检索长文档后，用LLM提取与查询相关的片段，减少噪声元数据…

#字节#Query Rewriting#RAG 检索模块

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…g）：让LLM先生成假设答案，用答案去检索而非原始问题 Query2Doc：类似思路，用少量生成内容扩展查询语义多查询扩展：一个query改写成多个不同表述，分别检索后合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融合专业术语、专有名词多的场景稀疏-密集结合 SPLADE等学习式稀疏向量，弥补纯向量盲区长尾实体、ID类查询图…

#字节#HyDE#RAG 检索质量

项目实战·RAG

RAG 智能问答系统

匹配正文：…。只依赖关键词时可能漏召回；只依赖向量时也可能把语义相近但条件不同的内容混在一起。风险等级：P1。检查重点：把关键词、向量与 Query 改写作为候选方案做消融，不能预设混合检索一定更好。阅读第 5 章：检索召回 · 混合检索 OCR 遮挡导致关键字段误读教学风险演练:扫描件中的印章、表格线或低清噪声遮住金额、日期等关键字段，OCR 结果可能少字或错字。如果错误文本直接入库，后续检索和生成无法自行恢复原值。风险等级：P1。检查重点：对关键字段设置人工抽检、置信度阈…

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉归因与四类治理 RAG 评估指标(Recall@K / MRR / LLM-as-Judge) 检索权限前置过滤与上线回归第一部分 · 先证明你理解完整链路先把这部分当成模拟面试。不要背示例项目，先在纸上写下自己的资料类型、请求链路和负责范围。面试官：请用…

#RAG#项目深挖#教学复原

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…目线对应两种简历打法: RAG 智能问答系统:适合大多数后端、Java、信息系统、企业知识库方向。它覆盖文档切分、向量检索、重排、Query 改写、记忆、引用、评估。 Deep Research Agent:适合想冲 Agent、研究助手、自动化调研、工具调用方向的人。它覆盖 ReAct、长程任务、工具网关、记忆、训练数据、评估。研一/研二如果时间够,可以 RAG 做主项目、Agent 做加分项目;在职后端先把 RAG 做深,再把自己原来的业务背景换进去,比如保险条款、客服…

#求职#职业转型

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…让模型自主做长期规划。 Agentic RAG 把检索从固定步骤变成 Agent 可以反复调用的工具。模型看到第一次结果不够，可以改写查询，再查一次或打开某个候选来源。它适合一次检索经常不够，但任务仍以“回答当前问题”为主的场景。 Deep Research 的目标不再是一段即时回答，而是一轮完整研究。系统要先明确任务边界，拆开多个子问题，选择工具，反复查找和阅读，识别证据缺口，处理来源之间的冲突，最后交付带出处的结构化报告。三者构成一条能力和成本逐步增加的光谱，并非互相替…

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

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…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。它是系统的**"调度员 + 翻译官"**。对应第 7、8 章。 ③ 检索召回 + 重排(在线):从海量知识里把最相关的几块捞出来,是系统的**"搜索引擎"**。对应第 5、6 章。 ④ 上下文问答(在线):把捞回的资料拼成上下文,让大…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…调切块策略和 Embedding 选型 chunk size 为什么这么设? overlap 怎么定? 下午加混合检索、重排或 Query 改写 BM25 和向量检索怎么融合? RRF 的 k 怎么解释? 晚些做评估集和错误分类 Recall@k、MRR、答案正确率怎么量化? 发布前加引用溯源、拒答、权限过滤没依据时怎么拒答? 不同用户能不能看到同一份文档? RAG 很适合后端转型,因为它一半是数据管线和服务系统,一半是模型行为。站内的RAG 智能问答系统就是按这个链…

#求职#职业转型

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…由几个来源互补而成: 种子数据来源:真实日志挖掘 / 专家编写 / LLM 扩写,互补构成真实日志挖掘:从已上线系统的真实用户 query 里提取、聚类、挑高频高价值的。最贴近真实分布,通常是主力来源。专家编写:领域专家按场景补写,覆盖日志里没有、但重要的场景(冷启动、边角 case)。 LLM 扩写:用强模型对已有种子做改写、变体生成,快速扩量。业内行话:种子数据的分布比数量更重要。面试能讲「我会让种子覆盖不同领域 × 不同问题类型 × 不同难度,而不是一股脑堆同质问…

#Agent#Deep Research#项目实战

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…排错"demo(零依赖)和真实精排示例都在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:检索召回 | 下一章:Query 理解与改写 → | 回到项目首页

#RAG#检索#项目实战

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…模型/API链路分开验证本章的多轮记忆 demo(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:Query 理解与改写 | 下一章:上下文问答与引用溯源 → | 回到项目首页

#RAG#检索#项目实战

面试题·Agent

Agent 工具返回成功就算完成了吗？调用、执行、业务成功要分三层判断

匹配正文：…功执行，但没有找到相关资料，这属于“执行成功、业务未满足”。程序不应把它当异常无限重试，也不应让模型编造一个答案。正确下一步可能是改写查询、换数据源、请求用户缩小范围，或明确当前没有证据。数据库查询返回空，也可能是合法事实。需要先区分资源确实不存在、用户无权看到、筛选条件过严、数据同步延迟和参数错误。若工具把这些情况都返回空数组，Agent 无法正确决策。工具契约应尽可能提供可公开的原因状态，权限细节又不能泄露给无权用户。空结果评估要看系统有没有产生新信息。如果只是连续用…

#Agent#工具调用与安全#Agent 工具成功判断

面试题·RAG

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…值。所以，混合检索的意义并不是宣布哪一路更高级。它把两路各自擅长的候选带到同一个后续排序环节，让系统有机会同时保留精确词项和语义改写。追问二：两种检索怎样在一次搜索中配合这里的 Query 是用户的问题，Chunk 是从资料中切出来的一段原文，候选集则是检索系统认为“可能有用”、准备继续排序的一批原文段落。一次混合检索可以分成四步：先接收问题；再分别按原词和按意思找资料；同时限定只在当前知识库和允许使用的文档中搜索；最后把两路结果合并，得到一批候选原文。这个阶段只负责…

#RAG#检索与重排#RAG 混合检索

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：…把“当前版本”和“历史版本”都规范成同一查询就会损害语义。规范化规则同样需要版本和回归测试。查询重写后，缓存应该按原问题还是新 Query？多轮研究常把用户原话改写成独立查询，也会为同一缺口生成多个搜索表达。只按原问题缓存，两个语义相同但说法不同的请求无法复用。只按改写 Query 缓存，模型一次不稳定改写又可能让错误结果长期命中。更稳妥的做法是同时保留用户任务 ID、当前缺口 ID、原问题和规范化查询。Search 缓存可以按规范化查询复用候选，但证据状态仍记录它服…

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

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…用向量行不行、混合提升了多少" 重排与检索优化加 rerank 前后的指标变化 "rerank 解决什么问题、值不值这点延迟" Query 理解与改写改写/扩写对难 query 的效果 "用户问得含糊你怎么办" 多轮与记忆多轮指代消解的处理 "第二轮'它呢'你怎么接住上文" 引用溯源答案带引用、可回溯到原文 "怎么防止它编、答案能不能定位来源" 系统评估与上线评估集 + 指标 + badcase 闭环 "召回率/忠实度怎么量、错了怎么迭代" 看完这张表你会发现:证据…

#求职#职业转型