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

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：📊 学习时长:40-55 分钟 🎯 完成后能力:能讲清在线检索前为什么要先"读懂、改好"用户问题,并掌握意图识别、重写、扩写、HYDE 🔗 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:用一段零依赖代码,看到"重写"和"扩写"怎么把检索不到的问题救回来 ✓ 看懂意图识别的三条路线(规则 / BERT 分类 / LLM Prompt)及各自适用场景 ✓ 分清 Query 重写(求"准")和 Query 扩写(求"全…

#RAG#检索#项目实战

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…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. 语义重写（Semantic Rewriting）做法：用Seq2Seq或LLM直接改写Query，改变句式但保留意图优势：解决口语化、不完整Query（"那个红色的"→"红色连衣裙"）消除歧义（"苹果"→根据上下文判定为手机/水果）可融入领域知识（如电商属性规范化）典型技术：T5/BART微调、LLM Prompt工程（"请将以下Query…

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

#京东#Query改写#Query 改写

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：…件更新后，还要确认正确证据属于当前有效版本。旧版和新版同时存在时，检索可能找到一条语义高度相关、业务上却已经失效的内容。第二层，Query 有没有被处理错？很多检索问题不是模型不够强，而是送进检索的 Query 已经偏离用户原话。需要同时保存原 Query 与改写 Query。多轮问题里，“这个怎么申请”需要结合历史补全对象，但历史中有多个实体时，重写可能选错。否定问题里，“哪些情况不能申请”如果丢掉“不”，检索方向会完全相反。精确编号、错误码和产品名如果被改成自…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配标题与标签：多轮 RAG 如何理解“这个怎么申请”？围绕多轮问答链路，拆解代词、省略和话题切换如何识别，独立 Query 如何生成与回退，并用连续追问、新话题和歧义样本验证。 RAG RAG 生成与对话多轮 RAG Query 重写指代消解话题切换 RAG 面试题

#RAG#生成与对话#多轮 RAG

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·检索· 阿里

RAG检索器与索引结构怎么选？

匹配正文：…内存+磁盘混合十亿级大规模关键调参：efConstruction（建图质量）、M（邻居数）、nprobe（搜索桶数）三、查询重写（Query Rewriting）核心问题：用户原始query短、歧义、与文档表述不一致技术做法 HyDE 用LLM生成伪答案，再向量化检索 Query2Doc 生成伪文档扩展query Step-back 抽象出高层概念再检索子查询分解复杂query拆成多个子问题历史上下文补全多轮对话中补全指代消解四、进阶优化重排序（Rer…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…检查embedding/索引问题低质量结果：有结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再用该文档embedding检索子问题拆分：复杂问题拆为多个子查询分别检索 3. 检索侧增强多路召回：向量检索 + 关键词BM25 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模…

#百度#小鹏#美团

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…"展开成端到端骨架,亲手跑通"建库 → 提问 → 召回 → 拼上下文 → 回答" ✓ 看懂 RAG 的四大模块(解析切分入库 / Query 理解 / 检索召回重排 / 上下文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + 两阶段(粗排→精排)"的漏斗 ✓ 想通一个关键问题:为什么离线要同时建"向量库 + 倒排索引"两套索引 ✓ 建立"模块联动"的全局视角:一处没做好会顺着链路放大本章按三段式组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part …

#RAG#检索#项目实战

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…真实系统的什么? 你的滑动窗口 + 摘要 = 短期记忆的历史选择 + 裁剪; 你的 resolve() = 指代消解(本质是一种 Query 重写,信息来源是对话历史); 你的 last_entity = 一个极简的对话状态。真实系统会把这套做得更聪明(模型抽实体、LLM 摘要、相关性召回历史)。 🎯 Part 2 · 面试深度｜ ~40% 这部分讲生产级记忆系统:短期记忆的策略、长期记忆的存储与遗忘、用户画像,以及和上一章的关系。 2.1 短期记忆:三种历史选择策略「…

#Agent#Deep Research#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：…数据库,是否用 LLM 摘要要按质量、延迟和成本实测; 你的 resolve()(把"它"补全) = 指代消解,本质是第 7 章 Query 重写的一种,只是信息来源是对话历史; 你这个"先补全、再检索"的流程 = 多轮 RAG 在线链路里,记忆模块坐在检索之前的位置。你手搓的是它最朴素的样子;Part 2 讲工程系统可以怎样选历史、控制上下文、管理长期记忆和用户画像。这一节你掌握了什么? ✅ 记忆模块是什么、为什么多轮对话离不开它 ✅ 短期 / 长期记忆的区别 ✅ 亲手…

#RAG#检索#项目实战

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：…去掉空白、统一大小写通常安全，但把“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…

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

面试题·Agent

简单问答怎样升级成真正需要多步研究的问题，又不把题目编坏？

匹配正文：…行复用。新问题应生成新的参考答案与证据。四种方法怎样选择？图路径适合需要显式多跳与可验证关系的任务。迭代升级适合从真实简单 query 逐步增加对象和约束。形式化组合适合精确控制推理层级与输出结构。实体替换适合快速扩展同类问题，但必须强验证事实与多样性。它们不是互斥的。可以先用图或结构确定证据骨架，再用迭代变换和自然语言改写增加表达多样性。选择依据是目标能力、可用语料、验证成本和失败类型，不是哪种方法名字更新。任何方法都必须进入相同质量门，不能因为结构复杂就降…

#Deep Research#数据构造与训练#Deep Research 复杂问答

面试题·Agent

Text2SQL 生成的 SQL 敢直接执行吗？安全校验与执行边界怎么设计

匹配正文：…单、脱敏或聚合结果控制。不能只要求模型在 WHERE 里加 tenant_id。模型可能漏掉、写错或被注入移除。租户约束应由查询重写器或数据库策略强制，用户生成 SQL 无法绕过。错误信息也要防泄露。无权访问和资源不存在有时不能区分得过细，否则攻击者可用查询探测 Schema。内部 Trace 保留准确原因，对外返回最小可读信息。查询账号坚持最小权限。默认连接只读副本或只读角色，不拥有 DDL、DML、管理函数和跨域权限。应用层校验即使有漏洞，数据库仍有最后一道边界。 …

#Agent#工具调用与安全#Text2SQL SQL 安全

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度计算 2. 分层检索策略层级内容权重动态调整当前轮用户最新query 意图切换时↑ 近轮上下文前2-3轮关键信息追问场景↑ 全局摘要历史对话压缩长对话时↑ 3. 查询重写与扩展共指消解：将"它"、"这个"替换为具体实体意图感知扩展：根据对话状态补充隐含条件时间衰减：早期轮次信息权重指数下降 4. 检索结果重排序最终分数 = α·语义相似度 + β·状态匹配度 + γ·时效性 5. 关键实现…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…盾：Embedding模型训练目标（语义相似）与RAG业务目标（任务相关）存在错位。解决策略（分层处理） 1. 查询侧优化查询重写（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rerank）：用Cross-Encoder等交互式模型精排，捕捉细粒度相关性负样本硬…

#Embedding#Rerank#RAG 检索相关性

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…索引，检索时多路召回（历史索引+增量索引），结果融合排序美团外卖场景：新商家/新菜品实时入增量索引，避免全量重建延迟 2. 查询重写与扩展用LLM将用户query改写为多个视角（时间敏感型、通用型），分别检索后聚合例："附近好吃的" → 扩展为"2024新店推荐"+"高评分老店" 3. 自适应向量微调收集新文档的点击/转化反馈，用对比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签…

#美团#模型微调#RAG检索偏差

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…ssage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生成内容有检索文档支撑，可溯源验证知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：一、查询侧优化（让问题更清晰）查询重写/扩展 HyDE（Hypothetical Document Embedding）：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…

#字节#HyDE#RAG 检索质量

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…引用来源生成控制：引用溯源：要求模型标注信息来源块拒答机制：检索置信度低时触发"信息不足"回复多轮优化：检索失败时自动扩展Query重写关键工程细节环节典型选型注意点 Embedding BGE-large-zh 领域适配需微调向量DB Milvus 考虑增量更新与版本管理重排序 BGE-Reranker-v2 计算成本高，控制候选规模幻觉控制引用+置信度阈值不能100%消除，需人工兜底高德场景下，地图POI、实时路况等结构化数据需特殊处理：先SQ…

#高德#RAG#RAG 工作流程

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：…索上下文+用户问题，要求"仅基于上下文回答，不确定则拒绝" 后处理：答案溯源（标注引用来源）、幻觉检测、流式输出完整数据流用户Query → 查询理解/重写 → 向量检索(Top-K) → Rerank精排 → 上下文拼接 → LLM生成 → 带引用的答案关键优化点环节典型问题解决方案分块语义割裂递归分块、语义分块（基于Embedding变化点）检索长尾Query失效查询扩展、多向量表示（ColBERT）生成上下文淹没压缩摘要、选择性注入相关片段

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 高德

语义检索向量数据库构建流程

匹配正文：… 分片策略：按地理区域或业务线分片，查询路由到指定分片冷热分离：高频查询向量放内存/SSD，冷数据压缩归档 5. 查询优化查询重写：Query2Doc扩展、同义词改写，解决语义鸿沟两阶段检索：向量召回Top-K → 精排模型（Cross-Encoder）重排序缓存策略：热门Query的向量结果缓存，Embedding结果缓存

#高德#评估与监控#向量数据库构建

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone），可叠加倒排索引做混合检索 2. 检索阶段（在线） Query改写：扩展、澄清用户问题，提升召回率相似度计算：余弦相似度/IP距离，Top-K召回重排序（Rerank）：用Cross-Encoder精排，过滤低质片段 3. 生成阶段上下文组装：检索结果 + 用户Query → 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说明企业知识问答内部文档、规章制…

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…境你必须大量裁剪，不然延迟和成本都扛不住。所以我的感觉是，LangChain更适合快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过…

#阿里云#评估与监控#Agent