匹配正文：答案要点 RAG（检索增强生成）= 检索 + 生成：先从外部知识库里找到相关资料，再让大模型参考这些资料来回答问题大模型的知识“冻结”在训练完成那一刻，之后发生的新事情、企业内部的私有资料它都不知道遇到不知道的问题，模型倾向于一本正经地编造，这叫“幻觉”（Hallucination，指模型生成看似合理但不符合事实的内容） RAG 用“开卷考试”的方式补知识：不改模型本身，只在回答前把资料塞进上下文三大好处：知识可以随时更新、答案可以溯源、成本远低于重新训练模型核心概念…

#入门#基础概念#什么是RAG

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配题目：在RAG（Retrieval-Augmented Generation）系统中，有哪些方法可以提升检索阶段的质量？除标准向量检索外，还可以采用哪些增强技术？

#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：…解析、分块、向量化）检索阶段的双路召回策略（向量+关键词）重排序优化上下文拼接与提示模板设计生成阶段的引用溯源与幻觉控制 RAG完整工作流程一、离线知识库构建（预处理）文档解析：处理PDF/Word/网页等多格式，提取结构化文本知识分块（Chunking）：按语义/固定长度/递归分割，通常512-1024 token，块间保留重叠防止断句向量化：用Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Faiss/…

第 1 / 10 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

#高德#RAG#RAG 工作流程

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配题目：在RAG（检索增强生成）系统中，如何优化文档的分段策略以提高检索质量和生成效果？请讨论分段长度、重叠策略和语义完整性的权衡。

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配题目：检索增强生成（RAG）方法适用于缓解哪一类幻觉问题？其有效性依赖于哪些前提条件？

#京东#知识型幻觉#RAG 幻觉

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 小鹏

RAG 失败场景诊断

匹配题目：请详细阐述评估一个RAG（检索增强生成）系统效果的主要方法和指标。

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配题目：请详细说明检索增强生成(RAG)系统的评估方法和指标体系。

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…。推理控制：要求基于证据并使用结构化输出；将计算交给代码、数据库和确定性工具。降低温度只减少采样随机性，不能修复错误知识。知识增强：RAG 提供可更新、可引用证据，并配合混合检索、重排、权限过滤和引用定位。检索错误、文档冲突、提示注入或模型忽略证据时仍会失败。后处理：拆分可验证声明，用权威数据源、规则、专用模型或人工复核。验证器也会出错，并增加延迟与成本。产品策略：展示证据和不确定性，允许澄清与“不知道”，按风险限制自动执行范围。评估应分别测检索命中、引用正确性、证…

#阿里#幻觉治理#大模型幻觉缓解

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：R…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配题目：为什么在大模型应用中引入检索增强生成（RAG）？在哪些具体场景下，RAG相比纯监督微调（SFT）更具优势？

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配题目：请详细解释检索增强生成（RAG）的工作原理、系统架构和关键优化技术。

#字节#RAG 系统架构#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?

匹配题目：请详细阐述检索增强生成（RAG）的技术原理、系统架构以及在实际应用中的最佳实践和挑战。

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配题目：请详细描述检索增强生成（RAG）的技术流程和工作原理。

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调

SFT vs RAG 知识更新

匹配题目：从知识更新灵活性、推理准确性、部署复杂度和泛化能力等方面比较监督微调（SFT）与检索增强生成（RAG）两种范式，分析它们各自的性能上限及适用场景。

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配标题与标签：RAG 解决了哪些核心问题? 大模型应用中的幻觉、知识更新与长上下文难题模型微调美团知识增强 RAG 核心问题大模型幻觉 RAG 应用场景美团

#美团#知识增强#RAG 核心问题

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配题目：请介绍GraphRAG（基于图结构的检索增强生成）方法的核心思想及其相对于传统RAG的主要创新点，例如知识组织方式、检索路径优化等方面的优势。

#美团#GraphRAG#传统 RAG 对比

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配题目：请详细介绍多模态检索增强生成（Multi-modal RAG）的技术原理、系统架构和关键挑战，并举例说明其应用场景。

#阿里#多模态#多模态 RAG

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…、操作SOP、报错案例问题-截图-解答三元组关键：用CLIP/SigLIP将组件截图编码为向量，与文档文本共享语义空间 3. 检索增强生成多路召回：视觉相似检索（找同类UI）+ 文本语义检索（找功能描述）+ 规则匹配（精确组件ID）融合排序：用轻量模型（如ColBERT）对多模态候选重排生成：输入结构化的UI上下文 + 检索到的知识，用VLM或纯文本LLM生成回答实际优化考虑问题方案延迟高预计算热门界面的解析结果；检索用HNSW近似；生成用蒸馏小模型 UI…

#字节#多模态#多模态 RAG

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配题目：当用户提供一个软件或网页界面的截图时，如何利用RAG（检索增强生成）技术帮助用户理解界面上各个组件的功能？请描述从图像理解到知识检索再到回答生成的整体流程设计。

#淘天#多模态#多模态 RAG

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模态RAG 表征空间单一文本Embedding空间需对齐文本、图像、视频等多个异构空间检索粒度文档/段落级需支持区域级（如图中物体）、…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配标题与标签：RAG Prompt 模板设计陷阱 RAG 场景下整合 top-k 检索结果,引导 LLM 生成准确输出 Prompt 商汤科技 Prompt工程 Prompt 模板设计 RAG Prompt LLM 检索增强生成商汤科技

#商汤科技#Prompt工程#Prompt 模板设计

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配正文：核心架构：三层动态增强系统 1. 漂移感知层监控信号：KL散度/JS散度计算输入分布偏移；模型置信度熵值突增；业务指标异常（转化率骤降）触发机制：阈值告警 → 自动采样 → 人工审核/自动入库 2. 知识更新层实时流（分钟级）：Kafka → Flink特征工程 → 实时数据库（Redis/HBase）批量流（小时级）：Spark生成Embedding → 增量更新向量库（Milvus/Pinecone）关键设计：双版本向量库（蓝绿部署），更新时切流量，失败秒级回滚…

#美团#分布漂移#外接数据库增强