匹配正文：…考依据，不能"脑补" 4. 多租户隔离场景 SaaS服务不同企业客户——各客户数据隔离在各自知识库，同一模型服务多方一句话总结 RAG用"查资料"替代"背知识"，在知识动态、来源重要、成本敏感的场景下，是比SFT更灵活的工程选择。两者并非互斥，实践中常先RAG打底，再SFT优化生成风格。学习建议掌握RAG与SFT的基本原理，对比其在知识更新、数据隐私和推理可解释性方面的差异，结合实际应用场景理解优势。

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Faiss…

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

#字节#检索生成流程#RAG 实现

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配题目：RAG技术主要解决了大模型应用中的哪些核心问题？请结合实际应用场景说明其价值。

#美团#知识增强#RAG 核心问题

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· 阿里

Multi-modal RAG 是什么?

匹配正文：答案要点明确多模态RAG的定义（支持文本、图像、视频、音频等多模态输入和检索）技术挑战（跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（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…

#阿里#多模态#Multi-modal RAG

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配标题与标签：RAG 技术原理与核心组件详解工作流程、优势挑战及实际应用场景分析 RAG 百度 RAG核心组件 RAG 技术原理 RAG 核心组件 RAG 工作流程 RAG RAG 优势挑战百度

#百度#RAG核心组件#RAG 技术原理

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…ion）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手学术研究、投资尽调医疗/法律条文查询需要多源交叉验证的复杂决策优缺点 RAG ✅ 成本低、延迟可控、结果稳定 ❌ 无法处理需要多跳推理的开放问题 Deep Research ✅ 信息覆盖全、推理深度强、可溯源 ❌ 成本高（t…

#Deep Research#RAG#Deep Research vs RAG

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·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配题目：请列举当前主流的Agent开发框架（如LangChain、LlamaIndex等），并对比说明它们的核心功能、技术定位以及在RAG和Agent系统构建中的典型应用场景。

#阿里云#Agent#Agent 框架对比

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配正文：…分块等）及边界处理向量归一化的作用与L2归一化实现余弦相似度的数学原理与计算优化 ANN近似最近邻算法（HNSW、IVF等）的应用场景一、嵌入模型选型场景推荐方案特点通用中文 BGE-large-zh、M3E-base 开源、可私有化部署多语言 E5-multilingual、OpenAI text-embedding-3 跨语言检索能力强垂直领域领域微调（如法律、医疗）用领域数据微调通用模型关键考量：维度（通常768/1024/1536）、上下文长度…

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配题目：请详细解释检索增强生成（RAG）架构如何通过引入外部知识源来缓解大语言模型的幻觉问题，阐述其在实际系统中的实现机制、核心优势、典型局限性，并结合应用场景说明其设计考量与优化方向。

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配题目：检索增强生成（RAG）如何通过引入外部知识来提升大语言模型的生成质量？请从减少幻觉、提高事实准确性、增强上下文相关性等方面，系统阐述其作用机制与实际价值，并结合应用场景说明其对生成结果的优化效果。

#淘天#事实准确性#RAG 减少幻觉

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配题目：在RAG系统中，当新文档与历史文档存在语义或分布差异时，可能引发检索偏差，影响系统鲁棒性。请结合实际应用场景，提出可行的技术策略，并解释其如何缓解此类问题。

#美团#模型微调#RAG检索偏差

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：答案要点理解GraphRAG的核心创新：从"文本块检索"到"图结构知识检索" 能对比传统RAG在全局性问题上的局限掌握GraphRAG的构建流程（索引构建→社区检测→查询生成）能举例说明图结构数据的具体应用场景理解其在多跳推理、关系推理上的优势 GraphRAG 核心原理本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。构建流程：索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配题目：在哪些应用场景下更适合使用GraphRAG而非传统RAG？GraphRAG相比传统基于向量检索的RAG有哪些核心优势和适用条件？

#腾讯#知识图谱#GraphRAG vs RAG

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：… 实现方式： CLIP-based双塔：图像和文本共享嵌入空间，用FAISS/Pinecone构建多模态向量库多模态LLM + RAG：GPT-4V/InternVL等原生支持图像输入，检索阶段返回图像+文本混合上下文应用场景：电商客服：用户上传商品瑕疵图 → 检索相似案例图+解决方案文本医疗诊断：CT影像 + 病历文本联合检索，辅助报告生成工业质检：视频流关键帧检索，定位故障历史记录学习建议建议先掌握传统RAG和多模态基础概念，再结合论文与开源项目理解跨模态对…

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…e的多模态索引，或分离存储+联合检索 3. 生成器多模态LLM：GPT-4V、Qwen-VL、LLaVA 接收图文交错输入典型应用场景电商商品问答：用户上传商品图+提问，检索详情页图文信息研报/财报分析：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain…

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配题目：请解释检索增强生成（Retrieval-Augmented Generation, RAG）的基本概念、核心架构组成及工作流程，说明其解决的关键问题，并对比分析在哪些应用场景下RAG优于纯参数化记忆的大模型，举例说明其优势与局限性。

#淘天#阿里#RAG 架构

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配题目：请详细描述如何为专业领域（如医疗或法律）构建一个高质量的检索增强生成（RAG）系统或智能助手，涵盖架构设计、数据源选择与处理、检索系统构建、生成模型优化、安全合规保障以及多环节集成等关键方面，并结合实际应用场景说明各模块的设计考量与协同机制。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配题目：在构建面向专业领域（如医疗或法律）的智能助手时，应如何系统性地设计与优化检索增强生成（RAG）的整体链路？请详细阐述文档预处理、索引构建、检索策略选择、结果重排序、生成内容融合及输出优化等关键环节，并结合实际应用场景说明各阶段的技术选型依据与改进方向。

#字节#重排与优化#RAG 链路优化

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…频更新场景 3. 幻觉缓解机制：检索上下文约束生成空间，减少模型"自由发挥" 局限：检索失败时仍可能幻觉（需结合拒答策略）典型应用场景企业知识库：对接内部文档，解决大模型无领域知识问题智能客服：实时检索最新产品信息，避免过时回答专业问答：法律/医疗领域，要求答案可溯源关键权衡：检索质量决定上限，需持续优化切分策略、Embedding质量和召回精度。学习建议建议先掌握大模型基础原理，再学习信息检索与向量数据库技术，结合开源项目如LangChain动手实践RAG流…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配正文：…完整数学公式及各参数含义（k1, b）能对比BM25与TF-IDF的优劣（BM25对长文档更友好、有非线性饱和）了解BM25在RAG中的典型应用场景（粗排、混合检索）知道BM25的局限性（语义理解缺失，需配合向量检索）核心思想 BM25（Best Match 25）是基于概率检索框架的改进算法，核心洞察：词频贡献存在饱和效应——一个词出现10次和100次的区分度，远不如出现1次和10次。同时引入文档长度归一化，解决长文档天然词频高的问题。数学公式单查询词得分： \…

#高德#BM25评分公式#BM25 算法原理

面试题·评估· 京东

NDCG 怎么计算?

匹配题目：…counted Cumulative Gain）的计算公式和步骤，说明IDCG和DCG的含义，并举例说明其在信息检索或推荐系统中的应用场景。

#排序评估指标#信息检索#推荐系统

RAG 工作原理与局限怎么分析?

RAG vs SFT 场景怎么选?

RAG 检索与生成流程详解

RAG 解决了哪些核心问题?

Multi-modal RAG 原理与挑战

Multi-modal RAG 是什么?

RAG 技术原理与核心组件详解

Deep Research vs RAG 怎么选?

RAG 技术实现怎么落地?

LangChain vs LlamaIndex 在 RAG 中怎么选?

RAG向量化：分块与Embedding

RAG 缓解幻觉的机制

RAG 怎么减少幻觉?

RAG检索偏差怎么缓解?

GraphRAG原理 vs 传统RAG 怎么选?

GraphRAG适用场景 vs 传统RAG 有哪些?

多模态 RAG 与传统 RAG 差异在哪?

多模态 RAG 实现方案

RAG 核心架构与工作流程

垂直领域 RAG 完整架构

专业领域RAG链路优化陷阱

RAG 原理与核心架构

BM25原理、应用场景及与TF-IDF区别

NDCG 怎么计算?