匹配正文：…请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发"未知"回答迭代检索：多轮检索-生成，逐步细化答案（如Self-RAG）关键权衡点召回 vs 精确：分块粒度、检索Top-K数量延迟 vs 质量：是否做重排序、模型大小选择成本：Embedding调用、向量存储、生成token消耗

#高德#RAG结果融合#RAG 实现流程

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…构层面的融合设计用户Query → 意图识别（轻量模型） ↓ [并行] 检索知识库 + 检索Agent记忆（避免重复检索） ↓ 结果融合 → 相关性打分 → 低分则触发工具调用/搜索增强 ↓ LLM生成 + 引用溯源 → 返回 + 异步更新反馈缓存工程要点：将RAG封装为Agent的工具之一而非底层依赖，保持架构灵活性。学习建议建议系统学习该知识点

#阿里云#Agent#RAG Agent 延迟优化

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…导（索引偏置）；③ 相关性打分失效。技术策略 1. 动态索引与增量更新新文档单独建索引，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）…

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

#美团#模型微调#RAG检索偏差

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配正文：…写时复制保证查询不中断；分布式事务（2PC/Saga）准确性规则校验+模型打分+人工抽检三级；灰度发布，异常自动回滚 4. 与RAG的联动图谱更新后异步刷新向量索引，避免阻塞查询时双路召回：向量相似度 + 图谱结构化检索，结果融合排序字节场景的特殊考量一致性优先：电商/内容场景用强一致性，避免价格、库存等关键信息漂移分层存储：热数据Redis+温数据图数据库+冷数据湖，按访问频率动态迁移学习建议建议系统学习该知识点

#字节#Agent#知识图谱动态更新

面试题·检索· 小红书

RAG检索不准的失败场景与优化

匹配正文：…强换用/微调领域适配的Embedding模型（如BGE、GTE在垂直领域微调）混合检索：向量语义检索 + BM25关键词检索，结果融合多向量表示：ColBERT细粒度交互，解决"粗粒度向量"匹配失效 2. 查询侧优化查询改写：用LLM扩展同义词、澄清歧义（HyDE：生成假设文档再检索）查询分解：复杂问题拆分子查询，多轮检索聚合 3. 重排序（Rerank）引入轻量级交叉编码器（Cross-Encoder）精排，弥补双塔模型精度损失业务规则过滤：时效性、权威性加权…

#小红书#美团#重排与优化

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 重排序怎么选?

匹配正文：…互，token级相似度计算，兼顾效率和精度中等延迟、长文档场景多路融合向量检索 + BM25 + 稀疏向量（如Splade）结果融合数据分布复杂、单一通道不足 LLM-based重排用GPT-4/Claude等直接打分或生成排序理由极高精度需求、成本不敏感工程实践要点候选集大小：通常取向量检索Top-100~200重排，平衡召回与成本级联过滤：先用轻量模型（如bge-reranker-base）粗排，再用大模型精排Top-20 延迟优化：交叉编码器可蒸馏为t…

#字节#重排与优化#RAG Re-ranking

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/…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

匹配正文：…洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动窗口重叠（保证上下文连贯）标题层级感知（保留文…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…索生成流程（查询向量化、相似度检索、上下文组装、LLM生成）关键技术环节（分块策略、Embedding模型选择、重排序优化、检索结果融合）能区分Naive RAG与Advanced RAG的差异 RAG完整工作流程一、离线知识库构建（Indexing）步骤功能关键技术文档加载解析PDF/Word/网页等多源格式 OCR、表格识别、版式分析文本分块将长文档切分为语义完整的片段固定长度/递归/语义分块；块大小通常256-512 token 向量化将文本块转…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配题目：在RAG系统中，选择文本向量编码模型时需要考虑哪些技术指标和性能因素？

#百度#评估与监控#向量检索

面试题·检索· 字节

RAG 重排作用与实现

匹配口述回答：这道题其实问的是[[RAG]]系统里召回和[[重排]]的职责分离，为什么不能一步到位。我的理解是，召回阶段追求效率，用[[Bi-Encoder]]把query和doc分别编码成向量，然后近似检索，这个阶段能快速拿到几百个候选，但精度有限。因为向量相似不总是等于真实相关，比如用户搜“退款流程”，向量可能召回“退货地址”，语义上相关但实际不是用户要的。重排就是专门解决这个问题的，用更精细的模型在几十毫秒内把这批候选重新打分排序。具体来说，重排有几个关键作用。首先是语义精排，召回…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：…度或点积计算语义相关性能捕捉同义词、上下位词等语义关系，如"苹果手机"≈"iPhone" 混合检索并行执行BM25和向量检索，结果融合（常用RRF倒数排序融合或加权求和） RRF公式：score = Σ 1/(k + rank_i)，k通常取60，对排名敏感而非绝对分数关键维度对比维度 BM25 向量检索混合检索准确性关键词匹配准，语义漂移大语义理解强，可能引入噪声兼顾两者，上限最高召回率低（同义词漏召）高（语义扩展）最高计算开销极低（倒排索引，…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配口述回答：…。举个例子，一个企业知识库，既有员工问"年假几天"这种事实问题，也有总监问"今年各部门的常见痛点是什么"这种抽象问题。我会把传统 RAG 和 GraphRAG 都部署上，查询时先判断意图，如果问题是具体的就走向量检索，如果是抽象的就走图检索，甚至可以把两者结果融合，比如先用图找相关社区，再用向量在社区内精搜。这里有个坑：GraphRAG 的索引成本很高，因为每一步都要调 LLM，而且图谱质量完全依赖抽取效果。如果文档噪声大、实体识别不准，后面的社区划分和摘要都会跟着错。常见…

#字节#知识图谱#GraphRAG 原理

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…配比如订单号、错误码就抓瞎。所以真正落地我会上[[Hybrid Search]]，向量加关键词，比如[[BM25]]，两条路都跑，结果融合。举个例子，客服场景用户说“我退款了但没到账”，向量能召回相似语义的退款政策，BM25能精确命中“退款”这个词。如果只做向量，那精确信息的召回率会低得没法用。还有一个常见失败场景：查询很短，比如就一个词“退款”，向量召回的结果可能偏，因为语义太宽。这时候我会加查询改写，用大模型把查询扩写成更具体的句子，或者用多向量表示，让查询和文档多角度…

#字节#向量语义召回#Embedding 语义召回

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配口述回答：…而不只是随便问问。所以我会从三个维度来聊：技术方向、团队协作、个人成长。先说技术方向，这也是我最关心的。我看到书面答案里提到[[RAG]]和[[Agent]]的结合，这个点我特别感兴趣。具体来说，在外卖或到店这类多轮对话场景里，用户可能先问“附近有什么火锅店”，再追问“有没有双人套餐”，这里就需要RAG能结合对话历史做上下文检索，同时Agent能根据当前状态调用不同的工具或API。我觉得真正落地的难点在于怎么把[[ReAct]]框架和检索结果融合，让模型既能依赖知识库的事实…

#面试技巧#职业规划#团队文化

面试题·检索· 字节

BM25/向量/混合检索选型

匹配口述回答：…-IDF]]，基于关键词倒排，精确匹配很强，比如查订单号、错误码，它零成本、可解释性强，但语义理解基本没有。所以真正落地的 [[RAG]] 系统，[[混合检索]]是标配。把向量和关键词两条路的结果融合起来，常用 RRF 或者线性加权。但这里有个坑：融合权重不是固定不变的，得根据业务调。比如电商客服场景，用户问“我买的那个红色连衣裙还没发货”，语义匹配更重要，我会把向量权重调到0.7；但如果用户直接报订单号，那 BM25 的权重就要拉高。融合之后还有个关键步骤，[[重排]]，…

#字节#检索方法选型#BM25/向量/混合检索选型