匹配正文：…所以这道面试题真正问的是： MinerU 已经完成 PDF 解析，为什么还需要后处理？哪些页面要二次处理，又怎么判断它们可以进入 RAG？解析成功，离 RAG 可用还差什么？ PDF 不是一条连续字符串。一页里可能同时有标题、正文、页眉、页脚、表格、图片、公式、脚注和印章。解析器需要先判断每个区域是什么，再识别其中的内容，最后按照某种顺序输出。只要文件被成功转换，只能说明这条程序链路走完了。它不能证明输出顺序符合人的阅读方式，也不能证明每个结构都被正确保留。 RAG 对…

#RAG#解析与入库#MinerU RAG

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配标题与标签：RAG 有哪些主要缺陷? 实际应用中的局限性分析与改进方向,含检索质量、生成一致性评估小红书 RAG 局限性 RAG 缺陷 RAG 改进方向检索增强生成问题小红书

#小红书#RAG 局限性#RAG 缺陷

面试题·知识图谱· 字节

RAG+KG Agent 动态更新机制

匹配正文：…引更新 → 生效通知 3. 关键保障机制维度策略实时性近实时：Kafka+Flink流处理，秒级延迟；关键路径走内存缓存一致性版本快照+MVCC；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…

第 1 / 7 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#Agent#知识图谱动态更新

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配题目：请解释什么是RAG（Retrieval-Augmented Generation），并说明它如何通过引入外部知识来提升语言模型的生成准确性和事实一致性。

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配正文：…话 vs 真正的话题转移 3. 长程依赖与状态遗忘早期设定的约束（如"用简洁风格"）被模型遗忘关键实体属性在多轮后丢失 4. 一致性冲突模型前后回答矛盾（先否定后肯定）人设/风格不一致关键技术手段层级技术方案作用上下文管理滑动窗口 + 摘要压缩解决超长对话，保留关键信息记忆机制分层记忆（工作记忆/长期记忆）显式存储用户画像、对话摘要状态跟踪对话状态表（DST）结构化跟踪实体、意图、约束条件检索增强 RAG检索历史相关片段动态召回相关上下文…

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· 字节

RAG 二次生成怎么提升安全性?

匹配正文：…违禁品"），检索可能返回边缘知识机制：大模型基于安全对齐训练，识别检索内容的敏感属性，拒绝合成或输出安全提示抖音实例：直播话术RAG中，检索到历史违规案例后，模型生成"该表述存在违规风险，建议替换为..."而非直接复现 2. 事实一致性增强（输出侧校验）机制：利用模型推理能力交叉验证多源检索片段，识别矛盾信息实例：医疗问答RAG中，检索到A文档"药物X每日最大剂量200mg"、B文档"300mg"，模型可标注冲突并保守输出"建议遵医嘱，常见剂量范围为200-300mg…

#抖音#RAG输出安全#RAG 二次生成

项目实战·RAG

RAG 智能问答系统

匹配正文：…原文，再让模型基于证据作答，并在证据不足时明确拒答。这里不预设客户、文档规模或上线效果。继续读完整版 · 第 1 章为什么做 RAG → 技术架构:四大模块 + 两条链路教学实现拆成文档处理、检索、重排、生成四个模块，并区分离线建库与在线问答两条链路。向量库只是检索组件之一，实际还要验证解析质量、切分边界、关键词召回、权限过滤、引用一致性与拒答策略。每个模块是否有效，都需要在固定评测集和明确约束下单独验证。继续读完整版 · 第 2 章 RAG 整体架构 → 用风险场景…

#项目实战#RAG 智能问答系统

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…，你可能发现员工手册有几十页，相关章节只讲报销范围，没有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加…

#RAG#生成与对话#RAG 引用溯源

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要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…

#RAG#生成与对话#多轮 RAG

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…aithfulness。 Faithfulness：每个事实能不能被本轮证据支持 Faithfulness 常被翻译为忠实度或事实一致性。它关注生成答案与检索上下文之间的关系。评估时，可以先把答案拆成若干可核查的事实陈述，再检查每一条能否在本轮上下文里找到直接支持。没有证据支撑的事实，即使听起来合理，也不能算忠实。这个指标解决了一个典型问题：模型可能答对，但答对的原因不是 RAG。比如知识库没有召回正确原文，模型凭自身知识给出正确结论。答案正确性可以通过，Faithful…

#RAG#评测与上线#RAG 评估指标

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…时、TTFT、总耗时、P95、P99、吞吐、超时和错误率。质量指标至少包括 Recall@K、MRR、无答案错误和最终答案的证据一致性。每次只改变一个主要因素，比如索引参数、候选数量、缓存层或模型版本。记录改动前后的性能和质量，不用一个模糊的“明显变快”替代数据。 RAG 性能优化的联合验收清单性能、质量、稳定性和数据边界必须一起通过，才算完成一次优化。线上还要持续监控队列长度、连接池、模型加载、缓存命中和各阶段分位数。测试环境里没有排队，线上慢的原因可能完全不同。 …

#RAG#评测与上线#RAG 首字响应

面试题·模型架构· 商汤科技

幻觉一致性延迟诊断

匹配口述回答：…本，保留快速回滚。这样三个问题各有诊断证据，也不会为了稳定格式而牺牲事实质量，或为了速度悄悄降低正确率。每种修复还应设反向指标：一致性优化不能让答案变得机械，检索增强不能降低召回隐私边界，量化不能超过质量损失阈值。只有主指标和护栏指标都通过，才允许扩大流量。先建立可复现基线拆解三种不一致按证据链治理幻觉澄清ROME与RAG边界按阶段优化延迟并回归约4分钟什么时候知识编辑比RAG更合适，什么时候应明确拒绝使用。可继续讨论更新频率、可追溯性、局部性评测、回滚和证…

#幻觉问题#输出一致性#推理延迟

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…下文漂移（主题偏离）的本质差异提出显式对话状态管理机制设计动态检索策略而非单次检索说明查询重写/扩展的具体方法给出评估多轮RAG效果的指标问题本质多轮RAG的两个核心挑战：知识遗忘：早期轮次的关键信息未被当前检索利用上下文漂移：用户意图变化导致检索偏离当前需求技术方案 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 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…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：…松（可引导人工）关注拒答率：无法回答时不编造四、核心挑战指标冲突：高Recall可能引入噪声，损害事实一致性评估成本：事实一致性需人工或强NLI模型，难以规模化端到端归因：错误来自检索还是生成？需拆解分析实践策略：建立分层评估——先用自动化指标（RAGAS、自研NLI）筛选，再人工抽检关键案例；线上AB测试时以用户满意度为最终北极星指标。学习建议建议从准确性、相关性、事实一致性等核心维度入手，结合真实案例理解评估指标的实际意义，多阅读RAG评测论文并动手实现简…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 字节

RAG 评测优化闭环

匹配正文：…题匹配率、实体命中率（针对结构化知识）多跳召回率：复杂问题需跨文档推理时的召回能力 2. 生成模块评估事实性：答案与检索内容的一致性（用NLI模型或人工抽检）完整性：是否覆盖问题所有要点（可拆解子问题逐一验证）幻觉率：生成内容超出检索片段的比例流畅度：PPL、人工可读性评分 3. 端到端评估 RAGAS指标：faithfulness、answer_relevancy、context_precision、context_recall 业务指标：用户满意度、任务完成率、…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配正文：…循指令的意愿；约束生成是硬约束，从解码层面限制输出空间。实际系统中通常两者结合，并配合生成后验证（如NLI模型检验答案与检索内容的一致性）形成多层防护。学习建议建议系统学习该知识点

#抖音#约束生成#RAG 幻觉

面试题·评估· 字节

RAG 自动与人工评估

匹配正文：RAG评估的三层架构 1. 检索评估（Retrieval Evaluation） MRR：统计各问题首个相关结果倒数排名的均值；Hit@K：统计前 K 条至少命中一个相关结果的问题比例，不能据此判断命中结果内部的排序质量 Recall@K：关注相关性召回，K通常取5或10 NDCG：考虑位置权重，适用于需要精细排序的场景 2. 生成评估（Generation Evaluation） BLEU/ROUGE：n-gram匹配，适合有标准答案的FAQ场景 BERTScore：语义相…

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…ARES）与组件级指标的区别强调事实性/幻觉检测的重要性提及业务场景下的实用指标（如延迟、成本）体现对评测方法局限性的认知 RAG评估要分两个层面来看：检索端和生成端，再加上端到端的整体评估。一、检索质量指标（决定上限） Recall@K / MRR：核心看相关文档有没有被召回，RAG的瓶颈往往在检索 NDCG：考虑排序质量，排在前面的文档相关性权重更高精确率：避免引入过多噪声文档干扰生成二、生成质量指标（决定体验）事实一致性（Faithfulness）：答案是…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…生成、真实日志、混合策略）阐述答案标注的完整流程（候选答案生成→多轮人工校验→置信度打分）解释真实性验证的具体手段（溯源检查、一致性校验、专家抽检）说明保证多样性的维度设计（文档类型、问题复杂度、答案位置、否定/多跳等挑战类型）评估数据集的三层架构层级目的规模建议开发集迭代调优 500-1000条测试集公平对比 1000-3000条对抗集压力测试 200-500条高难度问题来源的四种策略 1. 人工专家设计领域专家基于文档直接编写优势：质量高、…

#安克科技#评估与监控#RAG 问答金标构建

面试题·评估· 安克科技

Agent/RAG 评估体系怎么搭?

匹配正文：答案要点区分RAG和Agent的不同评估维度（检索质量vs工具调用/规划能力）覆盖客观指标（准确率、召回率）和主观指标（有用性、无害性）提及自动化评估与人工评估的结合指出实际落地中的挑战（评测数据构建、动态环境、成本权衡）一、RAG系统评估体系检索模块指标 Recall@K：正确答案在Top-K检索结果中的比例 MRR（平均倒数排名）：正确答案排名的倒数均值 Context Precision：检索片段中相关信息的比例生成模块指标 Faithfulness：生成…

#安克科技#Agent#Agent 评估体系

面试题·模型微调· 字节

架构与训练怎么提升多轮一致性?

匹配正文：…特点预训练长文档建模书籍、长文章，4K→32K→128K渐进扩展 SFT 对话能力高质量多轮数据，平均10-20轮，含角色一致性标注 RLHF 连贯性与有用性多轮偏好对，同一问题不同轮次的回答对比一致性约束损失轮间一致性：相邻轮次回答的embedding余弦相似度约束角色一致性：系统prompt嵌入与每轮输出的对比学习，防止"人格分裂" 事实一致性：与检索到的记忆做 entailment 验证，惩罚矛盾输出三、数据构造方法质量维度轮次分布：5-10轮占4…

#字节#模型微调#多轮对话一致性

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· 百度

怎么提升对话模型事实一致性?

匹配正文：答案要点能区分幻觉产生的根源（知识边界 vs 推理错误）掌握RAG的核心架构与检索策略优化理解SFT/RLHF在事实性对齐中的作用知道推理阶段如何通过后处理提升准确性能结合实际场景给出权衡方案一、模型架构层面知识解耦设计将"语言生成"与"事实存储"分离，如KGLM、RETRO等架构，显式引入外部记忆模块稀疏注意力机制，让模型学会何时查询外部知识而非依赖参数记忆工具调用能力通过Function Calling架构，让模型自主判断需调用的工具（计算器、搜索引…

#百度#模型微调#评估与监控

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配口述回答：这道题其实问的是，当[[RAG]]落到医疗、法律这种高价值、高风险的垂直领域时，到底要怎么搭一条能真正跑通的链路。核心已经不是通用RAG那套“文档切一切、向量存一存、召回来拼Prompt”了，而是怎么把领域知识的结构化、查询的复杂意图、还有最终答案的可靠性串起来。我先说知识处理这块，这是最花功夫的。通用RAG里往往一刀切[[Chunk]]，但垂直领域不行。我的做法是把数据分成三层来对待：结构化数据，比如药品库、法条，直接做成[[Knowledge Graph]]，存实体和关…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯