匹配正文：RAG缓解幻觉的核心机制 RAG通过**"先检索、后生成"**的工作流程，将大模型从"闭卷考试"转为"开卷考试"：工作流程三阶段阶段作用幻觉缓解机制检索从外部知识库召回相关文档引入权威外部知识，替代模型参数记忆增强将检索结果注入Prompt上下文为生成提供事实锚点，约束自由发挥生成基于上下文生成回答可通过引用溯源验证信息来源关键技术机制 1. 事实锚定（Grounding）将生成内容绑定到检索文档的明确陈述模型被强制"照着说"，而非"编着说" …

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

#检索证据质量

#RAG 仍会幻觉的原因

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：答案要点能清晰区分RAG与微调的技术边界，说明何时选RAG 讲清楚"离线建库-在线检索-增强生成"的三阶段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档…

#字节#检索生成流程#RAG 技术原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：RAG核心定义 RAG（Retrieval-Augmented Generation）= 检索 + 生成。不是让模型硬背知识，而是按需检索外部知识库，把相关文档塞进Prompt，让模型基于"开卷考试"作答。标准流程（三阶段）阶段关键动作技术要点索引文档切分→Embedding→入库分块策略（按语义/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配正文：RAG核心概念 RAG（Retrieval-Augmented Generation）是一种将外部知识检索与大模型生成相结合的技术范式。核心动机：大模型参数知识存在截止时间和幻觉风险，RAG通过实时检索"开卷考试"。工作原理：三阶段流程阶段动作关键组件索引（Indexing）文档切分→Embedding→入库向量化模型（如BGE、text-embedding-3）检索（Retrieval）用户Query向量化→相似度搜索→Top-K召回向量数据库（Mil…

#字节#RAG工作原理#RAG 工作原理

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段流程说明关键组件（文档处理、Embedding模型、向量数据库、重排序）的作用对比Naive RAG与Advanced RAG的架构差异提及实际落地中的核心挑战（检索精度、上下文长度、幻觉控制）核心原理 RAG的本质是外挂知识库：将大模型无法预训练到的私有/实时数据，通过检索方式动态注入上下文，解决知识截止和幻觉问题。三阶段流程：索引(Indexing)：文档→切片→Embedding→入库检索(Retriev…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：答案要点清晰描述RAG三阶段流程（索引-检索-生成）说明检索器核心组件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 重排收益与成本

匹配口述回答：…索在精确匹配上的短板，比如订单号、错误码这种，而重排是进一步优化排序。所以真正落地时，我倾向于把关键词检索、向量检索和重排串成一个三阶段流水线，每阶段承担不同角色。所以整体来看，我不会把重排当成一个可选组件，而是RAG系统里从“能跑”到“跑得好”的关键一步。它的核心价值不是提高召回率，而是提高进入生成器的信息密度，让大模型少被噪声干扰，从而降低幻觉、提升答案准确率。点明本质：检索精度与效率的平衡第一阶段向量检索的粗粒度问题重排用交叉编码做深度交互业务落地场景与风险 …

#字节#重排与优化#RAG 重排收益与成本

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配正文：…态信息融合模态转换有信息损失（caption瓶颈）原始特征直接对齐，保留细粒度视觉信息模型架构解耦设计：视觉编码器+文本RAG+LLM三阶段统一架构：多模态encoder + 多模态LLM（如LLaVA、Qwen-VL）性能表现依赖caption质量，复杂图表/视频场景效果差；但工程成熟、成本低检索精度高，支持"以图搜文""以文搜图"；但训练数据要求高、推理成本大选型建议伪多模态：文档扫描件、简单商品图等视觉信息可文本化场景，快速落地真多模态：电商穿搭…

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配正文：答案要点从预训练、SFT、RLHF三阶段分析训练侧优化方法阐述解码策略如约束解码、自我验证、多采样投票等推理机制优化说明RAG检索增强和知识图谱等外部知识集成方案体现系统性思维，覆盖训练-推理-外部知识全链路一、训练阶段优化预训练阶段提升数据质量：去重、过滤低质网页、增加权威来源（书籍、论文、百科）比例知识边界感知：在数据中显式标注"不确定"表述，让模型学会表达未知 SFT阶段构造高质量事实性指令数据，答案需带引用来源引入"拒绝回答"样本：对超出知识范围的…

#海尔#外部知识集成#大模型幻觉

面试题·评估· 淘天

偏好感知系统架构怎么选?

匹配正文：…6）困难样本挖掘：模型置信度接近0.5的pair优先标注领域覆盖：电商场景需覆盖售前咨询、售后、比价等细分场景二、模型架构三阶段RLHF流程 SFT：用高质量对话数据监督微调，建立基础对话能力 Reward Model：输入(prompt, response)输出标量分数，常用架构在最后一层加回归头损失函数：-log σ(r_θ(x,y_w) - r_θ(x,y_l)) 多任务扩展：多维度分数→加权求和或MoE结构强化学习：PPO（需KL散度约束防崩溃）或DPO（…

#淘天#偏好感知对话系统#对话系统训练数据

面试题·检索· 网易

BM25+向量+Cross-Encoder 怎么组合?

匹配正文：…l/nDCG、端到端问答质量、延迟和成本共同选择。数据变化时持续监控两路召回贡献、重排增益和失败查询，不能把任一固定组合称为所有 RAG 系统的“黄金标准”。图解 BM25+向量+Cross-Encoder 怎么组合?图解

#网易有道#BM25向量Cross-Encoder#BM25 向量召回 Cross-Encoder