匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

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

匹配正文：…是否依靠自身知识碰巧答对，也检查正确证据是否在粗召回之外被其他路径带入上下文。如果答案事实无法回到本轮证据，这次结果不应被算成 RAG 链路成功。优先检查文档解析、Chunk 边界、Query 改写、过滤条件、Embedding 和召回策略。情况二：Recall 高，MRR 低正确证据找到了，但排得太靠后。优先检查混合检索融合、Rerank、时效性或权限过滤后的排序，以及最终上下文截断。这时继续扩大候选 K 可能不会解决问题，反而增加成本。更关键的是让最有用的证据进入…

#RAG#评测与上线#RAG 评估指标

面试题·评估· 美团

RAG 仍会幻觉的原因

…识时编造文档冲突多条检索结果互相矛盾模型选择错误或综合出错推理幻觉检索信息正确，但组合推理错误数学计算、因果推断失误上下文截断长文档超出窗口，关键信息丢失后半部分被截断导致断章取义关键结论 RAG将幻觉从**"无中生有"转化为"有据可依"，但无法根治"理解有误"和"推理出错"类幻觉。实际落地中需配合检索质量监控**（召回率、精确率）和生成后验证（事实核查模型）形成完整防线。学习建议建议系统学习该知识点

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

匹配正文：

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：…否被证据支持。交互侧：逐步增加候选、调整顺序并去除重复或冲突文档，判断是否存在 lost-in-the-middle、噪声干扰或上下文截断。 4. 归因矩阵黄金证据召回黄金证据下生成主要结论否能答对检索或排序问题是仍答错生成、prompt 或解析问题否仍答错两侧都可能有问题，需分别修复是能答对但线上错候选顺序、噪声或上下文组装问题结论：用黄金证据、重复对照和证据级指标拆开检索与生成，再报告单一故障或耦合故障，不能仅凭答案表象甩锅。图解 RA…

#百度#评估与监控#RAG 错误定位

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配正文：答案要点明确区分系统指令、检索上下文与用户查询三部分结构设计防幻觉机制（如要求基于引用回答、不确定时声明）处理长上下文截断与冗余去重策略多片段排序与相关性加权提示输出格式约束（如带引用标记的结构化输出）核心设计原则 RAG的prompt设计关键是清晰隔离信息源，让模型明确区分"已知事实"和"需要回答的问题"。推荐模板结构【系统指令】你是一个基于检索文档回答问题的助手。严格遵循： 1. 仅使用提供的参考文档作答，禁止依赖预训练知识 2. 若文档信息不足，明确说…

#商汤科技#Prompt工程#Prompt 模板设计

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…的常见策略（HyDE、多查询扩展、子问题分解）提示词构建的核心要素（角色定义、上下文组织、引用标注）检索后处理的技巧（重排序、上下文截断）实际落地中的权衡取舍查询改写策略核心目标：弥合用户问题与文档索引之间的语义鸿沟策略适用场景实现要点 HyDE 领域知识密集、术语专业让模型先生成假设答案，用答案 embedding 检索多查询扩展问题表述模糊、同义词多生成3-5个语义等价变体，并行检索后去重聚合子问题分解复杂多跳问题拆解为原子问题链，逐层检索（…

#百度#小鹏#美团

面试题·RAG· 蚂蚁

时间窗口对话管理机制

匹配标题与标签：时间窗口对话管理机制 RAG 系统中基于时间戳的上下文截断与会话起止判断 RAG 蚂蚁会话时间窗口时间窗口对话管理 RAG 上下文截断时间偏移会话蚂蚁

#蚂蚁#会话时间窗口#时间窗口对话管理

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配题目：在构建多轮对话系统（如聊天机器人、Agent或RAG系统）时，请详细说明你如何设计和实现对话上下文的状态管理机制，包括上下文的存储策略、动态更新机制、长度截断与信息保留方法、会话生命周期管理，以及在分布式或高并发场景下如何保障上下文的一致性与系统性能。

#蚂蚁#Agent#多轮对话上下文管理