匹配正文：…neration）拼接"Query+检索结果"→Prompt工程→LLM生成大模型+Prompt模板如何提升两大能力 1. 事实准确性生成时提供可溯源的参考文本，约束模型"基于证据回答" 避免参数知识中的事实性错误（如"2024年美国总统是谁"） 2. 知识覆盖动态接入私有/实时数据（企业文档、最新新闻）无需重新训练即可更新知识，成本远低于微调一句话总结 RAG = 搜索引擎 + 大模型，让AI从"闭卷背诵"变成"开卷作答"。学习建议建议系统学习该知识点

#字节#RAG工作原理#RAG 工作原理

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参考答案"，大幅降低无依据编造 2. 提升事实准确性 Grounding机制：每个陈述可追溯至检索片段多源交叉验证：Top-K检索结果可相互印证置信度校准：检索为空时可触发"我不知道"而非…

#淘天#事实准确性#RAG 减少幻觉

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

…题说明知识截止模型权重冻结后无法感知新信息幻觉风险参数记忆模糊时"自信编造" 训练成本 SFT更新知识需重训，代价高昂 RAG将知识外置到可动态更新的检索库，实现非参数化知识扩展。 RAG vs SFT：三维度对比 1. 知识更新 SFT：需重新训练/LoRA微调，周期长，难以追平实时信息 RAG：更新文档库即可，分钟级生效，适合新闻、股价、政策等动态场景 2. 事实准确性 SFT：依赖训练数据覆盖，长尾事实易遗漏或混淆 RAG：检索结果作为上下文约束生成，可溯源验…

第 1 / 2 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

匹配正文：

#美团#RAG vs SFT#RAG

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：📊 学习时长:30-40 分钟 🎯 完成后能力:能用一段零依赖代码演示 RAG 的核心机制,并讲清为什么解析、切分、检索与评估同样关键 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 零基础也能跟着做:用 20 行不依赖任何库的代码,亲手演示一遍 RAG 的核心机制 ✓ 看懂 3 个核心概念:什么是幻觉、什么是 RAG、什么是"上下文" ✓ 建立 RAG 的"两条链路"心智模型(这张图决定了本书后面 9 章的顺序) ✓ 学会判断…

#RAG#检索#项目实战

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：… 全量重训成本极高只需更新知识库，零模型改动可解释性差黑盒输出，难以溯源引用来源透明，可追溯验证为什么知识密集型任务需要RAG 准确性要求高：法律、医疗、金融等领域容错极低，必须基于权威文档知识时效性强：政策、产品信息频繁变动，静态模型无法跟上合规与审计：需要明确回答依据，RAG的引用机制满足这一需求简单说，RAG把LLM从"闭卷考试"变成"开卷考试"——模型专注推理表达，事实准确性交给外部知识库保障。学习建议掌握RAG需理解大模型局限性，学习检索与生成的…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…会用 LLM 自己做上下文压缩，去冗余，只保留关键证据链。评估不能只看常规指标。检索质量我关注 Recall@K，生成质量我关注事实准确性，用 NLI 模型检测有没有 [[Hallucination]]。但更重要的业务指标是可追溯性，看生成内容是不是每句话都能追到源文档，还有专家满意度，请领域专家盲评。我的取舍是：宁可回答不了，也不瞎回答。如果检索结果置信度不够，我会触发人工兜底，而不是硬生成。说到人工兜底，其实这里有个延伸问题：如果用户问的是多跳问题，比如「这个症状应…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配正文：…的推导步骤）置信度评分 3. 动态温度调整对检索匹配度高的部分使用低温度（确定性生成），对需要综合推理的部分适度提高温度，平衡事实准确性与表达流畅性。关键认知提示工程是软约束，依赖模型遵循指令的意愿；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· 安克科技

Agent/RAG 评估指标与挑战

匹配正文：…估与组件级评估的区别提及实际挑战如标注成本高、主观性、延迟与质量的权衡能结合业务场景举例说明一、评估维度分层 1. 检索层（RAG特有） Recall@K / MRR：衡量检索系统能否召回相关文档 NDCG：考虑排序质量的综合指标 Hit Rate：Top-K是否命中答案所在文档 2. 生成层 Faithfulness / 忠实度：生成内容是否忠实于检索文档（可用NLI模型判断） Answer Relevance：答案与问题的相关性 Context Precision：…

#安克科技#评估与监控#Agent

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：答案要点区分Agent与RAG评估维度的差异数据采集的多样性与真实性来源负样本构造的hard negative策略人工+自动化的混合标注流程数据代表性验证方法核心设计原则 Agent和RAG的评估目标不同：RAG重事实准确性，Agent重任务完成度与工具调用正确性，需分开设计。数据采集来源适用场景注意事项真实用户日志高价值、分布真实脱敏+去偏，避免头部query过度采样合成数据（LLM生成）快速覆盖长尾场景需人工校验，控制幻觉比例公开benc…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：答案要点区分幻觉类型（事实性vs推理性）并针对性治理 RAG与知识图谱结合的检索增强方案多模型交叉验证与一致性约束机制金融领域特有的监管合规与可审计性设计量化评估与持续监控体系核心挑战分析金融领域幻觉代价极高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：… 知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频更新：新闻问答、产品信息、股价/天气等实时数据长尾知识密集：企业内部文档、专业手册（训练语料覆盖少）可解释性刚需：需给出参考来源的场景（客服溯源、学术辅助）纯LLM更合适的场景：通用创意写作、开放式闲聊（无…

#淘天#阿里#RAG 架构

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·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…第X条" 后处理校验：领域规则引擎过滤（如药物禁忌冲突检测）五、端到端优化评估体系：检索用Recall@K，生成用答案相关性和事实准确性（医疗用人工医生标注）迭代闭环：错误案例回流，持续微调Embedding和Reranker 学习建议建议先掌握RAG基础流程，再结合垂直领域特点学习文档分块、向量检索、重排序模型和提示工程，多参考医疗/法律类RAG实战案例。

#字节#重排与优化#RAG 链路优化

面试题·检索· 字节

RAG 重排收益与成本

匹配追问：…向量检索召回了一批订单文档。但里面混了个手机促销广告,跟物流完全无关。你怎么确保进到大模型上下文的都是真正相关的信息？层层追问 RAG里第一阶段向量检索你一般怎么做的？……那Top-K里面会不会混进去一些语义相似但实际不相关的文档？……如果我把Top-100直接丢给大模型,会出现什么问题？……那怎么解决这个问题？直球架构 RAG系统中为什么要在初步检索后加一个重排模型？重排对最终生成结果的质量提升具体体现在哪些方面？比如相关性、事实准确性、信息密度这些维度怎么改善的？

#字节#重排与优化#RAG 重排收益与成本

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…能让模型瞎编，得从最新的政策文档里检索出准确条款。但如果你还想让模型同时学会礼貌用语，那可能得在基座上做一点微调。所以我的做法是：RAG负责事实准确性，微调负责行为对齐，两者互补。具体到业务场景，我拿客服退款来展开。用户说“我订单超时了，但商家说不能退”，系统先理解问题，然后检索知识库里的退款规则。这里有个坑：如果规则文档切得太碎，比如“超时30分钟”和“商家同意才能退”被分到两个块，检索可能只找到一个，导致回答片面。所以索引阶段，我会用 [[Parent Document…

#百度#RAG核心组件#RAG 技术原理

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…区分短期记忆（上下文窗口）与长期记忆（外部存储）的技术路径至少提及2-3种具体架构方案（如Memory Bank、MemGPT、RAG-based Memory）说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制）体现对Agent任务持续性的理解（多轮状态保持、目标追踪）有实际落地考量（延迟、存储成本、一致性）核心思路大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开：一、架构层：原生上下文扩展长上下文模型 …

#得物#Agent#大模型记忆机制

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配正文：…）任务规划+工具调用（办公自动化）典型能力联网搜索、文档解析、代码生成插件生态、API编排、多轮任务执行关键差异：通义的RAG强调"知识广度"（覆盖全网+上传文档），星火的Agent强调"行动深度"（理解意图→拆解步骤→调用工具→完成闭环）。二、场景与体验分析通义千问场景：通用问答、学习辅助、内容创作体验优势：响应快、支持1000万字长文档、中文理解细腻技术-价值结合：RAG确保事实准确性，降低幻觉；长上下文窗口解决"读不完材料"的痛点讯飞星火场景：智…

#阿里#科大讯飞#Agent

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：…减少"过时答案" 三、微调与对齐策略 SFT阶段：用"拒绝回答+解释原因"的数据，训练模型识别知识边界 RLHF/DPO优化：将"事实准确性"纳入奖励函数，人类标注时区分"流畅但错误"vs"保守但正确" 工具使用微调：训练模型主动调用计算器、搜索引擎验证关键事实四、外部增强机制（RAG为核心）检索-生成协同：非简单拼接，而是让模型先判断"是否需要检索"，再决定"检索什么" 多源交叉验证：同时检索多个信源，一致性高则置信度高，冲突时触发澄清或保守回答生成后校验：独立的事实…

#百度#评估与监控#大模型准确性提升

面试题·知识图谱· 淘天

GraphRAG 最大技术挑战?

匹配正文：…增量更新：Neo4j/TuGraph支持时间戳版本；关键路径预计算结果做缓存，非关键变更异步更新 5. 缺乏标准化评测难点：传统RAG的评测指标不适用，图路径的可解释性难以量化解法：自建人工评测集，关注：事实准确性、推理路径可解释性、答案完备性；线上AB测试核心看用户转化率而非离线指标一句话总结：GraphRAG的瓶颈不在技术炫技，而在工程化成本控制和业务价值闭环验证。

#淘天#知识图谱#评估与监控

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…提出具体技术方案每个维度至少给出2个可落地的技术点能区分不同技术的适用场景和 trade-off 体现对前沿技术（如Self-RAG、Toolformer等）的了解回答有层次感，不是简单罗列一、模型架构层面知识增强架构检索增强生成（RAG）：把外部检索到的资料作为生成上下文，检索器与生成器可以独立更新；不要求生成模型采用编码器—解码器架构。 Self-RAG：引入反思token（Retrieve/IsRel/IsSup/IsUse），让模型自主决定何时检索、如何使…

#百度#对话模型准确性#模型架构优化

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：…性数据集：引用来源明确、可验证的问答对引入"拒绝回答"样本，训练模型在不确定时表达不确定性 RLHF/DPO优化奖励模型需加入事实准确性维度，不仅看流畅度使用RAG增强的偏好数据：对比"有检索支持的回答"vs"纯参数记忆回答" 三、推理优化层面解码策略约束解码：用知识图谱或检索结果约束token生成空间 Self-Consistency：多次采样，投票选出最一致答案 Chain-of-Verification：先生成答案，再逐步验证每个事实点后处理校验实体链接+…

#百度#模型微调#评估与监控

面试题·Prompt· 高德

ReAct 框架为什么优于纯提示?

匹配正文：…轮迭代，让模型主动决定何时思考、何时行动、何时终止。优于纯提示方法的关键原因维度纯提示/Prompt-only ReAct 事实准确性依赖参数记忆，易幻觉通过工具（搜索、数据库）获取实时信息推理可解释性黑盒输出显式展示思考过程，便于调试和审计动态适应性静态响应根据环境反馈调整策略复杂任务拆解一次性生成，易遗漏分步执行，每步验证典型场景对比：问答：纯提示可能"编造"答案；ReAct会主动搜索→验证→再推理决策：纯提示无法感知环境变化；ReAct…

#高德#Agent#ReAct 框架