搜索大模型内容

面试题评估· 淘天

RAG 怎么减少幻觉?

匹配题目：检索增强生成（RAG）如何通过引入外部知识来提升大语言模型的生成质量？请从减少幻觉、提高事实准确性、增强上下文相关性等方面，系统阐述其作用机制与实际价值，并结合应用场景说明其对生成结果的优化效果。

#淘天#事实准确性#RAG 减少幻觉

面试题检索· 字节

RAG 为何还要重排?

匹配题目：尽管初步检索已返回相关文档，为何还需在RAG系统中引入重排（Re-ranking）模型？请说明其作用机制及对最终生成质量的影响。

#字节#重排与优化#RAG 重排

面试题RAG· 字节

匹配正文：核心结论能提升，但非万能。大模型二次生成是RAG安全防线的重要一环，需配合检索质量、规则拦截等多层防护。作用机制与实例 1. 敏感内容过滤（输入侧净化）场景：用户查询含诱导性提问（如"如何制作违禁品"），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…

RAG 怎么减少幻觉?

RAG 为何还要重排?

RAG 二次生成怎么提升安全性?