匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，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…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

RAG 二次生成怎么减少幻觉?

匹配题目：在RAG系统中，通过大模型对检索结果进行二次生成，如何有助于减少幻觉现象？请结合提示工程或约束生成策略说明。

#抖音#约束生成#RAG 幻觉

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配标题与标签：RAG 怎么提升生成质量? 检索增强生成原理,外部知识如何减少幻觉 RAG 字节大模型幻觉 RAG 原理 RAG 外部知识库字节

#字节

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

#大模型幻觉

#RAG 原理

面试题·检索· 字节

RAG 原理与核心架构

匹配题目：请系统阐述检索增强生成（RAG）的基本原理、核心系统架构与关键组成模块，并结合实际应用场景，分析其在提升大语言模型事实准确性、应对知识更新延迟及减少幻觉方面的优势与技术机制。

#字节#重排与优化#RAG 原理与核心架构

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…重排序模型、大模型主要应用场景企业知识问答：内部文档、规章制度、产品手册的智能问答客服系统：基于历史工单和FAQ的精准回复，减少幻觉研报/法律分析：长文档信息抽取与综合分析代码助手：结合私有代码库和开源文档的编程辅助核心优势相比微调，RAG无需训练即可更新知识、可追溯来源、成本更低，是知识密集型场景的首选方案。

#字节#检索生成流程#RAG 实现

面试题·检索· 字节

RAG 为何还要重排?

匹配正文：…意力能捕捉"查询词与文档词"的细粒度匹配关系，准确判断真正相关的内容。对生成质量的影响过滤噪声：剔除表面相似但实际无关的文档，减少幻觉提升相关性：确保送入LLM的上下文高度契合用户意图优化Token效率：重排后取Top-3即可，避免冗长上下文稀释注意力典型方案轻量：Cross-Encoder（如BGE-Reranker）高效：ColBERT（延迟交互，平衡速度与精度）重火力：LLM-as-Reranker（直接用大模型打分，成本高但效果最佳）实际部署中，重排…

#字节#重排与优化#RAG 重排

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…键协作点上下文融合：检索结果按相关性排序，截断至上下文窗口置信度过滤：低分文档丢弃，避免引入噪声迭代优化：Advanced RAG中加入重排序（Rerank）或查询改写，提升召回精度质量提升本质：Generator从" parametric memory "（参数知识）扩展到" non-parametric memory "（外部知识），减少幻觉，实现可溯源回答。学习建议建议先掌握RAG整体架构，再重点理解Retriever的两种主流技术（如BM25与DPR），并…

#字节#Retriever#RAG Retriever

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配追问：…助手，用户问“iPhone 16多少钱”，你回答完。过两天他又问“那和小米15比呢”，如果不查知识库，模型可能瞎编价格。你会怎么用RAG来保证回答准确？层层追问大模型回答容易出错，你怎么解决？……如果给它外挂一个知识库，怎么让模型用上？……那具体怎么检索、怎么把结果塞进Prompt里，整个流程你拆解一下？直球架构讲一下RAG的核心架构和工作流程，包括文档怎么处理、怎么检索、最后怎么生成，以及它为什么能减少幻觉？

#京东#幻觉抑制#RAG 技术原理

面试题·模型微调

生成质量差怎么调优?

匹配正文：…效果显著） SFT：用领域高质量QA对微调，强化"基于文档回答"的指令遵循能力 RLHF/DPO：针对连贯性、忠实度训练奖励模型，减少幻觉 4. 生成控制与后处理解码参数：降低temperature（0.1-0.3）、调整top_p提升确定性结构化生成：强制JSON/特定格式输出，约束模型行为后处理校验：用规则或小型模型检测答案是否覆盖文档关键点快速验证思路按成本从低到高尝试：Prompt调优 → 上下文压缩 → 轻量SFT（LoRA） → 全链路评估迭代

#RAG 生成质量#指令遵循#生成模块调优

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…出格式强制约束用JSON Schema或XML标签限定推理字段配合解析器校验结构完整性，失败时触发重试核心优势维度说明减少幻觉强制中间步骤显式化，错误可被拦截提升一致性相同输入遵循固定推理路径，输出稳定便于调试单步失败可定位，支持人工介入修正支持集成结构化输出可直接对接下游系统实践注意逻辑引导的"度"很关键：过度约束会限制模型灵活性，建议对关键节点强制引导，细节推导留给模型自主发挥。学习建议建议系统学习该知识点

#华为#逻辑推理引导#逻辑引导

面试题·评估

检索准但生成差，怎么调优？

匹配口述回答：…据做 [[SFT]]，强化'基于给定上下文回答'的能力。Prompt工程也很重要，比如加一句'如果上下文无法回答，请明确说明'，能减少幻觉。解码策略上，我会降低temperature，让输出更稳定，或者用 [[Chain-of-Thought]] 激发推理能力。还要看反馈闭环。收集'检索准但生成错'的样本，构建针对性训练集。比如用 [[Self-RAG]] 让模型先生成、再自检、后修正，相当于加了一层自我反思。这里有个坑，就是上下文窗口的限制。比如你送了很多文档，但模型注…

#上下文压缩#生成调优#RAG 效果诊断

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·评估· 字节

Agent 系统优缺点怎么分析?

匹配口述回答：…问题。真正落地上，Agent把RAG当做一个工具来调用。比如用户问“我们公司对退货有什么政策”，Agent先规划需要查知识库，就调RAG工具拿结果，再基于检索结果继续规划，最后执行回复或发起退款流程。反过来，RAG也可以把Agent的输出作为上下文。所以不是二选一，而是按需组合。其实还有一个更前沿的方向，就是[[Self-RAG]]，让Agent自己学会反思和修正自己的输出，减少幻觉。但那个对模型能力和推理成本要求更高，目前还在探索阶段。最后总结我的落地思路：我会把Age…

#字节#Agent#Agent 系统优缺点

面试题·评估· 美团

Agent三大能力评估陷阱

匹配正文：…弥补模型参数知识的时效性和准确性不足场景体现：实时搜索最新股价、新闻进行研报生成检索专业文档回答领域问题多轮搜索验证事实，减少幻觉核心关系三者形成闭环：Search获取信息 → Coding处理信息 → GUI执行动作，共同支撑Agent完成真实世界的复杂任务。当前大模型在Coding上相对成熟，GUI操作因视觉理解和精确控制仍是难点。

#美团#Agent#Agent 能力评估

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配正文：…离执行能清晰说明Thought → Action → Observation的循环机制理解ReAct相比纯推理或纯行动的优势（减少幻觉、增强可解释性）能结合具体场景（如搜索、计算、数据库查询）描述完整执行流程提及实际实现中的关键细节（如prompt设计、停止条件、工具描述）核心思想 ReAct = Reasoning（推理）+ Acting（行动），关键突破是让模型交替进行"思考"和"行动"，而非先想后做或只做不想。传统方式的问题：纯CoT：只推理不行动，知识过…

#美团#评估与监控#Agent

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配口述回答：…的失败场景是规划死循环或工具返回导致幻觉，需要加步数限制和格式校验面试官可能追问：具体怎么加限制？怎么校验？或者如何用Self-RAG减少幻觉？

#美团#Agent#Agent 基础能力