匹配正文：…分可用字符层、扫描图像和混合内容。电子文本优先保留原信息，需要时才进入 OCR。页面级判断的产物不应只有一个布尔值。最好同时记录分类、判断信号、采用的文字来源和是否需要复核。后面发现漏字时，团队才能知道是 OCR 本身失败，还是页面一开始就被分到了错误路线。 OCR 之后，还有哪几步才能进入 RAG？一条完整的 PDF 解析流程，会包含图像、文字识别、版面、表格和文本合并等环节。放到扫描件上，可以按下面的顺序理解。第一步，渲染和预处理页面。系统把目标页转成适合识别的图…

#RAG#解析与入库#扫描 PDF RAG

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配正文：…是可选的路由层，用于决定是否检索、访问哪个知识域、应用哪些元数据过滤、是否改写查询，以及选择问答、摘要、操作或拒答流程。简单单库 RAG 可以不单设该模块；多租户、多工具或多索引系统中，它能减少无关检索并执行路由策略。实现方式规则与结构化信号：关键词、实体、会话状态、产品入口，延迟低且可解释；监督分类器：BERT 等编码器输出意图与置信度，适合稳定且有标注的类别体系； LLM 结构化路由：用 schema 约束输出 intent、index、filters、need_r…

第 1 / 4 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

#b站#意图识别与检索路由#RAG 意图识别

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配题目：请介绍RAG（Retrieval-Augmented Generation）模型的主要分类方式，例如Naive RAG与Advanced RAG的区别，及其各自的特点。

#淘天#重排与优化#Naive RAG

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：适合简历中写过企业知识库或 RAG 项目的人，重点练自己负责的部分、项目架构、检索效果和上线问题。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实业务场景】企业知识库 RAG，承担【真实职责】，交付【真实工件】。需要准备：真实业务目标；个人职责边界；可核验工件。在【固定评测集】上将【真实指标】从【真实基线】改善到【真实结果】，同时满足【时延或成本约束】。需要准备：指标定义；评测集来源；基线与结果；工程…

#模拟面试#简历项目#连续追问

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…持续改进。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 RAG 场景】评测体系，承担【样本、标注、指标或平台模块】。需要准备：个人职责；样本来源；评测工件。建立【真实评测集与指标】，定位【真实失败类型】并验证【真实改动】。需要准备：指标与基线；样本切片；失败分类；验证结果。逐层练习 1. ownership · ownership 简历原句是“【自己的真实项目描述】”。评测定义、样本收集、标注规…

#模拟面试#简历项目#连续追问

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…带引用的研究报告”“比较多个候选并给出取舍”，可以直接标记为研究候选。相反，如果问题是明确的文档定位或操作步骤，可以优先进入普通 RAG。第二步，再做轻量语义判断。规则覆盖不了的问题，可以让一个成本较低的分类器或模型输出结构化字段：对象数、维度数、证据需求、预期交付和推荐路线。这里不需要生成答案，只做分诊。第三步，执行前设置预算。即使进入 Deep Research，也要有最大工具调用、最长任务时间、允许的来源类型和报告长度。预算不是最终停止条件，但它是避免任务失控的…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：…所以这道面试题真正问的是： MinerU 已经完成 PDF 解析，为什么还需要后处理？哪些页面要二次处理，又怎么判断它们可以进入 RAG？解析成功，离 RAG 可用还差什么？ PDF 不是一条连续字符串。一页里可能同时有标题、正文、页眉、页脚、表格、图片、公式、脚注和印章。解析器需要先判断每个区域是什么，再识别其中的内容，最后按照某种顺序输出。只要文件被成功转换，只能说明这条程序链路走完了。它不能证明输出顺序符合人的阅读方式，也不能证明每个结构都被正确保留。 RAG 对…

#RAG#解析与入库#MinerU RAG

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…。第一套仍然区分章节标题、列表前导句和正文，第二套却把它们全部压成同一级文本。若只按字符是否出现计算，两套结果可能很接近；进入 RAG 后，第二套的片段却不知道自己属于哪个章节，例外条件也可能离开它约束的正文。再看重复问题。同一段内容被解析器输出两次，字符覆盖甚至会显得更高，但检索前几条可能被近重复 Chunk 占满。只统计“提取了多少字”，既看不出层级丢失，也会把重复内容误当成完成度提升。所以解析质量至少要拆成四层。第一层，文字覆盖检查应该出现的正文有没有被提取，…

#RAG#解析与入库#RAG 文档解析评估

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时，应该…

#RAG#生成与对话#多轮 RAG

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：一个 RAG Demo 往往只有几步：上传文件，切成 Chunk，写进向量库，然后在同一个接口里提问并生成答案。本机演示时，这样很直观。可一旦真的有用户上传文档，问题就出现了。复杂 PDF 解析可能持续很久，某一页 OCR 失败，部分 Chunk 已经写入，用户却不知道任务进行到哪一步。与此同时，在线问答要求尽快返回，不能被后台解析占满资源。入库和问答使用不同资源，面对不同失败，追求的目标也不同。这就是 RAG 系统设计面试最常问的一类题：一个可上线的 RAG 系统…

#RAG#评测与上线#RAG 系统设计

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：答案要点分块策略分类（固定长度、语义、递归等）及适用场景分块粒度与检索精度的权衡关系边界处理策略（句子/段落完整性）重叠策略的作用与设置实际选型需结合文档类型和业务需求核心分块策略 1. 固定长度分块（Fixed-size）按token数或字符数切分，具体长度作为候选变量优点：实现简单、Embedding均匀、便于批量处理缺点：可能切断语义，边界信息丢失 2. 递归分块（Recursive）优先按段落→句子→固定长度层级切分优点：尽量保持语义单元完整缺…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…叠度，理想状态是低重叠高互补二、定性评估方法人工相关性标注：构建黄金测试集，定义"相关/部分相关/不相关"标准错误案例分析：分类bad case（漏召、误召、排序差）归因到具体策略 LLM辅助评估：用GPT-4等判断文档-Query相关性，降低标注成本三、RAG场景的组合策略分层评估体系离线阶段：各路独立评估Recall/Precision，筛选候选策略融合阶段：评估融合后的NDCG@K和覆盖率端到端阶段：最终生成答案的准确性（Answer-level met…

#美团#评估与监控#多路召回评估

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…coder 重排，防止用重排掩盖召回缺失。分别记录召回质量、P95 延迟、索引更新时效和单次查询成本。建立 bad case 分类，区分切块、召回、融合、重排和权限过滤问题。 3. 评测闭环离线至少观察 Recall@K、MRR 或 NDCG，并按查询类型切片；线上还要看引用正确性、无答案识别、延迟和成本。指标定义、标注口径、样本量及数据泄漏检查必须与结果一起说明。项目事实填空如果需要结合本人项目，只填写可核验事实：语料主要是【真实文档类型】；基线方案是【真实基线】…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…RR、BLEU、ROUGE 理解端到端评估框架RAGAS的核心指标知道人工评估与自动评估的权衡了解业务场景下的定制化评估需求 RAG评估需分检索层、生成层、端到端三个维度展开：一、检索评估（Retrieval Metrics）关注"找得准不准、全不全"： Recall@K：正确答案在Top-K检索结果中的比例，RAG最核心指标 Precision@K：Top-K中相关文档的比例 MRR（平均倒数排名）：正确答案排名的倒数均值，反映排序质量 NDCG：考虑文档相关性分级…

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：… 识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品的价格"→补全具体产品名）多跳拆解 "A和B哪个更好"→拆分为两个子查询分别检索时效判断识别…

#OPPO#RAG 意图识别#RAG

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：幻觉问题的分类先区分两类幻觉：事实性幻觉：模型编造不存在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SF…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调

RAG检索相关但生成差原因

匹配口述回答：…档用滑窗加层次摘要，短文档直接拼接。多文档融合，先让模型分别总结各文档，再综合生成，有点像Map-Reduce模式。还可以训练轻量分类器做噪声过滤，剔除低质量检索结果。这里有个坑：如果文档太多，上下文窗口塞满，模型注意力会分散，生成质量反而下降。所以我会特别关注窗口利用率，不是越多越好。最后是模型微调，这是深度优化。做检索感知 [[SFT]]，训练数据包含 (问题, 检索文档, 答案) 三元组，让模型学会“信文档而不是背知识”。还有负样本挖掘，故意混入不相关文档，训练模型识…

#上下文压缩#生成调优#RAG 生成优化

面试题·检索· 字节

RAG检索方法选型原因？

匹配正文：…_construction/ef_search）、量化（PQ/IVF）降存储查询优化 Query改写（HyDE生成伪文档）、意图分类路由不同检索策略结果优化两阶段检索：粗排（Top-K召回）+ 精排（Cross-Encoder Rerank）数据优化文档分块策略（按语义/结构切分）、元数据过滤预筛选 Rerank环节尤为重要：用轻量Cross-Encoder（如bge-reranker）对Top-100重排，NDCG@10提升15-20%常见。

#字节#评估与监控#RAG 检索方法

面试题·检索· 360

RAG 召回准确性：三大失败场景

匹配正文：…建黄金测试集：100-500条人工标注的(query, 相关doc)对错误分析：按bad case类型（漏召回、误召回、排序错）分类优化

#360#召回质量评估#RAG 召回优化

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：…设计要支持过滤和排序索引结构需权衡召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用十亿级/超大规模自研或云厂商方案（阿里云OpenSearc…

#安克科技#向量数据库选型#RAG 知识库存储

面经·项目面试

面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？”

匹配正文：面试官问：“RAG 表格怎么切块？”我：“按行切，带上表头。”他：“单位和备注，你让模型猜？” 知识库里有一张巡检报价表。用户问工业泵的巡检费用，检索结果很干脆：工业泵，180，260。设备名称对得上，两个数字也都来自原文，模型却还得猜：哪个是常规报价，哪个是加急报价？这是一台设备的价格，还是一次服务的总价？是否还要加上其他费用？原表放在眼前，这些问题并不难。数字上方有表头，右上角写着单位，表下还有说明。切成片段以后，它们可能留在了别处。检索命中了正确的一行，传给模型的却是…

#RAG#表格切分#文档解析

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配口述回答：…引用准确率、拒答率。因为检索指标提升不一定等于答案提升，必须确认优化真的改善最终回答。核心思路：隔离变量 + 对照实验症状快速分类关键实验：黄金文档替换实际案例：百度智能客服给出可延伸点：检索与生成的耦合问题约4分钟 RAG 错误经常是检索和生成耦合导致的，要通过 gold doc、消融和证据对齐拆开看。如何构造 misleading context 测试集，如何评估 faithfulness，如何把检索指标和答案指标对齐。

#百度#评估与监控#RAG 错误定位