匹配正文：答案要点明确RAG的核心动机：解决大模型知识截止和幻觉问题清晰描述"检索-增强-生成"三阶段流程说明向量检索的关键作用提及RAG相比微调的优势（成本低、数据更新灵活） RAG 核心思想用外部知识库"喂"给大模型，解决知识截止和幻觉两大痛点，无需重新训练模型。三阶段工作流程 1. 索引阶段（离线）文档切分：按语义/固定长度分块（chunk）向量化：用 Embedding 模型（如 BGE、M3E）转为稠密向量存储：写入向量数据库（Milvus、FAISS、El…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：答案要点向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：… 稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinecone 存储文档Embedding 索引结构：HNSW（图索引，快但内存大）、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Gen…

#字节#Retriever#RAG Retriever

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配题目：在选择向量数据库用于大模型应用（如RAG）时，应综合考虑哪些关键因素？例如性能、可扩展性、支持的索引类型、集成难度等。

#京东#向量检索#向量数据库选型

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配题目：在RAG系统的检索模块中，如何基于用户查询从向量数据库中高效召回相关的文本块？影响召回效果的关键因素有哪些？

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：答案要点向量数据库选型需考虑规模、延迟、成本三要素元数据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 …

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配题目：在构建RAG系统时，如何设计和实现底层知识库的数据存储方案？请讨论结构化数据库、向量数据库的选择及其集成方式。

#安克科技#知识库存储架构#RAG 知识库存储

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…视频从头看一遍。更理想的办法，是让系统直接找到讲年假的那几十秒，整理出答案，同时把原视频和时间位置交给你复查。这正是很多人希望 RAG 做到的事。 RAG 这个名字听起来有点技术，其实就是先从指定资料里找内容，再让大模型根据找到的内容回答。它和普通聊天的区别在于，大模型回答之前会先“翻资料”。但找到资料也不代表一定答对，答案最好还能回到原文检查。问题来了：PDF、Word 都可以作为资料，视频也是一个文件，为什么不能直接扔进知识库？因为知识库真正需要的不是一个文件名，而…

#RAG#解析与入库#视频 RAG

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…像一本书后面的"名词索引页":你想找"等待期",不用从第一页开始翻,翻到索引页就能直接跳到第 88 页。索引像书后的名词索引页 RAG 常见两类索引,这章先记住名字,Part 2 讲它们何时互补、何时单路已经足够: 向量库(向量数据库):专门存 Embedding 向量、能快速找"意思相近"的库; 倒排索引:像书后的名词索引页,按"词"建,查关键词又快又准。 🛠️ 跟着做:把架构图变成一段能跑的代码我们把"两条链路"各写成几个函数,跑通一个端到端的迷你 RAG。整条流水…

#RAG#检索#项目实战

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：… 按对话轮次分块，维护时间索引和主题标签长期记忆（Long-term Memory）跨会话的持久化知识（天/周/月级）存储于向量数据库，支持语义检索多维度检索策略维度实现方式权重场景语义相似度对话Embedding + 向量检索（如HNSW）用户询问历史相关话题时间衰减指数衰减函数：score × e^(-λ·Δt) 近期记忆优先重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存…

#高德#Agent#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配题目：在构建RAG系统时，如何对文本进行分块并生成向量化表示，进而利用向量数据库建立高效索引以支持精准检索？请详细说明从文本预处理、嵌入模型选择、向量存储到索引优化的关键技术流程及常用工具（如Sentence-BERT、FAISS、Pinecone等）。

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100…

#美团#RAG 知识库搭建#文档预处理

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：…局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工作原理 RAG 的本质是把「模型参数里的知识」和「外部知识库」解耦。索引侧:把文档切成语义完整的块(避免固定长度一刀切把条款劈成两半,优先按标题/段落等结构边界切分),做 Embedding 后存入向量数据库。检索侧:纯向量检索对订单号、错误码等专有名词效果差(语义相近但字面不同),生产上采用混合检索(…

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：RAG整体流程三阶段架构：索引阶段：文档切分 → 编码模型生成向量 → 写入向量数据库（如FAISS、Milvus）检索阶段：Query编码 → 向量相似度搜索 → Top-K文档召回生成阶段：Query+检索文档拼接 → LLM生成答案编码模型理解核心架构：双编码器（Bi-Encoder） Query → Encoder_q → 向量q Doc → Encoder_d → 向量d Score = q · d （点积或余弦相似度） DPR（Dense Passag…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 → 拼接Prompt上下文 → L…

#美团#混合检索#RAG 技术

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：…计算）解释RAG缓解幻觉的原理列举至少2个优势（知识时效性、可溯源性等）提及至少2个局限（检索质量依赖、上下文长度限制等） RAG基本架构 RAG = 检索（Retrieval） + 生成（Generation），核心思想是"外挂知识库"：用户Query → 向量化 → 向量检索 → Top-K文档 → 拼接Prompt → LLM生成工作流程拆解 1. 索引阶段（离线）文档切分（Chunking） Embedding模型编码 → 存入向量数据库（如Milvus、…

#百度#评估与监控#RAG 架构

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：…型垂直领域（医疗、法律）：检查领域术语的编码质量，必要时用领域数据微调 5. 工程兼容性输出维度：常见768/1024维，需与向量数据库匹配归一化：是否输出单位向量，影响相似度计算方式（cosine vs dot）快速验证方法用业务真实Query-Document对，计算Top-K召回率和MRR，比榜单指标更可靠。

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理

RAG向量数据库选型关键指标

RAG知识库构建流程详解

RAG分块策略：粒度、重叠与写入

RAG 文档怎么存储和向量化?

RAG 基本工作流程是什么?

RAG架构：检索器与重排序策略

向量数据库 vs 传统数据库怎么选？

RAG Retriever 工作机制详解

向量数据库选型关键因素有哪些？

RAG 向量检索怎么高效召回?

RAG 知识库怎么存?

RAG 知识库存储怎么选?

RAG 已经能搜 PDF，为什么视频不能直接入库？

第 2 章:RAG 整体架构

Agent记忆分层与RAG检索

RAG 文本分块与向量索引流程

RAG 知识库搭建流程?

RAG 工作原理与局限怎么分析?

RAG 缓解幻觉的机制

RAG编码模型评估指标与对比

RAG 解决了哪些问题?

RAG 架构怎么工作?

RAG Embedding 模型怎么选?

RAG 工作原理与架构怎么搭?