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

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

#RAG 架构

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配题目：请分析检索增强生成（RAG）技术在实际应用中存在的主要缺陷和局限性，并讨论相应的解决方案或改进方向。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 百度

RAG 架构怎么工作?

匹配题目：请解释检索增强生成（RAG）的基本架构和工作流程，阐述其如何结合信息检索与语言生成能力，并讨论其在知识密集型任务中的优势以及可能存在的局限性。

#百度#评估与监控#RAG 架构

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排融合→上下文压缩→生成约束的全链路优化关键局限性局限类型具体表现典型场景检索质量瓶颈语义匹配≠相关性，Top-K可能漏关键信息专业术语、多义词上下文碎片化长文档切块导致逻辑断裂技术文档、法律条款推理…

#美团#RAG 局限性#RAG 优化方向

面试题·项目与经历· 商汤科技

项目局限性与改进方向

匹配正文：…尝试【方案】，结果【】，副作用【】；下一步以【最小实验】验证。若无法在预算内解决，采用【回退、拒答、人工或权限限制】控制风险。 RAG 项目要拆分 retrieval recall/precision、证据进入上下文、context utilization、faithfulness、最终任务成功和延迟成本。召回提高可能带来更多噪声，但并不存在“召回和幻觉天然此消彼长”的定律。top-k、重排、上下文组织、模型能力和任务分布共同决定结果，必须用同一评测集做曲线。不得补写候选…

#项目复盘#技术债务#系统优化

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：答案要点清晰阐述RAG的核心原理（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 …

#美团#混合检索#RAG 技术

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…如RAGAS、ARES）与组件级指标的区别强调事实性/幻觉检测的重要性提及业务场景下的实用指标（如延迟、成本）体现对评测方法局限性的认知 RAG评估要分两个层面来看：检索端和生成端，再加上端到端的整体评估。一、检索质量指标（决定上限） Recall@K / MRR：核心看相关文档有没有被召回，RAG的瓶颈往往在检索 NDCG：考虑排序质量，排在前面的文档相关性权重更高精确率：避免引入过多噪声文档干扰生成二、生成质量指标（决定体验）事实一致性（Faithfulne…

#淘天#评估与监控#RAG 核心指标优先级

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…源、学术辅助）纯LLM更合适的场景：通用创意写作、开放式闲聊（无需外部事实约束）常识推理、代码生成（知识已内化为模型能力）局限性与应对局限表现缓解思路检索失效召回文档不相关或遗漏混合检索（BM25+向量）、查询重写、重排序上下文爆炸多文档超出窗口限制摘要压缩、分层检索、长上下文模型多跳推理弱需跨文档关联时易断链引入知识图谱、迭代检索（Self-RAG）生成与检索耦合模型过度依赖或忽略检索内容训练时加入"无相关信息"样本、调整prompt权…

#淘天#阿里#RAG 架构

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：为何需要重排初检的局限性向量检索（双塔模型）追求效率，用点积/余弦快速近似，牺牲语义精细度多路召回（BM25+向量+关键词）结果混杂，缺乏统一相关性度量存在"伪相关"：向量相似≠真实答案相关解耦设计的好处召回阶段：广撒网，保召回率，毫秒级响应重排阶段：精筛，保准确率，接受百毫秒级延迟重排的核心作用作用说明语义精排用交互式模型捕捉query与doc的细粒度匹配多路融合统一打分不同来源的候选（向量/BM25/图谱）业务过滤加入时效性、权威性、用户偏…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配口述回答：…，比如[[ColBERT]]这种Late Interaction方案，在效率和效果之间做平衡。所以，我更倾向于把Rerank看成RAG系统里的一个质量把关者，而不是性能瓶颈。落地的时候，我会先评估业务对精度的要求有多高，如果只是随便问问，Top 1够用，那甚至不需要重排；但如果涉及到客服退款、合规审查这种风险敏感场景，重排就是必须的。我的取舍是：宁可多花几十毫秒做重排，也不让用户看到无关结果。本质：召回与精度的两阶段协同向量检索的局限性：粗粒度与信息压缩 Rerank的…

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配追问：场景切入假设你在做一个企业知识库问答系统，用户提问“今年的报销流程是什么”，系统从文档里检索相关内容再生成回答。你用过RAG方案吧？能聊聊它具体是怎么工作的，以及你觉得在落地时有哪些坑？层层追问你平时处理知识密集型问答时，一般怎么让模型利用外部知识？……那如果把检索和生成结合起来，你觉得这种方案有什么优缺点？……在实际业务中，比如客服场景，你会在哪些环节特别注意？直球架构请直接谈谈你对RAG技术的理解，包括它的核心工作原理、优势与局限性，以及在电商、金融等不同场景下…

#美团#评估与监控#RAG 工作原理

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：…语言。因此检索与偏好训练可以互补，但都可能失败；需要分别评估知识覆盖、事实正确、引用支持和安全行为。比如在客服系统里，我会先用 RAG 从知识库检索退款政策，并检查证据；再比较经过偏好训练的模型是否在事实、安全和表达上满足目标，而不预先保证结果。但这里有个延伸点：如果知识库本身有错，或者更新不及时，RAG 反而会引入错误。所以我现在更关注 [[Self-RAG]] 这种让模型自己反思检索结果的技术。你怎么看这种方案的价值和局限性？最后说我的判断：我更倾向把 RAG 作为…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配口述回答：…费算力。现在有[[Self-RAG]]这类方案，让模型生成时动态决定是否触发检索，甚至能自我反思检索结果是否可靠。这个方向我觉得是RAG下一步的关键。所以整体上，我更倾向于把RAG看作一个插件，而不是银弹。它解决的是知识更新和事实准确性这两个痛点，但推理能力还得靠SFT打底。落地的时候，我会先评估业务场景对实时性和可溯源的要求有多高，再决定RAG和SFT的比例。本质是参数化知识局限性边界划分：RAG适合动态、长尾、需溯源场景具体场景举例：客服退款政策落地风险：检索质…

#美团#RAG vs SFT#RAG

面试题·检索· 字节

RAG 为何需要重排序?

匹配追问：…摄像头参数对比”的文章，但内容全是参数列表，没有实际拍照效果。你觉得光靠向量相似度够吗？为什么还需要大模型再处理一遍？层层追问 RAG系统里召回这一步，你一般用什么方式？……那向量相似度能保证召回的内容和问题真正相关吗？……如果用户问“如何防止过拟合”，召回了“过拟合的危害”，你觉得这个结果行不行？……那接下来你通常会怎么做来提升质量？直球架构在RAG系统中，为什么不能只靠向量相似度做召回，还需要大模型重排序或生成？请从向量检索的局限性、两阶段架构的必要性以及大模型的独…

#字节#向量召回与重排#RAG 重排序

面试题·Agent· 字节

Agent 架构的取舍与适用条件

匹配正文：…），突破模型参数限制动态决策根据中间结果调整策略，而非固定流程可解释性思考链（CoT）和动作轨迹可追溯，便于调试二、主要局限性延迟高：多轮LLM调用+工具执行，RT常达秒级甚至10s+ 错误累积：单步错误会级联放大，"一步错步步错" 系统复杂：状态管理、工具注册、异常处理工程量大成本不可控：Token消耗和工具调用费用难以预估三、与RAG的关系：协同而非替代 RAG是Agent的一种工具，Agent是RAG的增强形态场景方案原因单次检索即可回答纯RA…

#字节#Agent#Agent 架构

面试题·评估· 字节

Attention 在多轮对话中有什么局限?

匹配正文：…n，延迟线性增长，实时性崩塌 2. KV Cache显存瓶颈多轮对话需缓存每层的K、V矩阵，长度随轮次累积工具调用返回的结果、RAG检索的文档进一步膨胀缓存显存占用 = 层数 × head数 × head_dim × 序列长度 × batch_size × 2(K+V) 3. 位置编码外推失效训练时固定长度（如4K），Agent推理时远超此长度绝对位置编码（正弦/可学习）出现注意力分散，相对编码（RoPE）外推性不足长距离历史信息"被遗忘"或注意力权重异常 Age…

#字节#评估与监控#Attention 局限性

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配题目：大语言模型在生成过程中容易产生事实性错误或虚构内容（即‘幻觉’）。请从模型训练、推理控制、知识增强（如RAG）和后处理等多个层面分析缓解幻觉问题的有效方法及其局限性。

#阿里#幻觉治理#大模型幻觉缓解

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配正文：…规划） ⭐⭐⭐☆☆ 需要多轮决策，但幻觉风险较高高 stakes 决策（医疗/金融） ⭐⭐☆☆☆ 容错极低，需人机协同兜底核心局限性模型层面幻觉传导：规划错误会级联放大，传统RAG难以解决推理链幻觉上下文瓶颈：复杂任务超出窗口，关键信息丢失系统层面延迟与成本：多轮工具调用导致TTFT和总耗时不可控安全边界：工具权限管控、沙箱隔离、提示词注入攻击体验层面不可解释性：用户难以理解Agent"为什么这么做" 过度依赖：简单任务也走复杂规划，性价比低未来趋势与挑…

#字节#Agent#大模型 Agent 优缺点

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：答案要点 RAG基本原理（检索+生成两阶段流程）传统RAG的局限性（语义碎片化、缺乏全局关联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配正文：答案要点传统RAG的局限性（语义孤立、全局信息缺失） GraphRAG的核心流程（索引阶段构建知识图谱+社区摘要，查询阶段利用图结构检索）社区发现算法在GraphRAG中的作用 GraphRAG相比传统RAG的三类优势（连接性、全局性、可解释性）实际落地时的权衡（成本、延迟、图谱质量）传统RAG的局限传统RAG将文档切分为独立文本块，通过向量相似度检索。问题在于：语义孤立——文本块间的关系丢失；全局信息缺失——无法回答"总结全书主题"这类跨文档问题。 GraphRA…

#字节#知识图谱#GraphRAG

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配正文：答案要点 Agent与RAG的本质区别（主动规划vs被动检索）核心优势：任务分解、工具调用、多轮交互、自主决策主要局限：可靠性不稳定、延迟高、成本不可控、安全边界难定义技术趋势：Multi-Agent协作、Agent即服务(AaaS)、与具身智能结合潜在挑战：评估体系缺失、长期记忆机制、多模态工具生态核心优势 1. 从"问答"到"执行"的跃迁 RAG是"知识检索+生成"，Agent是"理解→规划→执行→反思"的闭环能调用外部工具（API、代码执行、数据库），完成复…

#字节#Agent#Agent 优势与局限

RAG 局限性怎么破?

RAG 缓解幻觉的机制

RAG 解决了 LLM 哪些局限?

RAG 有哪些主要缺陷?

RAG 架构怎么工作?

RAG 深度与局限怎么破?

项目局限性与改进方向

RAG 解决了哪些问题?

RAG 核心指标优先级

RAG 核心架构与工作流程

RAG 重排作用与实现

RAG 为什么需要 Rerank?

RAG 技术实现怎么落地?

RAG 工作原理与局限怎么分析?

RAG vs RLHF 幻觉治理

RAG 为何比 SFT 更优?

RAG 为何需要重排序?

Agent 架构的取舍与适用条件

Attention 在多轮对话中有什么局限?

训练/推理/知识增强怎么选?

大模型 Agent 优缺点怎么分析?

GraphRAG 怎么提升检索质量?

GraphRAG 怎么提升检索效果?

Agent 优势与局限怎么分析?