匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/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…

#OPPO#RAG 意图识别#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：作用意图识别是可选的路由层，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…

#b站#意图识别与检索路由#RAG 意图识别

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…阶段检索、双索引、模块联动讲清楚。学完你能把"RAG 整体架构"画出来、讲明白每一块为什么这么设计。 2.1 四大模块,各管一摊 RAG 的四大模块 ① 解析·切分·入库(离线):把 PDF/Word/PPT/视频变成干净、带结构、可检索的知识块。这一摊的质量是整个系统的天花板:正所谓 Garbage in, garbage out(垃圾进、垃圾出)。对应第 3、4 章。 ② Query 理解与路由(在线):用户提问进来,先读懂"到底问什么":意图识别、Query 改写/扩写…

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#检索#项目实战

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…优化：设置检索置信度阈值，低置信时触发"反思"模式重新规划；关键节点引入人工审核钩子三、架构层面的融合设计用户Query → 意图识别（轻量模型） ↓ [并行] 检索知识库 + 检索Agent记忆（避免重复检索） ↓ 结果融合 → 相关性打分 → 低分则触发工具调用/搜索增强 ↓ LLM生成 + 引用溯源 → 返回 + 异步更新反馈缓存工程要点：将RAG封装为Agent的工具之一而非底层依赖，保持架构灵活性。学习建议建议系统学习该知识点

#阿里云#Agent#RAG Agent 延迟优化

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：…案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Faiss…

#字节#检索生成流程#RAG 实现

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配追问：…，系统得从几百份文书里找到最贴切的。你从零开始搭这个RAG链路，会怎么设计关键组件，尤其是领域知识怎么处理？层层追问垂直领域的RAG你了解吧？……如果用户问的术语很专业，比如“心肌梗死”和“MI”在检索里怎么对齐？……那多路召回你怎么融合，避免漏掉关键信息？……最后生成答案怎么保证不胡说八道？直球架构详细说说为医疗或法律这类领域构建完整RAG系统链路的方案，包括如何结构化与非结构化处理领域知识、多路召回策略的设计与融合、查询意图识别与改写，以及答案的事实性校验和溯源机…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·检索· 字节

医疗法律 RAG 架构关键环节

匹配正文：…多路召回与重排序策略生成器领域适配与约束机制幻觉控制与可解释性保障系统全链路的评测与迭代闭环整体架构用户Query → 意图识别 → 多路检索 → 重排序 → 上下文组装 → 领域生成 → 后校验 → 输出一、数据预处理（领域知识工程）核心挑战：专业文档结构复杂、术语密集、时效性强层级处理策略文档解析医疗：DICOM/HL7标准解析、病历结构化；法律：合同条款拆分、法条引用识别 Chunk策略语义切分（基于BERTopic）+ 结构切分（章节/条款边界…

#字节#领域RAG架构#专业领域 RAG

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：RAG系统五阶段工作流程 1. 查询理解与改写技术要点：Query扩展（同义词、HyDE生成假设文档）、意图识别、多轮对话历史融合质量影响：查询语义漂移直接导致检索偏差，是RAG失效的首要环节 2. 文档检索（召回阶段）方法适用场景实现要点向量检索（Dense）语义匹配、长尾查询 Embedding模型选择（BGE/M3E）、向量数据库（Milvus/Faiss）、HNSW索引关键词检索（Sparse/BM25）精确匹配、实体查询分词策略、词频权重调优混…

#阿里云#重排与优化#向量检索

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：检索环节优化查询侧优化：Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Enco…

#字节#RAG迭代优化#RAG 优化

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：核心思路 RAG优化是个系统工程，需分模块迭代+数据驱动，避免单点优化陷入局部最优。一、检索层优化（源头质量）手段具体做法索引策略按语义/结构切分（如标题+正文），关键信息冗余存储；多粒度索引（段落+句子）查询改写 Query扩展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top…

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-512 token，需保留上下文重叠向量化（Embedding）：用BGE、M3E等模型将文本转为稠密向量；关键…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：答案要点能清晰划分RAG的三大核心模块（索引、检索、生成）并说明各自职责理解Embedding模型的选型考量和向量数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法律领域微调的ColBERT）时效性加权：新法优先；地域匹配：当事人所在地法规优先三、生成优化 Prompt工程角色：资深法律顾问约束： - 仅基于提供的{references}回答，不确定时明…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…快照，检索时返回最新版稀疏+稠密混合：BM25捕捉时效关键词，向量捕捉语义检索层：动态补偿机制时效性检测：对Query做时间意图识别（"最新"、"2024年"），触发实时搜索补充置信度阈值：检索得分低于阈值时，降级到实时API（如搜索引擎）获取最新信息反馈闭环：用户标注"信息过时"后，触发该文档的优先级降级或更新典型场景金融/新闻：强依赖实时数据，需结合API实时拉取 + RAG历史背景医疗/法律：知识更新慢，侧重权威来源的版本控制学习建议建议系统学习该知…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：核心检索流程 1. 查询预处理查询改写：扩展同义词、纠错、补全上下文（如HyDE生成假设文档）意图识别：区分事实查询/摘要/对比类问题，路由到不同检索策略 2. 向量检索执行索引结构：HNSW（高召回+速度平衡）、IVF-PQ（超大规模）、DiskANN（内存受限）参数调优：ef_search（搜索深度）、M（图连通度）与延迟的trade-off 3. 多路召回融合向量召回（语义相似） + 稀疏检索（BM25，关键词匹配） + 倒排索引（结构化过滤） → 线性加权或…

#字节#向量数据库召回#RAG 向量检索

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…OP 文档里新老版本同时存在，模型可能选错。所以我会在生成前加一步 [[Faithfulness]] 校验，或者用 [[Self-RAG]] 让模型自己学会反思。最后说落地风险。前提是文档质量要干净，切分策略要合理。如果文档是扫描件 [[OCR]] 出来的，或者切分把一句话拦腰截断，召回率会崩。常见失败场景是用户问一个很模糊的问题，比如'怎么投诉'，检索器可能捞出一堆不相关的文档。这时候我会在 query 侧做改写，或者加一层意图识别。所以我的判断是，RAG 不是银弹，它更…

#字节#Retriever#RAG Retriever

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：…rt 3 · 验收串题｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【意图识别作用】 RAG 系统中意图识别模块承担什么关键作用? 中等 → 【意图识别实现】 RAG 系统的意图识别模块是如何实现的? 中等 → 【Query 改写方法】 Query 改写技术有哪些常见的创新方法(同义扩展、语义重写等)? 中等 → 【意图 Prompt 模板】大模型意图识别任务里,如何设计有效的 prompt 模板? 中等 → 【大…

#RAG#检索#项目实战

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…率"衡量切分好坏;这里的召回是动词:指从知识库里把可能相关的 chunk 捞出来这个动作。负责这件事的就是"检索召回模块",它是 RAG 的"搜索引擎"。概念 2:稀疏检索 vs 稠密检索稠密检索(Dense) = 第 4 章的向量检索:把文字变成稠密向量,靠"意思相近"找。懂语义。稀疏检索(Sparse) = 关键词检索(BM25):靠"词命中"找,代表向量大部分位置是 0(稀疏)。精确。 "稀疏/稠密"说的就是向量里 0 多不多,不用纠结这个词,记住"关键词 vs …

#RAG#检索#项目实战

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…化，过粗导致失控记忆压缩语义摘要+关键实体提取平衡信息保真与上下文长度工具权限分级管控+人工确认阈值安全与效率的折中 RAG触发意图识别驱动，非每轮必检减少延迟，聚焦必要场景学习建议建议先掌握大模型基础原理，再学习Agent典型架构（如ReAct、Plan-and-Execute），通过开源项目动手实践，理解各模块协作机制。

#百度#Agent#Agent 系统设计

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配正文：…图切换信号，重置或保留子状态 RAG增强：检索相似历史对话、产品文档、用户画像，辅助消歧例：用户说"那个理财"，结合用户持仓记录RAG召回，推断具体产品 3. 主动追问设计——"聪明地问" 触发条件：关键槽位缺失 + 置信度低于阈值 + 非终止意图问题生成：模板填充 → 大模型生成（需控制长度、选项数量）终止策略：用户确认完成 / 达到最大轮数 / 检测到放弃信号 4. RAG与Agent的协同机制用户输入 → 意图识别 → [需要补全?] ↓ 是 RAG检索: 领域…

#蚂蚁#Agent#Agent意图补全

面试题·RAG

LLM 封闭标签方法对比

匹配题目：假设你有一个通用大语言模型（LLM），希望将其应用于封闭集合标签分类任务（如情感分类、意图识别等），有哪些有效的方法可以确保模型输出严格限定在预定义标签范围内？请比较不同方法的优劣。

#封闭集合分类#约束解码#LLM 封闭标签方法对比

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：…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度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找I…

#安克科技#混合知识库存储#向量数据库

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…样本治理：曝光未点击可作为带噪候选，须考虑用户是否看见、位置与反馈延迟；与随机负样本、人工偏好及去偏方案做对照。 3. 系统集成：RAG与Agent的深度融合用户Query → Agent规划（意图识别→工具调用）→ RAG检索实时热点/库存 → 生成式模型融合多源信息 → 交互式澄清（多轮）→ 最终推荐 RAG增强：接入实时笔记池、趋势话题，解决生成内容"过时"问题 Agent协同：支持多轮对话式推荐，主动询问偏好（如"喜欢户外还是室内活动？"），突破单次请求的信息局限 …

#小红书#Agent#生成式推荐系统