匹配正文：…了、有数据支撑",在职后端的杠杆在"我这套东西真能扛住线上、有稳定性和成本意识"。后者常被忽视——很多算法候选人恰恰答不好"你这 RAG 上线后 p99 延迟多少、成本怎么控",这正是后端的主场。想更系统地看后端经验怎么翻译,看后端/Java 转大模型怎么把老本变成新能力。一个具体反例:跑通 demo 就写"独立搭建 RAG 系统" 这是最常见、也最容易被当场拆穿的做法。你跟着教程把 demo 跑通,截了图,简历上写下"独立搭建基于 RAG 的智能问答系统,实现文档检索与…

#求职#职业转型

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…y测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embedding微调、索引参数调优。学习建议建议先掌握RAG整体架构，再分步学习数据清洗、分块策略和嵌入原理，结合开源工具如LangChain和FAISS动手实践，加深理解。参考资料 Pandoc官方输入格式 ColBERT原论文:文本late interaction ColPali原论文:视觉文档检索 Faiss官方索引、增量与存储

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

#字节

#文档处理

#RAG 数据处理流程

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…Prompt上下文 → LLM生成答案关键优势：知识可实时更新，无需重新训练模型。我项目中解决的3个核心问题问题具体场景 RAG解决方案效果知识幻觉客服系统回答产品参数错误强制从官方文档检索生成事实准确率从72% → 94% 时效性政策解读系统需跟进最新法规增量索引新文件，无需微调新法规上线当天可用领域知识医疗问诊需专业医学知识构建医学知识库作为外部记忆专业术语理解准确率提升35% 关键工程实践召回策略：向量检索 + 关键词BM25混合，解决…

#美团#混合检索#RAG 技术

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·文档处理· 字节

RAG 数据处理与索引流程?

匹配题目：在构建RAG系统时，从原始文档到可检索知识库的完整数据处理与索引流程包含哪些关键步骤？请详细说明各阶段的技术要点及其对系统性能的影响。

#字节#文档处理#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

匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“这款手机拍照怎么样”，你要从产品手册里找答案。手册那么长，你打算怎么切段？切太小怕丢上下文，切太大又怕检索不准，你怎么平衡？层层追问文档检索系统里，文本是怎么变成向量的？……那你存到向量数据库之后，怎么建索引才能查得快？如果数据量到百万级，你用什么索引结构？……那如果还要支持关键词匹配呢？直球架构从原始文档到检索结果，你一步步把整个流程讲清楚：文本怎么分块、用什么嵌入模型、怎么存到向量数据库、索引怎么优化才能既快又…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配口述回答：…有银弹，我会根据文档类型和业务场景灵活组合，但核心原则是保证每个切块语义完整、携带足够的上下文。一句话定位：这道题问的是怎么保证RAG输入质量数据清洗流程：标准化、去噪、质量过滤切块策略：固定长度、递归字符、语义切分，实际常用递归+overlap 业务案例：企业SOP文档检索落地风险：切得太碎丢失上下文，overlap和元数据很关键延伸可延伸点：切块和Embedding模型的窗口大小要匹配约4分钟切块大小要和Embedding模型的窗口大小匹配，否则会被截断影响…

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配口述回答：好，这道题问的是 [[Chunk]] 划分策略，我觉得它本质上是在考一个取舍：你如何在检索精度和上下文完整性之间做平衡。因为 [[RAG]] 的召回质量，很大程度上取决于你切出来的块是不是既独立又完整。先说最直接的固定长度分块，按多少 token 或者字符数硬切。这个方案好处是简单、快，[[Embedding]] 批量处理效率高，而且能精确控制上下文长度。但它有个硬伤，就是边界可能把一句话或者一个逻辑单元从中间切断。举个例子，如果一篇文档在讲「深度学习的优化方法」，其中一句…

#腾讯#文档处理#RAG Chunk 划分

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配口述回答：这道题其实问的是，当你有好几条召回策略时，怎么能科学地判断哪条好、怎么组合，最终要服务[[RAG]]的生成效果。我一般会从定量、定性、还有RAG特有的分层评估这几个角度来说，但核心思路是：指标只是工具，业务场景才是裁判。先说定量指标。像Recall@K和Precision@K是基础，但怎么取舍要看场景。比如客服退款场景，用户说“我上个月买的鞋开胶了”，如果召回没把退款政策文档拿回来，LLM就编不出答案，所以Recall是底线，我通常会设个阈值比如95%，低于这个的直接淘汰。…

#美团#评估与监控#多路召回评估

面试题·评估· 小鹏

RAG 失败场景诊断

匹配追问：场景切入假设我们做电商客服RAG，用户问‘这个充电宝支持快充吗？’，系统可能会从商品文档检索，也可能从对话历史里找，你怎么评估这个检索和生成的整体效果？层层追问 RAG上线后，你怎么知道它好不好？……检索和生成是不是分开看？……那有没有一些自动化的指标能同时评估两者？直球架构评估一个RAG系统的效果，你从哪几个维度设计指标？检索层和生成层分别用什么指标？端到端评估你会怎么做？

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…，这样Recall才能拉上去。再说生成端，核心指标是 [[Faithfulness]]，也就是答案是不是忠实于检索到的文档。这是RAG的生命线，直接对应[[幻觉]]问题。你不能模型自己脑补出一段看起来流畅但文档里根本没有的话。举个例子，企业内部的合规文档检索，员工问某个条款怎么解读，模型必须严格基于文档回答，不能自由发挥。如果只盯着流畅度或相关性，忽略了事实一致性，那RAG就失去了意义。自动化指标比如[[RAGAS]]，用LLM打分来评估忠实度和相关性，适合大规模快速迭代。…

#淘天#评估与监控#RAG 核心指标优先级

面试题·Prompt· 商汤科技

RAG Prompt 模板设计陷阱

匹配口述回答：这道题我觉得本质是在问：[[RAG]]系统里，你怎么通过prompt设计让大模型真正「用」你给的资料，而不是「编」答案。说白了，就是怎么让模型在检索增强的框架下，做到既精准又可信。我一般会从三个层面来拆。先看结构分层。我会把prompt分成三块：系统指令、检索上下文、用户查询。系统指令定规矩，比如「只用参考文档，不准用预训练知识，信息不足就说不知道」；检索上下文就是top-k片段，每条带上编号、来源、相关性分数；用户查询就是原始问题。这样模型能清楚知道哪些是事实，哪些是问题…

#商汤科技#Prompt工程#Prompt 模板设计

面试题·检索· 字节

RAG检索方法如何优化？

匹配追问：…发货了没”，你会怎么去检索知识库？是用关键词匹配订单号，还是用向量找类似对话？这两种方法各有什么利弊，实际你会选哪种？层层追问 RAG系统里你一般怎么找相关文档的？……那如果用户问的问题很口语化，比如“那个东西能不能退啊”，纯关键词可能匹配不上，你怎么办？……混合检索的话，你怎么融合两种结果？权重怎么定？直球架构说一下RAG系统中常用的检索方法，对比优缺点。然后结合一个具体场景，比如法律文档检索，你会怎么选技术方案？后续性能优化你从哪几个方面入手？

#字节#RAG检索选型#RAG 检索方法

面试题·检索· 字节

RAG检索质量差：Embedding与Rerank调优

匹配口述回答：这道题其实是在问，当[[RAG]]的检索环节掉链子时，怎么系统性地定位和修复。我一般先定位失效环节，是召回不够、精度太差，还是排序没排好。比如召回问题，相关文档根本没进候选池，那可能是向量表示不够好或检索范围太小；精度问题就是噪声文档混进来了，需要过滤或[[重排]]；排序问题则是相关文档得分低，得改进重排模型或特征。具体到方案，我重点讲几个点。先说查询侧优化。用户query经常口语化、缺主语，我会用LLM做意图澄清，扩展同义词、补全主体。还有一个好用的技巧是HyDE，先用模…

#字节#检索故障诊断#检索质量优化

求职指南·RAG

混合检索、RRF 与重排项目模拟面试

匹配正文：… 需要追加追问时：ownership_ambiguous → ownership-proof。下一步：design。配套学习：RAG 文档检索选型。 2. ownership · ownership-proof 请用一次参数变更、离线实验或线上回滚说明你的决策如何进入生产。考察重点：用可脱敏工件交叉验证职责，而不是继续听抽象表述。能对应到本人动作的变更、评审或设计记录本人负责的参数变更、离线实验、配置 diff 或线上回滚记录下一步：design。配套学习：项目…

#模拟面试#简历项目#连续追问

系统教程·知识图谱

知识图谱与 GraphRAG 面试题大全

匹配正文：…加，但在复杂关系、多跳推理、强结构业务里很容易成为加分项。面试关键是讲清什么时候需要图谱，以及图谱和向量检索怎么配合。配套教程 RAG 面试题大全与知识体系大模型系统设计：复杂知识检索怎么拆知识模块知识图谱、GraphRAG 与结构化检索知识图谱、GraphRAG 与结构化检索常见问题 GraphRAG 适合什么场景？适合实体关系密集、需要多跳关联或全局结构总结的场景。普通 FAQ 或短文档检索不一定需要图谱，先把基础 RAG 做好。知识图谱和向量检索是替代关…

#专题学习#知识图谱与 GraphRAG 面试题大全

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…么提速。 2.1 评估五维度:别只盯着"准不准" 评估上线准备时,光看"答得对"通常不够。可以按业务风险从下面五个维度选择指标: RAG 评估的五个维度 ① 召回 / 准确:检索用 Recall@k、MRR;生成用 BLEU、ROUGE 对比参考答案。 ② 可信度:答案里有几成内容能在检索到的原文里找到依据(覆盖率)。 ③ 响应速度:平均延迟,以及 P95 / P99 尾延迟(95%、99% 的请求多久内返回)。 ④ 可扩展性:数据涨到百万级、并发上来后,QPS(每秒查询数)…

#RAG#检索#项目实战

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…E（开源）中文优化好，可本地部署，成本可控大规模生产、隐私敏感场景 E5/GTE 长文本支持好，学术benchmark领先长文档检索、技术报告类场景 ColBERT 延迟交互模型，细粒度匹配能力强高精度要求、可接受更高延迟选型要点：中文场景优先BGE；成本敏感选自研/开源；需要解释性考虑ColBERT类模型。三、主流向量数据库对比数据库核心特点最佳场景 Milvus/Zilliz 云原生、分布式架构成熟、GPU加速十亿级规模、企业级生产环境 Pinecon…

#字节#向量检索#Chunk 向量化

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配追问：场景切入假设你在做客服文档检索，用户问“怎么退款”，系统从知识库找答案。如果一篇文章很长，你是整个塞进去还是切开？切的话怎么保证上下文不丢、又能精确命中问题？层层追问 RAG系统里文档怎么处理才能让检索效果好？……那如果直接按固定字数切，会不会把一句话切开？……怎么在完整性和精确性之间找平衡？具体你会怎么设计？直球架构设计一个RAG系统的分块策略，核心目标是平衡上下文完整性和检索精确性。你会考虑哪些分块方法？有什么最佳实践？比如重叠、边界处理这些，具体怎么落地？

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配追问：场景切入假设你在做电商客服的RAG系统，用户问的退货政策需要从一堆文档里找。你会怎么选文本嵌入模型？是把整段政策文本直接存向量，还是先分块？具体流程走一遍看看。层层追问 RAG里文档检索那步，文本嵌入模型怎么挑？……如果文档特别长或者多语言呢？……选好模型后，原始文本怎么处理成向量存进数据库？每一步的关键点是什么？直球架构在RAG系统中，根据任务需求选择文本嵌入模型的策略是什么？文本chunk向量化后存入向量数据库的完整流程，从分块到索引构建，详细说一下。

#字节#Embedding 模型选型#RAG 向量化流程

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配口述回答：…的是召回策略怎么选、怎么评估，我觉得本质是在问一个取舍问题：你希望系统尽量多地把相关文档捞上来，还是希望捞上来的都是精的？因为[[RAG]]和推荐系统不一样，推荐猜对了就行，RAG必须把正确答案喂给LLM，不然模型再强也白搭。所以离线阶段，我重点看四个指标：Recall@k、MRR、NDCG，还有Precision@k。但最关键的其实是Recall@k，因为它决定了天花板，如果前k个结果里根本就没有相关文档，那LLM再厉害也看不到答案。不过这里有个坑：Recall@k再高，如…

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：…计算、API）扩展模型边界 Memory 对话历史管理 Buffer、Summary、Vector三种策略 Retriever 文档检索接口 RAG知识库问答 Agent工作流程（以ReAct为例）用户输入 → 思考(Thought) → 行动(Action:调用工具) → 观察(Observation) → ... → 最终答案循环直到Agent判断任务完成，核心是推理与行动的交错执行。优缺点优势：上手快、生态丰富、快速验证想法劣势：过度封装导致调试困难、性能开销…

#快手#评估与监控#Agent

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：…（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文效果优秀长文档检索、法律文书 M3E (开源社区) 轻量、易部署，适合资源受限环境边缘部署、快速验证 BCEmbedding (网易) 双语对齐好，跨语言检索强中英混合场景 2. 国际主流模型 OpenAI text-embedding-3/ada-002：效果稳定，AP…

#百度#文本嵌入模型#Embedding 模型对比

RAG 文档检索选型

手把手把 RAG 教程做成"你自己的"项目

RAG 向量索引构建流程详解

RAG 解决了哪些问题?

RAG流程：检索到生成各阶段陷阱

RAG 数据处理与索引流程?

RAG 文本分块与向量索引流程

RAG 数据清洗与 Chunking 怎么选?

RAG 文档 Chunk 划分策略怎么选?

多路召回评估指标与RAG场景

RAG 失败场景诊断

RAG 核心指标优先级

RAG Prompt 模板设计陷阱

RAG检索方法如何优化？

RAG检索质量差：Embedding与Rerank调优

混合检索、RRF 与重排项目模拟面试

知识图谱与 GraphRAG 面试题大全

第 10 章:系统评估与上线优化

Chunk 向量化与索引怎么选?

Chunking 策略怎么平衡上下文与精度?

Embedding 模型选型 vs 落地流程?

召回策略怎么选? Recall@k 怎么看?

LangChain 关键组件与流程?

文本嵌入模型怎么选?