匹配正文：一、架构设计差异维度传统"先检索后生成" RAG 流程关系流水线式分离：检索→拼接→生成，各模块独立优化端到端融合：检索作为可微分模块嵌入生成流程训练方式检索器固定或独立训练，生成模型无法反馈优化检索联合训练，生成loss可回传优化检索编码器知识存储检索结果作为硬提示（hard prompt）拼接检索向量通过注意力机制软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retri…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配题目：请详细阐述RAG（Retrieval-Augmented Generation）系统的架构设计和关键组件，并讨论提升检索效果的技术方法，包括检索器优化、向量数据库选择、重排序策略等？

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#向量库与重排序#RAG 架构设计

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：很多团队第一次做 Deep Research，会把它理解成“检索次数更多的 RAG”。于是系统不管收到什么问题，都先拆计划、反复搜索、打开网页、整理报告。用户只是问一句“这个产品支持哪些文件格式”，也要等 Agent 跑完一整轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商…

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

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR+结构化提取，金融财报表格…

#字节#领域 RAG#RAG应用搭建

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：…识图谱）的设计与融合查询意图识别与改写机制专业术语的Embedding适配与微调方案答案生成的事实性校验与溯源机制一、整体架构设计用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验二、关键组件详解 1. 领域知识处理（最核心）数据分层结构化：药品库、疾病编码、法条条款 → 构建知识图谱（Neo4j/自研）半结构化：病历模板、合同范本 → 抽取标准化字段非结构化：医学文献、判例文书 → 按语义切块（医疗按就诊流程切…

#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·RAG· 字节

垂直领域 RAG 完整架构

匹配题目：请详细描述如何为专业领域（如医疗或法律）构建一个高质量的检索增强生成（RAG）系统或智能助手，涵盖架构设计、数据源选择与处理、检索系统构建、生成模型优化、安全合规保障以及多环节集成等关键方面，并结合实际应用场景说明各模块的设计考量与协同机制。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：核心区别：从"拼接"到"融合" 1. 架构设计演进维度传统RAG 现代RAG 检索器稀疏检索（BM25）、独立索引稠密检索（DPR、Contriever）、双塔编码生成器固定LLM，仅把检索文本当prompt 可训练或适配的生成模型连接方式字符串拼接，显式上下文窗口潜在空间交互，隐式信息融合典型代表：Facebook的RAG模型（2020）首次将检索器和生成器联合预训练，而非简单拼接。 2. 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·检索· 字节

RAG 架构组件与失败场景

匹配题目：请详细描述RAG（Retrieval-Augmented Generation）系统的典型架构设计、各组件功能以及完整的实现流程。

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 字节

RAG 为何需要重排序?

匹配正文：答案要点向量相似度≠语义相关性，存在语义鸿沟 Embedding模型能力边界导致召回偏差粗排精排的两阶段架构设计必要性大模型具备深层语义理解和上下文感知能力生成阶段需要综合多维度信息做最终决策核心原因：向量相似度存在本质局限 1. 相似度≠相关性向量检索基于Embedding空间距离，只能捕捉浅层语义相似问题："如何防止过拟合" 与文档："过拟合的危害" 向量相近，但可能无法直接回答问题用户真实意图需要深层理解，Embedding模型难以完全把握 2. Em…

#字节#向量召回与重排#RAG 重排序

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：答案要点区分检索失败类型（无结果/低质量结果）并设计不同策略查询改写与扩展的具体方法多路召回与混合检索的架构设计大模型自身知识的安全调用机制用户感知的透明反馈设计核心策略：分层兜底架构 1. 失败类型识别零结果：向量库返回空，检查embedding/索引问题低质量结果：有结果但相似度低于阈值，或Top-K结果差异过大 2. 查询侧优化（自动重试）原始Query → 同义词扩展/Query分解 → 多轮改写 → 重新检索 HyDE方式：用LLM生成假设文档，再…

#百度#小鹏#美团

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…安全落地取舍与风险约4分钟让大模型主动判断检索内容是否足够，触发多轮检索，而不是一次检索就定答案面试官可能会追问Self-RAG的具体机制、Agentic RAG的架构设计，或者多轮检索的延迟和成本问题

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…ch]]，就是向量加[[BM25]]关键词，结合起来，再经过[[Rerank]]重排，才能把最相关的那几段送到模型面前。再一个，RAG的评估也是个头疼事。你不能只看模型回答得顺不顺，还得看它有没有忠实于检索到的文档，有没有忽略关键信息。我倾向用[[RAGAS]]这类框架做自动化评估，但最终还是得人工抽检。所以，我会把RAG看成是让大模型在真实业务里落地的必选项，但不是银弹。它解决了知识时效和幻觉的问题，但前提是知识库本身得可靠、检索链路得精细。我更倾向在架构设计时，就预留…

#科大讯飞#阿里#RAG 架构

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配题目：在构建基于大模型的检索增强系统时，如何评估和选择合适的向量数据库？请从性能、可扩展性、支持的索引类型、查询延迟、与现有技术栈的集成等方面进行详细说明。

#京东#评估与监控#向量数据库选型

面试题·检索· 阿里

RAG 召回又快又准靠什么?

匹配口述回答：…索加精排，对成本敏感的做冷热分层。关键是上线前一定要压测，用真实query回放，对比Recall@K和延迟，不达标就回滚。定位：RAG召回本质是精度、速度、成本的三角博弈检索效率：索引选择与量化压缩的工程权衡相关性：混合检索与两阶段精排的落地组合可扩展：增量更新与冷热分层的架构设计收尾：工程师的取舍判断与延伸点约4分钟增量更新中删除操作的坑：软删除加异步重建，避免图索引质量下降面试官可能会追问图索引动态维护的具体方法，或者一致性保证的细节

#阿里云#召回链路优化#RAG 召回优化

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配题目：在RAG系统中，为什么通常采用两阶段检索（召回+重排序）而不是直接使用重排序模型进行检索？这样的架构设计有什么优缺点？

#字节#两阶段检索#RAG 重排序

面试题·多模态· 京东

VLM 基本原理怎么理解?

匹配正文：…grounding，不同目标解决的问题不同。对GPT-4V等未公开完整架构的产品，只描述官方披露能力，不推断内部连接。 Self-RAG针对文本检索、生成和反思流程，不是验证图像中某实体真实存在的视觉检测器。视觉事实应由区域grounding、目标检测、OCR、坐标或可回看的图像证据支持。评测需拆分感知、grounding、推理和语言先验偏差。

#视觉语言模型#多模态对齐#CLIP

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配正文：答案要点代码表征方案（AST/Graph/Embedding的多层次表示）检索架构设计（文件级→函数级→行级的分层索引）上下文压缩与智能截断策略代码执行沙箱与工具链集成增量更新与实时同步机制核心挑战代码库级Agent区别于通用RAG的关键：结构化语义强、依赖关系复杂、需要精确到符号级别。技术方案分层 1. 多粒度代码表征层级表示方式用途文件级代码摘要Embedding 粗筛相关模块函数/类级 AST + 签名Embedding 定位具体实现行/块…

#字节#Agent#Agent 代码库处理

面试题·Agent· 小红书

冷启动新用户怎么推荐?

匹配题目：在生成式推荐系统中，针对没有任何历史行为数据的新用户（冷启动问题），如何设计有效的推荐策略以实现个性化推荐？请从模型架构设计、内容生成机制、探索与利用平衡（exploration-exploitation）、潜在辅助信息（如用户画像、上下文、社交关系等）的引入，以及RAG或Agent技术的结合等方面，系统性阐述解决方案。

#小红书#Agent#冷启动推荐

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配正文：…工具调用推理层面：模型蒸馏、投机解码、缓存复用工具层面：超时熔断、重试降级、结果验证错误处理：自检机制、人机协同、状态回滚架构设计优化异步与并行化工具调用改为异步执行，LLM推理与工具执行流水线化支持并行工具调用（OpenAI Function Calling的parallel模式），串行改并行流式输出（Streaming）降低首token延迟，提升用户感知执行层优化引入执行引擎（如LangGraph、LlamaIndex Workflows）管理状态机 …

#百度#Agent#Agent 性能优化

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…更、返回格式异常导致 Agent 崩溃缺乏有效的中断恢复机制 4. 可观测性与调试长链路黑盒，难以定位哪一步规划出错三、与 RAG 的协同设计维度 RAG Agent 定位知识检索增强任务执行与决策融合方式 Agent 将 RAG 作为工具之一，或 RAG 结果注入 Agent 上下文典型架构：用户 query → Agent 规划 → 判断需检索 → 调用 RAG 工具 → 基于检索结果继续规划 → 执行最终动作四、工程落地要点容错设计：工具调用失败重试…

#字节#Agent#Agent 系统优缺点

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供事实依据，支撑决策的准确性 3. GUI 模块 —— 图形界面交互功能定位：实现与操作系统、网页、APP的视觉化交互输入：屏幕截图/界面元素描述、操作指令（点击/输入/滑动）输出：预测的操作序列（坐标或元素ID）、执行后的界面状态架构作用：打通Agent与真实数字世界的"最后一公里"，适用于自动化办公、网页操作等场…

#美团#评估与监控#Agent

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：核心思想 GraphRAG的本质是用"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。架构设计（微软开源方案）阶段关键操作输出索引阶段文本分块→LLM抽取实体/关系→生成社区摘要知识图谱 + 社区层级摘要查询阶段路由判断(Local/Global)→子图检索…

#美团#知识图谱#GraphRAG 架构

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…eAct优化、推理预算分配、自适应深度工具层面：工具选择策略、并行调用、结果缓存与容错系统层面：延迟优化、成本控制和可观测性架构设计优化模块化与分层架构将Agent拆分为规划层、执行层、记忆层、工具层，降低耦合采用多Agent协作：主Agent负责任务分解，子Agent并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推…

#百度#Agent#Agent 性能优化

多模态 RAG 架构设计

RAG vs 传统检索生成怎么选?

RAG架构：检索器与重排序策略

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

领域RAG应用链路怎么搭?

医疗法律 RAG 合规追溯

垂直领域 RAG 完整架构

现代 RAG 架构怎么变?

RAG 架构组件与失败场景

RAG 为何需要重排序?

检索失败时 RAG 怎么兜底?

RAG 为何要二次生成?

RAG 解决了 LLM 哪些局限?

RAG向量数据库选型关键指标

RAG 召回又快又准靠什么?

两阶段检索 vs 直接重排?

VLM 基本原理怎么理解?

Agent 怎么处理代码库数据?

冷启动新用户怎么推荐?

Agent 系统性能优化陷阱

Agent 系统优缺点怎么分析?

Agent 功能模块怎么分工?

GraphRAG 架构原理与优势

Agent 性能优化：架构与推理陷阱