匹配正文：…让大模型基于它作答,并控制回答、做引用溯源、防幻觉。是面向用户的**"答主"**。对应第 9 章。面试提示:面试官让你"画一下 RAG 架构",别只画一条 query→检索→LLM。先把"离线 / 在线"两条链路分开,再标出四大模块的位置。这样能说明每一环怎样验收:检索不准时,应区分是解析、切分、召回、重排还是 Query 理解出了问题。 2.2 在线检索:为什么是"双路召回 + 两阶段" 很多人以为检索就是"算个相似度取 Top-K",工程系统可以根据查询与风险增加路由、…

#RAG#检索#项目实战

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…稀释。每次都重算知识库向量:知识库向量离线算一次存好,在线只算问题向量。不做切分:整篇文档当一个片段,要么超长、要么粒度太粗,检索不准。关联面试题「RAG 的完整流程是什么?检索质量怎么优化?」「为什么需要混合检索?向量和 BM25 各自的短板是什么?」 👉 去题库搜 RAG / 混合检索 / 重排 / 切分。训练营延伸课程项目继续练习多格式入库、检索评测、权限与部署的工程闭环。可以先阅读公开项目教程，再根据自己的基础了解具体课程安排。参考资料 Open…

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

#Agent

#AI 编程

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…→生成层→数据层）明确三类数据集（开发集、对抗测试集、线上回流数据）数据质量控制需覆盖采集、清洗、标注、持续监控全链路区分"检索不准"与"生成幻觉"两类根因给出可落地的迭代闭环机制诊断流程：三层定位法第一层：判断问题来源检索问题：召回文档不相关或排序靠后生成问题：检索准确但模型未正确利用（幻觉/忽略上下文）数据问题：知识库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25、向量检索、…

#字节#RAG 上下文不准确#RAG 诊断

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…分检索失败与生成失败的诊断方法关键指标设计（召回率、相关性、忠实度、答案相关性）消融实验与人工分析的结合典型错误模式的识别（检索不准、生成幻觉、协同失效）核心诊断思路：分层定位，逐层验证 RAG故障排查的关键是隔离变量，把端到端问题拆解到具体模块。第一层：判断检索模块是否合格关键指标 Recall@K：正确答案是否在Top-K检索结果中（K通常取5或10） MRR/NDCG：排序质量，相关文档是否排在前面诊断方法人工抽检：随机采样bad case，人工判断"给…

#检索诊断#生成协同#RAG 效果诊断

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：答案要点能清晰区分RAG与微调的技术边界，说明何时选RAG 讲清楚"离线建库-在线检索-增强生成"的三阶段流程理解Embedding模型和向量数据库的核心作用知道RAG的典型痛点（检索不准、上下文过长）及优化方向能提及高级变体如GraphRAG、Self-RAG等 RAG核心定位 RAG = 检索(Retrieval) + 生成(Generation)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档…

#字节#检索生成流程#RAG 技术原理

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…输出（JSON模式）质量影响：幻觉抑制依赖上下文相关性与指令遵循能力的平衡各环节协同关系检索质量是天花板，生成能力是地板——检索不准则生成必错，检索准确但生成指令不清则答案冗余。实际系统中需建立检索-生成联合评估闭环，持续优化Embedding模型与领域数据对齐。学习建议建议先掌握RAG基本流程框架，再结合实际案例理解检索器、重排序和生成模型的协作机制，多动手搭建简单RAG系统加深理解。

#阿里云#重排与优化#向量检索

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：答案要点延迟挑战：检索耗时、多轮调用、大模型生成慢正确率挑战：检索不准、上下文噪声、多跳推理失败根因分析：向量检索局限、长上下文稀释、工具链复杂优化思路：预检索策略、重排序、缓存机制、混合检索延迟挑战与根因瓶颈环节具体表现根因检索阶段向量库查询+重排序耗时高大规模向量ANN搜索精度-速度trade-off，跨模态检索更慢工具调用 Agent多轮Planning-Action循环每次LLM调用串行，工具响应不可控生成阶段长上下文导致首token延迟…

#快手#RAG延迟优化#RAG 延迟与准确率优化

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·评估· 字节

RAG 三大瓶颈与迭代策略

匹配追问：场景切入假设你在做一个电商客服RAG系统，用户问“我的订单怎么还没到”，结果检索出来的文档跟订单状态没什么关系，生成了一堆废话。你遇到这种检索不准的问题，一般会怎么排查和优化？层层追问 RAG系统里，你觉得最影响用户体验的瓶颈是什么？……那检索精度低怎么解决？……生成质量呢？上下文太长或信息冲突怎么办？……效率方面，检索延迟和吞吐怎么平衡？……你整体上会分几个阶段来迭代优化？直球架构请系统性地阐述RAG系统的常见性能瓶颈，以及对应的迭代优化策略。从检索精度、生成质量和…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 百度

RAG 架构怎么工作?

匹配追问：…?……如果外挂一个知识库呢?……那具体怎么把用户问题转成检索,再把搜到的内容和问题拼起来给模型?整个流程怎么串? 直球架构聊一下RAG的架构和工作流程,从索引、检索到生成怎么配合?它为什么能缓解幻觉?实际落地中,你会碰到哪些瓶颈,比如检索不准或上下文不够用?

#百度#评估与监控#RAG 架构

面试题·模型微调· 字节

RAG 检索噪声 3 大策略

匹配口述回答：这道题问的是[[RAG]]检索不准怎么办，在我看来，本质是两件事没对齐：一是信息源怎么拆和怎么标，二是匹配逻辑怎么调。拆得不对，后面怎么改都难。我从数据构建、检索优化和后处理三个角度讲一下我的做法。先说数据构建。文档切分很多人直接按固定字数截断，但这对语义是破坏性的。我一般会按语义边界来切，比如标题、段落，还会加一个重叠窗口，保证上下文连贯。举个例子，处理客服退款政策文档时，我会把“退款条件”和“退款流程”作为两个独立块，但每块末尾带上下一块的标题，这样检索时不会漏掉跨块信…

#字节#RAG 检索噪声#RAG 数据构建

面试题·检索· 字节

RAG 重排序怎么选?

匹配追问：场景切入假设你在做一个电商客服RAG，用户问“这个手机能防水吗”，向量检索出来一堆文本，但排在第一的其实是另一个型号的规格。你打算怎么处理这种检索不准的情况？需要加一个重排序环节吗？层层追问 RAG系统里检索阶段你一般怎么实现？……向量检索直接拿top-k给大模型感觉够用吗？……如果要求最终结果必须非常精准，你怎么改进召回后的排序？直球架构 RAG中为什么需要重排序？你会选择哪种重排序方法？从精度、延迟、成本角度，给出你的设计方案。

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配追问：场景切入假设你在做一个电商客服的RAG系统，上线后发现用户经常问“上次说的那款手机还有货吗”，但系统答非所问。你从哪几个方面去排查和迭代优化？层层追问 RAG系统上线后怎么持续优化？……你先说说从哪些维度入手……那检索不准怎么调？重排模型怎么加？……再往后生成质量怎么提升？评估指标要怎么定？直球架构请从检索、重排、生成、评估这几个关键维度，讲讲如何对一个RAG系统做持续迭代和优化，每个维度具体有哪些改进手段？

#字节#RAG评估闭环#RAG 系统优化

面试题·检索· 快手

RAG 延迟准确率根因

匹配口述回答：这道题其实问的是[[RAG]]落地时最核心的工程博弈：延迟和准确率怎么平衡。咱们先看延迟。首Token延迟高，用户问一句，得等检索完才开始生成，体验很糟糕。根本原因是链路串行，向量检索、[[重排序]]、上下文组装、生成，各环节挨个跑，尤其是Rerank，[[Cross-Encoder]]精度高但慢，百毫秒级，成了瓶颈。还有上下文膨胀，检索Top-K文档后，长上下文导致Prefill阶段计算量激增。举个真实场景：客服系统里，用户问“我退款为什么还没到”，系统得先检索退款政策、订…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 小红书

RAG 局限性怎么破?

匹配追问：…人，用户问‘上次那款红色羽绒服多少钱’，系统去知识库检索，可能只找到一堆类似但无关的商品，或者干脆返回一个过时的价格。你遇到过这种检索不准导致的回答翻车吗？实际中你觉得RAG在哪些环节最容易出问题？层层追问你觉得RAG相比纯生成模型有什么优势？……那它的短板主要在哪儿呢？检索结果如果包含噪声，或者上下文太长把关键信息淹没了，你怎么处理？……再深入一点，如果用户问的问题需要多步推理，比如‘北京那个客户昨天下的订单今天发货了吗’，RAG能搞定吗？直球架构请系统性地分析RA…

#小红书#RAG局限性#RAG 局限性

求职指南·求职

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…t 里模型要自己决定下一步调哪个工具、什么时候停、失败了要不要重试换路。这就是为什么 Agent 项目更难讲清、也更值钱。维度 RAG 项目 Agent 项目主链路检索 → 重排 → 拼上下文 → 作答观察 → 决策 → 调工具 → 再观察(循环 N 步) 控制流基本线性,一次调用出结果循环 + 分支,步数不定最大风险检索不准、幻觉循环不收敛、工具调用失败、成本失控面试重点召回率、切块、引用溯源失败恢复、可观测、步数/成本上限、可控性你要证明检索链…

#求职#职业转型

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配口述回答：…ompt 就行。长期记忆就复杂一点，需要把历史对话、用户画像、领域知识存到 [[Vector Database]] 里，通过 [[RAG]] 检索出来。这里有个取舍：短期记忆受限于上下文窗口，太长会稀释注意力；长期记忆依赖检索质量，如果检索不准，反而会引入噪声。所以我会把关键信息放在短期记忆里，辅助信息走长期记忆。举个例子，用户问“深圳明天天气怎么样，适合穿什么”。Agent 先思考，然后调用天气 API，拿到结果 25 度、多云有雨。接着它根据这个观察再思考，有雨要带伞，…

#百度#Agent#Agent 核心组件