匹配正文：…序）、查询引擎技术特点：索引类型丰富（Vector/Tree/Keyword/Composable），支持递归检索、子问题分解 RAG场景：企业知识库、文档问答的首选，检索精度和效率优化深入 Agent集成：提供OpenAIAgent、ReActAgent，但Agent能力相对轻量 3. 其他重要框架框架特色定位 AutoGen 多Agent对话编排，适合复杂协作场景 CrewAI 角色扮演型Agent团队，强调任务委托 Semantic Kernel 微软生态，企业级…

#阿里云#Agent#Agent 框架对比

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…ding相似度检测主题变化长文档、多主题混合计算成本高，可用聚类或BERTopic辅助关键考量：块太小→上下文丢失；块太大→检索精度下降、Embedding稀释。实践中常组合使用，如先按标题分章节，再语义细分。三、Embedding模型选型候选模型：BGE-M3、多语言E5或具体GTE型号等；核对官方语言/长度支持，在目标题集测试，不把系列名或动态榜单位置当领域效果保证。垂直领域：领域数据微调（如法律用ChatLaw-Text2Vec），或用LLM生成合成数据训练…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…据标注实际中常组合使用：先用语义边界粗分，再对过长块用滑动窗口细分。学习建议掌握常见chunk策略的原理与适用场景，结合实际RAG案例理解其对检索精度和生成效果的影响。

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 百度

RAG 分块参数调优

匹配口述回答：…结果超出窗口长度，模型直接截断。所以上线前一定要验证检索召回率和端到端问答效果，不能只看分块本身。我其实更倾向把分块看成整个[[RAG]]系统的一部分，跟检索、重排一起调优。比如分块粒度细了，检索精度会高，但可能漏掉全局信息，这时候可以用 [[Parent Document]] 机制，先召回子块，再关联到父块喂给大模型。所以我的总结是，没有最优策略，只有场景最优。我会先根据文档类型选基础策略，然后通过实验调块大小和重叠，最后结合检索效果做取舍。一句话定位：分块本质是信息…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：…用标注的(query, positive_doc, negative_doc)三元组对比学习损失：拉近正样本、推开负样本优点：检索精度高；缺点：依赖标注数据，领域迁移需重新训练 Contriever 无监督预训练，利用大规模语料的连续句子对作为天然正样本核心思想：相邻句子语义相关，随机采样作为负样本优点：零成本获取训练数据，通用性强；缺点：特定领域可能不如有监督模型检索能力评估指标含义适用场景 Recall@K Top-K中命中正样本的比例关注召回完整性，R…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…：受限于参数容量和训练数据天花板。模型无法记住无限知识，且知识冲突时易产生幻觉。适合模式学习（风格、格式、推理链）而非事实记忆。 RAG上限：受限于检索精度和上下文长度。再强的生成模型也救不回错误的检索结果。适合事实密集型任务，但长程多跳推理是短板。选型建议场景推荐方案领域知识稳定、需深度推理（代码、数学） SFT 知识频繁变更、需可溯源（客服、政策问答） RAG 两者都要 RAG+SFT：RAG提供实时知识，SFT优化推理风格和领域格式关键判断：知识更新频率 > …

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配题目：GraphRAG相比传统RAG在信息检索与生成方面有哪些核心优势？请从知识结构化建模、语义关联发现、上下文连贯性以及复杂推理能力等角度，系统分析其在提升检索精度、知识组织效率和生成质量方面的机制与价值。

#百度#知识图谱#GraphRAG 优势

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…/财报分析：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain、LlamaIndex，理解其与视觉语言模型的集成方式。

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段核心思想准确描述索引、检索、生成三大组件及其技术选型说明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…索流程（查询改写、向量检索、重排序、上下文组装）关键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用BGE、M3E等模型将chunk编码为稠密向量索引存储：写入M…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…果去重、截断、按相关性排序注入Prompt 三、核心技术要点分块策略：按语义边界切分，避免切断关键信息；重叠窗口保持上下文连贯检索精度：多路召回（向量+关键词）+ Rerank，解决语义漂移问题生成控制：限制LLM仅基于检索内容回答，降低幻觉；引用溯源增强可信度四、演进方向阶段特点 Naive RAG 基础检索+生成，容易检索噪声 Advanced RAG 加入查询改写、重排序、检索前/后处理 Modular RAG 动态路由、多知识源融合、Self-RAG反思机…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：答案要点清晰阐述RAG"检索-增强-生成"的三阶段流程说明关键组件（文档处理、Embedding模型、向量数据库、重排序）的作用对比Naive RAG与Advanced RAG的架构差异提及实际落地中的核心挑战（检索精度、上下文长度、幻觉控制）核心原理 RAG的本质是外挂知识库：将大模型无法预训练到的私有/实时数据，通过检索方式动态注入上下文，解决知识截止和幻觉问题。三阶段流程：索引(Indexing)：文档→切片→Embedding→入库检索(Retriev…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 虾皮

RAG 流程优化：检索与重排陷阱

匹配正文：答案要点完整描述RAG的5个核心环节（文档处理、向量化、检索、重排序、生成）每个环节至少给出2个具体优化方法体现对实际工程问题的理解（如召回率vs精确率权衡）提及评估和迭代闭环 RAG系统可分为5个核心环节，每个环节的优化策略如下： 1. 文档预处理与分块核心问题：分块粒度决定语义完整性和检索精度优化策略：语义分块：用BERT等模型识别主题边界，而非固定长度层次结构：保留文档层级（标题-段落-句子），支持多粒度检索元数据增强：添加时间、来源、类别等标签用于过…

#虾皮#RAG全链路优化#RAG 流程优化

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：这道题问的其实是，[[RAG]]系统里数据从原始文档变成能被检索的向量块，中间这个管道怎么设计才能保证质量，避免垃圾进垃圾出。我一般把数据清洗和文本[[切块]]放在一起考虑，因为这两步是连着的，清洗不好切块也跟着出问题。先说数据清洗，核心就三件事。先说格式标准化，比如PDF转文本的时候，表格、标题这些结构标记要尽量保留，不然切块后语义就断了。再看噪声去除，像页眉页脚、页码、重复内容，还有低质量[[OCR]]出来的乱码，这些要过滤掉。还要看质量过滤，太短的片段，比如少于50个…

#字节#文档处理#RAG 数据清洗

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配口述回答：…又存详细内容向量，检索时先粗筛再细筛，效果会好很多。这其实涉及到检索策略的层次设计，有兴趣我们可以深入聊。所以整体上，我更倾向把RAG知识库构建看成一套系统工程，每个环节都有明确的边界和取舍。预处理决定下限，分块和Embedding决定上限，向量数据库和索引决定性能。没有银弹，只有针对场景做对权衡。定位RAG本质：检索增强不是万能药，重点在知识库质量和检索精度文档预处理：格式解析和清洗的坑，尤其OCR和表格分块策略：固定长度加重叠窗口是基础，语义分块成本高但必要 Em…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配题目：在构建基于RAG的系统时，你是如何设计文本分块策略的？请说明分块的粒度选择、重叠处理以及向向量数据库写入数据的具体流程。

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：这道题问的是[[RAG]]的[[向量化]]过程，其实本质是在问：怎么把非结构化文本转成机器能高效检索的语义表示，并且这个转换要能支撑实际业务。我不会去背一遍原理，而是按我理解的技术选型和工程落地说一下。先说嵌入模型选型。很多人觉得直接拿个通用模型就行，但真正落地会发现，场景不同，选择差异很大。比如通用中文场景，我会用BGE-large-zh或者M3E，它们开源、能私有化部署，维度一般是768到1024，上下文长度够用。但如果业务是多语言，比如要检索中英文混合的文档，那E5-…

#安克科技#RAG 向量化#Embedding 模型

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配题目：在RAG系统中，文档数据如何进行存储和向量化处理？请说明从原始文本到向量数据库的完整流程，包括分块、嵌入模型选择和索引结构设计。

#安克科技#评估与监控#RAG 文档向量化

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…ector Database]]的增量索引和一致性怎么保证？比如客服知识库每天有几百条修改，你不能每次重建索引，但增量插入又可能让检索精度下降。我倾向于用双索引策略，一个base索引定期全量重建，一个delta索引处理实时增量，查询时合并结果，再按时间戳去重。所以整体来看，我不会把RAG和SFT对立起来。真实落地往往是RAG打底，保证知识最新、来源可查，然后再用SFT优化生成风格和指令遵循能力。我更倾向于把RAG看作一个低成本、高灵活性的知识接入方案，而SFT是锦上添花的人…

#美团#模型微调#RAG vs SFT