匹配正文：…ARES）与组件级指标的区别强调事实性/幻觉检测的重要性提及业务场景下的实用指标（如延迟、成本）体现对评测方法局限性的认知 RAG评估要分两个层面来看：检索端和生成端，再加上端到端的整体评估。一、检索质量指标（决定上限） Recall@K / MRR：核心看相关文档有没有被召回，RAG的瓶颈往往在检索 NDCG：考虑排序质量，排在前面的文档相关性权重更高精确率：避免引入过多噪声文档干扰生成二、生成质量指标（决定体验）事实一致性（Faithfulness）：答案是…

#淘天#评估与监控#RAG 核心指标优先级

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配标题与标签：GraphRAG 怎么提升检索质量? RAG 原理与图结构增强检索、生成效果详解知识图谱字节知识图谱 GraphRAG RAG 原理图结构检索 RAG 字节

#字节#知识图谱#GraphRAG

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配标题与标签：RAG 检索增强技术有哪些？除向量检索外,HyDE、重排序、查询改写等增强技术详解 RAG 字节 HyDE RAG 检索质量查询改写重排序 RAG 增强技术字节

#字节#HyDE#RAG 检索质量

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配题目：在实现RAG系统时，有哪些关键的技术细节和常见陷阱需要特别注意？请从检索质量、上下文处理、生成效果等方面进行分析。

#美团#RAG常见陷阱#RAG 系统陷阱

项目实战·RAG

RAG 智能问答系统

匹配正文：…项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.11独立环境。原requirements使用版本范围，不是完整锁文件，也不保证不同平台今天安…

#项目实战#RAG 智能问答系统

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：…A 评估集量化不同 chunk 大小的召回率，用数据说话。这是高频追问，教程第 3 章带你完整重现一次选型实验。 2026 年了，RAG 还值得学吗？会不会被长上下文取代？值得。知识频繁更新、需要引用溯源、成本受限的场景仍以 RAG 为主流方案；面试考察重点已从「是什么」转向「怎么做好检索质量与评估」，门槛在变高而不是消失。继续学习用 30 行代码跑通你的第一个最小 RAG 没有大模型项目经验，怎么攒出能写简历的 RAG 项目 RAG 工程面试教学复原

#专题学习#RAG 面试题大全与知识体系

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…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 OpenAI embedding …

#Agent#AI 编程

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…回流优化分块策略学习建议建议先掌握文本预处理、分块策略和向量索引原理，结合LangChain等框架动手实践典型流程，理解每步对检索质量的影响。

#字节#文档处理#向量检索

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配题目：在RAG（检索增强生成）系统中，如何优化文档的分段策略以提高检索质量和生成效果？请讨论分段长度、重叠策略和语义完整性的权衡。

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工…

#美团#评估与监控#RAG 工作原理

面试题·评估· 美团

RAG 指标权衡与阈值

匹配正文：RAG评估的核心维度一、检索质量指标指标意义实践考量 Recall@K 相关文档是否被召回知识库场景优先保召回，客服场景可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前影响LLM输入质量，但计算成本高上下文相关性召回内容与query的语义匹配度需过滤噪声，避免无关信息干扰生成二、生成质量指标指标意义实践考量答案相关性回答是否切题，有无答非所问最基础指标，但无法检测幻觉事实一致性生成内容是否与检索文档一致最关键指标，需用NLI模型…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 美团

RAG 仍会幻觉的原因

匹配正文：…信息正确，但组合推理错误数学计算、因果推断失误上下文截断长文档超出窗口，关键信息丢失后半部分被截断导致断章取义关键结论 RAG将幻觉从**"无中生有"转化为"有据可依"，但无法根治"理解有误"和"推理出错"类幻觉。实际落地中需配合检索质量监控**（召回率、精确率）和生成后验证（事实核查模型）形成完整防线。学习建议建议系统学习该知识点

#美团#检索证据质量#RAG 仍会幻觉的原因

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…，拦截不存在的药品名。另外，检索结果有时很长，我会用 LLM 自己做上下文压缩，去冗余，只保留关键证据链。评估不能只看常规指标。检索质量我关注 Recall@K，生成质量我关注事实准确性，用 NLI 模型检测有没有 [[Hallucination]]。但更重要的业务指标是可追溯性，看生成内容是不是每句话都能追到源文档，还有专家满意度，请领域专家盲评。我的取舍是：宁可回答不了，也不瞎回答。如果检索结果置信度不够，我会触发人工兜底，而不是硬生成。说到人工兜底，其实这里有个延…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：…可检索的证据与更新知识学习给定反馈中的帮助性、安全性或风格偏好技术本质信息检索 + 上下文增强策略优化 + 人类偏好对齐 RAG：用外部知识划定"能说什么" 机制：检索相关文档 → 组织上下文 → 生成并检查证据支持；提示不是硬解码约束。优势：可追溯资料并更新知识库；简单实现可复用现有模型而不重新训练，检索器/生成器也可以按任务训练。局限：检索质量决定上限、无法纠正模型内在偏见、上下文长度受限典型场景：客服问答、企业知识库、实时信息查询 RLHF：用偏好反馈教会…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…过速" 三、生成模型层（领域适配）基座选择：专业领域优先选已预训练模型（如Huatuo、LawGPT），或通用模型+领域SFT 检索增强生成：检索结果作为上下文注入Prompt 引用溯源：强制模型输出参考来源编号，支持可解释性安全机制：添加拒答策略（超纲问题、无可靠来源时），医疗场景必须设置"请咨询专业医师"风险提示四、评估机制（多维指标）维度指标方法检索质量 Recall@K、MRR 人工标注黄金文档集生成质量事实准确性（FactScore）、幻觉率领…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

RAG 自动与人工评估

匹配正文：RAG评估的三层架构 1. 检索评估（Retrieval Evaluation） MRR：统计各问题首个相关结果倒数排名的均值；Hit@K：统计前 K 条至少命中一个相关结果的问题比例，不能据此判断命中结果内部的排序质量 Recall@K：关注相关性召回，K通常取5或10 NDCG：考虑位置权重，适用于需要精细排序的场景 2. 生成评估（Generation Evaluation） BLEU/ROUGE：n-gram匹配，适合有标准答案的FAQ场景 BERTScore：语义相…

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配正文：…E、Faithfulness 了解端到端评估框架RAGAS的核心指标理解人工评估与自动评估的权衡知道业务场景下的实用评估策略 RAG评估要分检索层和生成层两个维度，最后才是端到端评估。一、检索质量评估经典指标 Recall@K：Top-K中相关文档数 / 已标注相关文档总数，通常先逐query计算再汇总；分母不是K。必须说明文档/片段粒度及相关性标注覆盖。 MRR（平均倒数排名）：对每个query取第一个相关结果排名的倒数，再求均值；没有命中记0，并说明截断K。 Hi…

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：答案要点清晰阐述RAG的核心原理（检索+生成两阶段流程）说明至少2个具体解决的问题（如幻觉、时效性、领域知识）结合实际项目描述效果提升（量化指标更佳）体现对RAG局限性的认知（如检索质量依赖、上下文长度限制） RAG核心原理 RAG = 检索（Retrieval）+ 生成（Generation），本质是给大模型外挂一个可动态更新的知识库：离线阶段：文档切分 → Embedding模型编码 → 存入向量数据库在线阶段：用户Query向量化 → Top-K相似度检索 …

#美团#混合检索#RAG 技术

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：这道题其实问的是，[[RAG]]系统效果不好时，怎么快速定位到底是检索没找到对的文档，还是模型看了文档但没好好用。我的思路很简单：把两个模块解耦，先固定一个测另一个，别上来就两边一起调。具体第一步，我会做黄金文档实验。把标准答案依赖的那部分文档，直接塞进生成模块的上下文，如果生成质量一下子好了，那问题基本就锁在检索侧。如果生成质量还是不行，那就说明生成模块或者prompt设计本身有问题。这个实验非常便宜，不需要任何额外标注，跑几轮就能下判断。假设实验指向检索侧，我会先看召…

#检索诊断#生成诊断#RAG 效果诊断