匹配正文：答案要点明确对比四个维度（知识更新灵活性、推理准确性、部署复杂度、泛化能力）分析各自的性能上限瓶颈给出典型适用场景的判断标准能结合业务场景做选型建议核心对比维度 SFT RAG 知识更新灵活性差。需重新训练，成本高、周期长优。知识库热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…下文冗余（Context Redundancy）问题本质：检索块之间存在大量重复信息，有效信号被噪声淹没。电商案例：商品详情页RAG中，多个Chunk重复包含"7天无理由退换"标准话术，而真正关键的"电池容量参数"仅出现一次。LLM注意力被分散，回答抓不住重点。关键影响：Token浪费、推理成本上升、关键信息遗漏。 3. 知识更新延迟（Knowledge Staleness）问题本质：向量库构建周期长，无法感知实时变化。电商案例：大促期间价格/库存秒级变动，但RAG…

#淘天#Agent#RAG 痛点

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：为何引入RAG 核心动机：弥补纯参数化知识的三大缺陷问题说明知识截止模型权重冻结后无法感知新信息幻觉风险参数记忆模糊时"自信编造" 训练成本 SFT更新知识需重训，代价高昂 RAG将知识外置到可动态更新的检索库，实现非参数化知识扩展。 RAG vs SFT：三维度对比 1. 知识更新 SFT：需重新训练/LoRA微调，周期长，难以追平实时信息 RAG：更新文档库即可，分钟级生效，适合新闻、股价、政策等动态场景 2. 事实准确性 SFT：依赖训练数据覆盖，长尾事实易…

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

#美团#RAG vs SFT#RAG

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配标题与标签：RAG 解决了哪些核心问题? 大模型应用中的幻觉、知识更新与长上下文难题模型微调美团知识增强 RAG 核心问题大模型幻觉 RAG 应用场景美团

#美团#知识增强#RAG 核心问题

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配题目：针对医疗或法律等专业领域，设计一个基于检索增强生成（RAG）的智能助手系统，说明其整体架构、检索模块、生成模块及知识更新机制。

#字节#专业领域RAG#RAG 系统设计

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：…case 明确区分。可复现的输入、链路证据和错误输出根因验证与修复后的固定样本回归下一步：production。配套学习：RAG 查不到文档怎么降级?。 9. production · production 上线时的 P95 延迟、峰值 QPS、单次成本、知识更新、监控、降级和回滚条件分别是什么？考察重点：验证系统是否真实上线，并具备监控、灰度和回滚能力。实际线上仪表盘、告警阈值与责任边界 RAG 版本灰度范围、观察窗口与放量记录召回或生成退化时的回滚阈值与验证…

#模拟面试#简历项目#连续追问

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…景，知识库很难找到正确原文。把整段聊天历史原样塞给检索器也不稳。历史越长，无关主题越多，当前问题反而越容易被稀释。这就是多轮 RAG 的一道高频面试题：当前问题依赖历史时，怎样把它恢复成可以独立检索的问题？对话历史太长以后，窗口、摘要和长期记忆又该怎样分工？只回答“把历史放进 Prompt”远远不够。面试官还会继续问：怎么判断当前是追问，还是已经换了话题？ Query 改写错了，系统怎样回退？历史窗口放多少轮，为什么不是越多越好？用户记忆和知识库事实冲突时，应该…

#RAG#生成与对话#多轮 RAG

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…。这是链路顺序决定的。同样，如果 Trace 显示模型服务正在排队，继续调 HNSW 参数也无法触及这个阶段。由此可以引出一道 RAG 工程面试题： RAG 首字响应慢，怎样逐段定位瓶颈？Embedding、检索、Rerank、缓存和流式输出分别能解决什么问题？只回答“加 Redis、开异步、上流式”通常不够。面试官会继续问：首字响应和完整答案耗时有什么区别？两路检索能不能并行，哪些步骤存在前后依赖？缓存命中以后，权限和知识更新怎样保证？把 ANN 参数调快了，召…

#RAG#评测与上线#RAG 首字响应

面试题·评估· 安克科技

Agent/RAG 评估指标与挑战

匹配正文：…估与组件级评估的区别提及实际挑战如标注成本高、主观性、延迟与质量的权衡能结合业务场景举例说明一、评估维度分层 1. 检索层（RAG特有） Recall@K / MRR：衡量检索系统能否召回相关文档 NDCG：考虑排序质量的综合指标 Hit Rate：Top-K是否命中答案所在文档 2. 生成层 Faithfulness / 忠实度：生成内容是否忠实于检索文档（可用NLI模型判断） Answer Relevance：答案与问题的相关性 Context Precision：…

#安克科技#评估与监控#Agent

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…考依据，不能"脑补" 4. 多租户隔离场景 SaaS服务不同企业客户——各客户数据隔离在各自知识库，同一模型服务多方一句话总结 RAG用"查资料"替代"背知识"，在知识动态、来源重要、成本敏感的场景下，是比SFT更灵活的工程选择。两者并非互斥，实践中常先RAG打底，再SFT优化生成风格。学习建议掌握RAG与SFT的基本原理，对比其在知识更新、数据隐私和推理可解释性方面的差异，结合实际应用场景理解优势。

#美团#模型微调#RAG vs SFT

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：… 上下文窗口：多文档拼接超限→Rerank精筛+递归摘要知识冲突：检索内容与模型参数知识矛盾→设计冲突消解Prompt 时效性：知识更新后向量未同步→增量索引+版本管理多跳推理：单轮检索无法回答→ReAct循环检索或构建知识图谱五、进阶方向 Agentic RAG：检索作为Tool，由Agent决策何时检索、检索什么 GraphRAG：用知识图谱显式建模实体关系，解决多跳问题 RAG+微调：用检索数据构造SFT数据，提升模型对检索内容的利用能力

#字节#RAG 最佳实践#RAG 技术原理

面试题·RAG

RAG 和微调怎么选？

匹配正文：答案要点微调是“改模型本身”：用领域数据继续训练模型，把知识和行为方式写进参数里 RAG 是“外挂资料库”：模型不动，回答前先检索资料喂给它知识时效性：知识经常变 → 选 RAG，改知识库即时生效；微调的知识固化在参数里，更新就得重训成本：RAG 主要是工程成本；微调需要标注数据 + GPU 训练，且每次知识更新都要再花一遍幻觉：RAG 答案有原文可溯源，更可控；微调过的知识模型照样可能记岔、编造核心概念 RAG 与微调（Fine-tuning）是给大模型补充领域能…

#入门#基础概念#RAG和微调的区别

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：核心差异：专业领域RAG vs 通用RAG 维度通用RAG 医疗/法律领域RAG 准确性可接受一定幻觉零容忍，需精确溯源合规性弱约束强监管，需审计留痕知识更新低频指南/法条频繁修订权威性多源融合需区分证据等级/法律效力数据处理与索引流程设计 1. 数据采集层白名单机制：仅接入权威源（临床指南、裁判文书网、药典等）多模态处理：扫描件→OCR→版式还原→表格/图表结构化提取 2. 清洗与结构化原始文档 → 文档类型识别 → 章节语义拆分 → 实体标…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：核心原理：检索-生成两阶段范式 RAG将大模型从"闭卷考试"转为"开卷考试"——先检索、后生成。用户查询时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 C…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 快手

RAG 延迟准确率根因

匹配正文：…索链路长、重排序开销、大上下文处理）准确率挑战的具体表现（召回不足、噪声干扰、多跳推理失败）及根因（语义鸿沟、文档切分策略、动态知识更新滞后） Agent场景的特殊性（多轮交互累积、工具调用与检索的耦合）延迟挑战表现首Token延迟高：用户发起请求后需等待检索完成才能开始生成流式输出卡顿：检索与生成串行执行，破坏实时体验长尾超时：复杂查询触发多轮检索或重排序时超时根本原因链路级联：向量检索 → 重排序 → 上下文组装 → 生成，各环节串行叠加重排序瓶颈：Cr…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…、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Milvus/Pinecon…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…型自主判断"是否需要检索"及"是否引用" 3. 架构演进 GraphRAG：构建知识图谱，支持多跳推理与全局摘要 Agentic RAG：ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning解决"知识内化"；复杂推理场景需走向Agent化，而非堆砌检索次数。

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：… 反馈闭环：用户标注"信息过时"后，触发该文档的优先级降级或更新典型场景金融/新闻：强依赖实时数据，需结合API实时拉取 + RAG历史背景医疗/法律：知识更新慢，侧重权威来源的版本控制学习建议建议系统学习该知识点

#字节#时间衰减检索#RAG 工作流程

面试题·评估· 美团

RAG 解决了哪些问题?

匹配口述回答：…确率；二是做bad case分析，看看是不是切分粒度或者[[embedding]]模型选得不对。另外，我最近在关注[[Self-RAG]]，就是让模型自己判断什么时候需要检索，什么时候直接用内部知识。这个方向能进一步减少不必要的检索，提升效率，也降低延迟。所以总的来说，我会把RAG看成是大模型落地的标配能力，但它不是银弹。更倾向的做法是：先用RAG解决知识更新的问题，再用微调优化行为，同时做好检索质量的监控和迭代。 RAG本质是给模型外挂知识库，解决静态知识问题业务场景…

#美团#混合检索#RAG 技术

面试题·评估· 百度

RAG 架构怎么工作?

匹配口述回答：…oder]]重新打分，把真正相关的顶上来。还有就是置信度过滤，分太低的直接扔掉，宁可少给信息也别给错的。还有一个常被问到的问题是RAG和微调的边界。我的看法是，RAG适合知识更新快、需要溯源的场景，比如客服的退款政策、企业SOP；微调适合让模型学会特定风格或推理模式，比如医疗诊断的[[思维链]]。实际项目里我经常两者一起用，微调让模型更听话，RAG给它最新知识。所以总的来说，RAG不是万能药，但它确实是当前落地大模型最务实的一条路。我会把它看成是"给模型配一个可更新的外部…

#百度#评估与监控#RAG 架构

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配口述回答：…果文档本身就有矛盾或者格式混乱，检索质量根本救不回来。所以上线前我一定会花时间做数据清洗和标注，不然检索框架再强也是白搭。另外，RAG不是孤立的。高频稳定的知识适合用[[SFT]]内化到模型参数里，而动态海量的知识才外挂成RAG。真正落地常常是RAG加微调一起上。比如外卖场景，菜品知识更新快用RAG，但下单对话策略这类高频稳定的逻辑就用微调固化。复杂售后链路再交给[[Agent]]来调度。说到Agent，我觉得下一步有意思的方向是把RAG当成Agent的一个工具，让模型自…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配口述回答：…而对动态更新的知识，比如促销政策，RAG更灵活。所以真正落地的系统，往往是RAG加微调混合用，比如用微调让模型学会理解领域术语，用RAG提供实时知识。最后说下风险。RAG依赖知识库的质量，如果文档本身有错误或过时，检索出来反而误导模型。所以上线前我会特别关注知识库的更新机制和一致性校验。另外，分块策略直接决定检索精度，块太大会漏细节，块太小会丢上下文，需要根据文档类型调参。所以我的判断是，RAG不是银弹，但在知识更新频繁、需要可追溯的场景里，它比微调更务实。我更倾向把RA…

#字节#检索生成流程#RAG 实现

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配口述回答：…生的事。比如你问今天的新政策、实时库存，它只能瞎编。第二，它不知道企业内部的私有数据，比如你们公司的 SOP、客服规则、合同条款。RAG 正好补这两块，它把事实性知识从模型参数里拆出来，放到一个可更新、可追溯的外部知识库里。知识更新就改文档，不用重新训练模型，成本低很多。再一个，RAG 能有效降低[[幻觉]]，提升可审计性。纯生成时模型容易一本正经地编造，RAG 把回答约束在检索到的资料上，而且可以要求它引用来源。比如客服场景，用户问'退款什么时候到账'，RAG 会先查订单…

#入门#基础概念#什么是RAG

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…p-K文档；最后生成器把原始问题和这些文档拼在一起，作为上下文让LLM生成答案。中间还可以加[[重排]]步骤，让召回结果更精准。 RAG解决的核心问题，说白了就是三个：一是事实[[幻觉]]，因为回答有检索文档支撑，可以溯源验证；二是知识时效性，不用重新训练，更新知识库就行；三是领域专业知识，把企业私有数据注入进去，补通用模型的短板。那RAG和纯参数化模型怎么选？我的判断是，高事实准确性、知识更新快、长尾知识密集、需要可解释性的场景，RAG显著更优。比如企业客服处理退款，用户…

#淘天#阿里#RAG 架构