匹配正文：核心召回指标基础指标 Recall@k：前k个结果中包含正确答案的比例，最常用。RAG中通常关注Recall@5/10/20 Precision@k：前k个结果的精确率，适用于答案明确的场景 F1@k：Recall和Precision的调和平均排序质量指标 MRR（Mean Reciprocal Rank）：正确答案排名的倒数均值，关注"第一个正确答案出现的位置" NDCG@k：考虑相关度分级和位置折扣，适合有多个相关文档且重要性不同的场景 MAP（Mean Averag…

#抖音#Recall@k#RAG 召回评估

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配正文：…ll/SLM），复杂推理才调大模型投机解码（Speculative Decoding）、KV Cache复用加速生成常见查询走RAG缓存，避免重复推理上下文压缩动态裁剪历史，只保留关键决策节点摘要机制：每N轮对话生成状态摘要，替换原始对话外部工具集成稳定性保障工具调用加超时熔断（Circuit Breaker），超时自动降级失败重试+指数退避，区分可重试错误（网络）与业务错误结果验证工具返回结构化校验（JSON Schema），异常时触发重执行或换工具 …

#百度#Agent#Agent 性能优化

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配题目：在构建RAG系统时，从原始文档到可检索知识库的完整数据处理与索引流程包含哪些关键步骤？请详细说明各阶段的技术要点及其对系统性能的影响。

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#文档处理#向量检索

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配题目：在检索增强生成（RAG）系统的实际应用中，通常采用哪些评估指标和方法来评估系统性能？请从检索质量和生成质量两个维度进行说明。

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配题目：在检索增强生成(RAG)系统中，平均倒数排名(MRR)是如何定义的？它在评估RAG系统性能时具有什么特殊意义？

#百度#评估与监控#MRR 定义

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配题目：请详细阐述RAG系统中检索模块（Retriever）的完整工作流程，包括用户查询的预处理、向量化表示、在向量数据库中的相似性检索、候选文档的排序与筛选，以及最终结果的返回机制，并说明各环节的技术实现要点及其对整体系统性能的影响。

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：…LM重排 ↑↑ ↑↑↑ ↑↑ 高精度要求场景模型蒸馏 ↓ ↓ ↓↓↓ 边缘部署核心原则：先做检索质量（相关性是天花板），再攻系统性能（延迟决定可用性）。学习建议建议先掌握RAG的检索与生成基本原理，结合实际案例理解流程，再学习常见优化技术如重排序、查询扩展和索引优化，注重系统级思维训练。

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配题目：请详细描述RAG（检索增强生成）的技术流程，并分析在各个流程环节中可以采用哪些优化手段来提升系统性能

#AIlab#RAG链路优化#RAG 优化

面试题·Agent· 蚂蚁

多轮对话上下文状态管理机制

匹配题目：在构建多轮对话系统（如聊天机器人、Agent或RAG系统）时，请详细说明你如何设计和实现对话上下文的状态管理机制，包括上下文的存储策略、动态更新机制、长度截断与信息保留方法、会话生命周期管理，以及在分布式或高并发场景下如何保障上下文的一致性与系统性能。

#蚂蚁#Agent#多轮对话上下文管理