匹配正文：适合做过 RAG 评测的人，重点练评测数据怎么来、指标怎么算、错误怎么定位，以及怎样持续改进。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实 RAG 场景】评测体系，承担【样本、标注、指标或平台模块】。需要准备：个人职责；样本来源；评测工件。建立【真实评测集与指标】，定位【真实失败类型】并验证【真实改动】。需要准备：指标与基线；样本切片；失败分类；验证结果。逐层练习 1. ownership · …

#模拟面试#简历项目#连续追问

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：很多 RAG 项目在优化时都会经历同一个阶段。换了 Chunk 参数，随手问几个问题，感觉回答顺了一点。加了 Rerank，再问几个熟悉的问题，正确原文似乎排得更靠前。于是大家得出结论：“这次优化有效。” 可是一周以后，另一类问题又答错了。团队想复现之前的结果，却发现当时问了什么、正确证据在哪里、改了哪些参数，都没有完整记录。没有固定评测集，RAG 优化的效果就很难复核，容易停留在演示层面。这就是面试里经常被追问的一道题： RAG 评测集应该怎么构建？为什么只准备问题和…

#RAG#评测与上线#RAG 评测集

项目实战·RAG

RAG 智能问答系统

匹配正文：…原文，再让模型基于证据作答，并在证据不足时明确拒答。这里不预设客户、文档规模或上线效果。继续读完整版 · 第 1 章为什么做 RAG → 技术架构:四大模块 + 两条链路教学实现拆成文档处理、检索、重排、生成四个模块，并区分离线建库与在线问答两条链路。向量库只是检索组件之一，实际还要验证解析质量、切分边界、关键词召回、权限过滤、引用一致性与拒答策略。每个模块是否有效，都需要在固定评测集和明确约束下单独验证。继续读完整版 · 第 2 章 RAG 整体架构 → 用风险场景…

第 1 / 4 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

#项目实战#RAG 智能问答系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…测法与适用边界。准备失败样本与回归方法，比背一段没有证据的完美故事更有价值。教学示例只能帮助理解追问结构，不能直接写进简历。 RAG 系统架构教学图:四大模块与两条链路切分策略需要在同一评测集上对照,不能预填效果数字

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：适合简历中写过企业知识库或 RAG 项目的人，重点练自己负责的部分、项目架构、检索效果和上线问题。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实业务场景】企业知识库 RAG，承担【真实职责】，交付【真实工件】。需要准备：真实业务目标；个人职责边界；可核验工件。在【固定评测集】上将【真实指标】从【真实基线】改善到【真实结果】，同时满足【时延或成本约束】。需要准备：指标定义；评测集来源；基线与结果；工程…

#模拟面试#简历项目#连续追问

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…味着要用 Deep Research。反过来，哪怕只有几个网页，只要需要跨来源比较、处理矛盾和形成判断，也可能是研究任务。路由评测集应该怎么建？路由是否准确，不能靠看几个演示问题。首先建立三类样本。普通 RAG 样本包括单点事实、操作说明、规则定位和明确的无答案问题。 Agentic RAG 样本包括需要补充查询、打开正文、做一次计算或根据初次结果换关键词的问题。 Deep Research 样本包括多候选比较、多源验证、开放分析、信息冲突和结构化报告任务。然后加…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…，却仍会出现双栏顺序、标题层级和表格结构问题。即使字符全对，顺序和关系错误也会破坏证据。解析评测为什么一定要带检索问题？因为 RAG 最终需要找到支持答案的内容。结构检查能发现页面是否保真，检索问题则验证这些结构是否真的成为可召回证据。两者结合才能区分“页面好看”和“系统可用”。自动生成评测问题可不可以？可以用来扩充初稿，但要人工检查问题是否自然、参考答案能否由证据推出、证据位置是否准确，以及是否只是对同一句话换词。否则评测集本身就可能把错误当标准。一个总分方便汇报…

#RAG#解析与入库#RAG 文档解析评估

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：“你们的 Chunk Size 设多少？” 这是 RAG 面试里很常见的一句追问。很多人会马上报出一个数字，再补一句设置了多少 Overlap。听起来很具体，却没有回答最关键的问题：为什么这个数字适合你的文档和用户问题？以下用一个教学示例来说明。一段制度原文依次写了适用条件、办理步骤和例外情况。固定长度切分刚好把“但以下情况不适用”留在前一块，把后面的例外条目放进后一块。用户搜索某个例外条目时，系统可能召回后一块。关键词命中了，前提却不见了。模型拿到的是一句局部事实，…

#RAG#切分与索引#RAG Chunk

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…统把它们直接交给大模型，大模型很可能把几段相近内容整理成一套完整流程。文字顺，步骤也像那么回事，但关键规定并不在资料里。这就是 RAG 面试中很容易被低估的一道题：资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总能返回结果，相关和足够怎样区分？阈值应该怎么定，换模型后还能不能继续用？有答案却被拒绝，和没答案却强答，哪个更严重？检索分数过…

#RAG#生成与对话#RAG 无答案检测

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…，你可能发现员工手册有几十页，相关章节只讲报销范围，没有说这项费用一定可以报销。文件名是真的，结论却不一定由文件支持。这就是 RAG 面试里经常被一句“让模型标引用”带过的问题： RAG 的引用怎样做到可以核验？为什么答案后面有一个来源编号还不够？面试官继续追问时，通常会问到四件事：引用编号由谁生成，模型能不能自己编？编号指向真实原文，为什么仍可能是错引？一句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加…

#RAG#生成与对话#RAG 引用溯源

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：用户点下发送以后，页面空了很久，随后答案一口气开始出现。遇到这种现象，一种常见判断是大模型太慢，需要换一个更快的模型。但一条 RAG 请求在模型生成第一个字之前，已经经过 Query 处理、Query Embedding、关键词与向量检索、候选融合、Rerank 和上下文构建。真正的等待可能发生在其中任何一段。从调用依赖关系看，模型要等检索证据准备好，才能开始基于证据生成。因此，如果向量检索阶段很慢，流式输出只能改变第一个 Token 之后的展示，不能缩短前面的检索等待…

#RAG#评测与上线#RAG 首字响应

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…果正确证据根本没找到，bad case 进入解析或检索回归集。如果证据已经在前面，模型仍然错答，则进入生成和引用回归集。可上线 RAG 的监控与反馈闭环线上 Trace 负责定位，bad case 回归负责防止复发，评测集再验证下一次改动是否真的有效。这才叫闭环。监控不是只画一张资源仪表盘，而是让线上错误能够回到可执行测试。怎么验收一个“可上线”版本？功能验收覆盖文档上传、解析、版本发布、检索、拒答、引用和多轮问答。故障验收主动注入解析失败、部分写入、检索超时、R…

#RAG#评测与上线#RAG 系统设计

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…符数切分，带重叠窗口通用场景，实现简单固定长度与重叠窗口都只作为候选配置，具体大小由文档结构、Embedding输入限制和同一评测集上的证据完整率、召回与成本共同决定递归分块先按段落/句子边界，再递归细分结构清晰的文档优先保证语义边界完整语义分块用Embedding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…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：… 长文档计算开销大结构感知（按段落/标题）技术文档/论文依赖解析质量重叠策略：把零重叠、短窗口和较长窗口作为候选，用同一评测集验证是否真的改善跨边界证据召回性能影响：块过小→检索碎片化；块过大→Embedding稀释、召回噪声 4. Embedding生成模型选择：通用场景用BGE/M3E，垂直领域需微调（如法律/医疗）批处理优化：GPU并行、动态长度填充质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建索引结构： HNSW：高召回、内…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：… 滑动窗口需要上下文连贯比较无重叠、短重叠和较长重叠关键细节：chunk size 必须低于实际嵌入模型的输入限制，并在同一评测集比较；过小可能造成语义碎片化，过大可能稀释关键信息。二、嵌入模型选择选型维度：通用场景：sentence-transformers/all-MiniLM-L6-v2（轻量，384维）中文场景：BAAI/bge-large-zh、智谱Embedding-2 领域适配：领域数据继续预训练或对比学习微调优化技巧：查询端与文档端使用不同p…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 长文档怎么切块?

匹配口述回答：这道题其实问的是在[[RAG]]系统里，怎么平衡检索粒度和语义完整性。说白了，你要找的信息有可能散落在文档的不同位置，切太碎可能让关键上下文断裂，切太大又可能把噪声带进来。我从最直接的方法说起吧。最粗暴的当然是固定长度[[切块]]，按token或者字符数硬切。这个方案的好处是简单、可预测，处理日志或者流式数据这种没有强语义结构的场景很合适。但它的致命伤是语义断裂，比如一个完整的段落被拦腰切断，重要的结论前半段在一个块，后半段在另一个块，检索时很容易丢信息。所以它的边界很清楚…

#字节#文档处理#RAG 文本切块

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 知识库搭建流程?

匹配口述回答：这道题我觉得本质上不是在问流程，而是在问你怎么在检索质量、存储成本和响应延迟之间做取舍。搭建[[RAG]]知识库，我一般会按预处理、[[分块]]、[[向量化]]、索引构建、检索优化这几个环节来走，但每个环节都有很多坑，我重点说几个。先说文档预处理。这一步核心是格式解析和清洗。比如PDF，如果是文本型的，用PyPDF2或者python-docx直接提取就够；但如果是扫描件，那就必须走[[OCR]]，我会用PaddleOCR或者EasyOCR。这里有个坑，OCR识别率不是100…

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 腾讯

RAG 文档 Chunk 划分策略怎么选?

匹配正文：…：法律合同、学术论文等结构清晰的文档 3. 滑动窗口/重叠分块实现：设定块大小与滑动步长，相邻块重叠；两者都作为待测变量，由同一评测集决定优点：避免边界信息丢失，保证上下文连贯性缺点：存储冗余增加（~2倍），检索可能返回重复内容需去重适用：对话历史、代码等强上下文依赖场景 4. 智能分块（进阶） Agentic分块：用LLM判断断点（如"此处是否完成一个完整论点"）结构化分块：针对Markdown、JSON、代码按语法树切分选型建议场景推荐策略快糙猛上线固…

#腾讯#文档处理#RAG Chunk 划分

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…LLM判断分割点；成本最高但效果最优关键实践技巧重叠分块（Overlapping）把零重叠、短窗口与较长窗口作为候选，在同一评测集上比较证据完整率、召回与冗余成本特别适合问答场景，答案恰好跨边界的情况元数据增强为每个chunk附加标题、来源、时间等标签检索时可做过滤，生成时可注入prompt提升可信度动态分块根据查询意图选择块大小：摘要类用大chunk，事实类用小chunk 选型建议 ToB知识库（合同、手册）：优先比较结构感知、递归与语义分块，验证条款完整…

#京东#RAG 分块策略选型#RAG 文本分块策略怎么选？完整性与检索精度权衡

面试题·文档处理· 蔚来

RAG分块策略：粒度、重叠与写入

匹配正文：…call@K、证据完整率、答案正确性、延迟和索引膨胀。重叠处理不要预设固定比例：把零重叠、短窗口和较长窗口作为候选方案，在同一评测集上回放作用：缓解答案跨越切分边界时的信息丢失代价：重复索引会放大存储、召回冗余和重排成本实现：记录每个chunk在原文中的起止位置与父级结构，便于合并、去重和溯源向量化写入流程原始文档 → 清洗（去噪/格式标准化）→ 结构化解析（提取标题/表格/代码块） ↓ 产生多组分块候选 → 在固定问题集上评测 → 生成chunk元数据（来源、…

#蔚来#文档处理#RAG文本分块

面试题·文档处理· 百度

RAG 分块参数调优

匹配口述回答：…块大小要结合Embedding模型的实际输入限制、文档结构和LLM上下文预算提出候选。重叠也要比较零重叠、短窗口与较长窗口，用同一评测集验证是否补回边界证据。边界对齐很重要，一定要在句号、换行处切，别在句子中间截断。还有元数据要保留，比如来源位置、标题，这对后续[[重排序]]和答案溯源很有帮助。最后说落地风险。一个常见失败场景是，块大小和LLM上下文窗口不匹配。比如LLM支持8K上下文，你把块切成2K，然后检索时一次塞4个块，结果超出窗口长度，模型直接截断。所以上线前一定要…

#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