匹配正文：…域适配）、元数据过滤、上下文压缩领域知识密集、噪声文档多生成幻觉/利用不足引用强制（要求标注来源）、检索内容前置、Self-RAG（生成时判断是否需要检索）对事实性要求高的场景长上下文处理差分层检索（摘要→细节）、递归检索、信息去重合并需要多文档推理的复杂问题三、迭代实践建议先诊断后优化：用错误案例分析定位是检索失败还是生成失败建立回归测试集：覆盖高频Query和边界Case A/B验证：离线指标提升≠线上效果提升，需小流量验证学习建议建议系统学习该知…

#字节#评估与监控#RAG 评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配题目：请阐述RAG系统的常见性能瓶颈及迭代优化策略，包括检索精度、生成质量和系统效率等方面的改进方法。

#字节#评估与监控#RAG 性能瓶颈

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…缓解，关键信息放首尾生成环节优化 Prompt工程：明确引用格式要求、 few-shot示例引导结构化输出生成增强：Self-RAG（生成时自检索验证）、RAG-Fusion（多查询结果融合生成）后处理验证：答案与检索片段的事实一致性校验、置信度打分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

第 1 / 7 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

#字节

#RAG迭代优化

#RAG 优化

面试题·检索· 字节

RAG 系统怎么持续迭代?

匹配正文：核心思路 RAG优化是个系统工程，需分模块迭代+数据驱动，避免单点优化陷入局部最优。一、检索层优化（源头质量）手段具体做法索引策略按语义/结构切分（如标题+正文），关键信息冗余存储；多粒度索引（段落+句子）查询改写 Query扩展（同义词、LLM生成变体）、意图识别后路由不同索引混合检索向量+关键词+结构化过滤联合召回，解决语义漂移和精确匹配需求二、重排序层优化（精排筛选） Cross-Encoder精排：用轻量模型（如bge-reranker）对召回Top…

#字节#RAG评估闭环#RAG 系统优化

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配标题与标签：Agent 训练 vs RAG 怎么选? 从任务定义到强化学习,完整闭环与评估机制评估美团 Agent Agent 训练流程 Agent 迭代设计强化学习 Agent Agent 评估机制美团

#美团#Agent#Agent 训练流程

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：…用工具、预算边界和任务状态。只有这样，前端才能把“为什么需要研究、现在进行到哪里、用户还能做什么”讲清楚。路由错误怎样进入下一轮迭代？线上反馈不能只记“用户点了不满意”。要把问题拆回路由和执行两个阶段。如果一条简单事实题进入研究链路，但最终答案正确，问题主要在路由成本。应把这类 Query 加入轻量链路的困难样本。如果任务进入正确路线，却因为工具空结果失败，问题在执行和容错，不应拿它训练路由器。如果普通 RAG 找到一段相关资料却无法覆盖用户要求的比较维度，说明任务…

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

求职指南·求职

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：… 重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最热且和 RAG 衔接 Agent 154 Agent 题库 Deep Research Agent 教程 Prompt 与上下文怎么把任务、约束、上下文喂给模型,应用开发的高频入口 Prompt工程 77 Prompt 工程题库 AI 编程实操评估与监控没评估就无法上线迭代,贯穿所有方向的地基评估与监控 121 评估与监控题库评估章模型微调 /…

#求职#职业转型

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：照教程跑通一个 RAG demo,不等于你有了一个能写进简历的项目。真正能写的 RAG 项目,是你围绕一个具体真实场景,产出一条完整的"证据链":需求、架构、可运行代码、评估集、badcase 复盘、方案对比、简历描述、面试追问稿,每一环都能讲清"为什么这么做"。面试官不看你会不会调 API,而看这条链断在哪。这一篇教你把站内 RAG 教程的 10 章,变成一个证据齐全、追问打不穿的个人项目。作者:吴师兄 | 适合:跑过 RAG demo 但简历写不出深度、面试被追问就卡住…

#求职#职业转型

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…讲不实。维度内容面试官在验证什么你有没有评估集、指标、LLM-as-Judge、badcase 闭环这套方法,能不能量化和迭代效果先看哪个 RAG 评估章代表题型 "RAG 召回率/忠实度怎么评""LLM 当裁判靠不靠谱""怎么搭评估集""上线后怎么监控效果" 项目里怎么体现讲你的评估集怎么来、用哪些指标、badcase 怎么回流改进,而不是"感觉不错" 刷题去评估与监控题库。重排与优化(70 题):验证你会不会救召回重排是 RAG 里"召回准不准"的关键…

#求职#职业转型

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：核心问题分析 RAG与Agent结合时，延迟和正确率问题呈乘法放大效应——Agent的多步决策特性使RAG缺陷被反复累积。一、响应延迟的成因与优化延迟来源具体成因优化方案检索层向量库冷启动、跨地域查询、Embedding计算预加载热数据到内存；本地缓存高频Query的Embedding；采用HNSW+量化索引 Agent决策层 ReAct多轮迭代、工具调用链过长、LLM推理本身设置最大迭代阈值；并行化独立工具调用；用小模型做意图路由，大模型仅做最终生成编排开…

#阿里云#Agent#RAG Agent 延迟优化

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配正文：…应的逻辑单元父子索引：用较小单元召回，再补回父级上下文元数据保留：记录来源、标题、页码、原文位置与版本，支持重排和引用评估与迭代保持查询集、答案标注和其他检索配置不变，逐组比较Recall@K、证据完整率、最终答案正确性、P95延迟、索引体积与重复召回率。根据bad case定位问题：证据被切断再调整边界或上下文补回；噪声过多则缩小候选单元或加强重排。没有实测结果时，只能陈述候选方案和验证方法。

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 字节

RAG 评测优化闭环

匹配题目：请设计一套完整的评估体系来衡量检索增强生成（RAG）系统的性能，并列举多种可行的迭代优化手段，涵盖检索模块、生成模块以及二者协同方面的改进策略。

#字节#评估与监控#RAG 评测优化闭环

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

现代RAG架构有哪些改进?

匹配正文：核心差异：从"拼接"到"深度融合" 传统RAG是线性流水线：检索 → 拼接上下文 → 生成，三者独立优化。现代RAG的核心改进在于打破这种隔离，实现检索与生成的双向交互。架构层面的关键演进维度传统RAG 现代RAG 交互方式单向一次迭代/多轮交互检索决策固定策略自适应路由（何时检、检多少）优化目标分段优化端到端联合训练三类深度融合机制 1. 迭代式检索（Iterative Retrieval）生成过程中动态发现知识缺口，触发补充检索代表：IRCoT…

#淘天#评估与监控#RAG架构改进

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：答案要点能清晰区分"语义相似"与"任务相关"的本质差异提出至少3种具体可行的优化方案说明如何评估和迭代验证效果提及数据层面的根本解决方法问题本质分析这种现象叫**"语义相关但任务无关"**，典型场景：查询"苹果手机的电池寿命"，检索到"苹果的营养价值" 两者embedding相近（都是"苹果"），但用户意图完全不同核心矛盾：Embedding模型训练目标（语义相似）与RAG业务目标（任务相关）存在错位。解决策略（分层处理） 1. 查询侧优化查询重写（Que…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确怎么诊断?

匹配正文：…抗测试集、线上回流数据）数据质量控制需覆盖采集、清洗、标注、持续监控全链路区分"检索不准"与"生成幻觉"两类根因给出可落地的迭代闭环机制诊断流程：三层定位法第一层：判断问题来源检索问题：召回文档不相关或排序靠后生成问题：检索准确但模型未正确利用（幻觉/忽略上下文）数据问题：知识库本身存在过时、矛盾或错误信息第二层：快速复现用固定query在开发集复现，确认是系统性问题还是case级问题对比BM25、向量检索、混合检索的结果差异数据集类型类型用途构…

#字节#RAG 上下文不准确#RAG 诊断

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· 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·评估· 安克科技

RAG 问答金标构建

匹配正文：…保证多样性的维度设计（文档类型、问题复杂度、答案位置、否定/多跳等挑战类型）评估数据集的三层架构层级目的规模建议开发集迭代调优 500-1000条测试集公平对比 1000-3000条对抗集压力测试 200-500条高难度问题来源的四种策略 1. 人工专家设计领域专家基于文档直接编写优势：质量高、覆盖边缘场景劣势：成本高、主观性强 2. LLM辅助生成 Prompt模板要点： - 指定角色（"你是领域专家"） - 约束条件（基于给定文档、禁止脑补） …

#安克科技#评估与监控#RAG 问答金标构建

面试题·评估· 安克科技

Agent/RAG 评估集构建

匹配正文：…跨模型可比检查license，避免数据污染关键：覆盖多轮对话、边界case（如无答案、需澄清）、跨领域query。标注流程 RAG标注：检索相关性：人工标注doc与query的相关性等级（0-3分）答案准确性：对比标准答案，标注幻觉、遗漏、矛盾 Agent标注：轨迹标注：记录正确工具调用序列作为gold path 状态检查：关键步骤的中间状态是否正确效率优化：先用规则/模型预标注，人工抽检+修正，迭代提升质量。负样本构造（Hard Negative） RAG：…

#安克科技#评估与监控#Agent/RAG 评估集构建

面试题·模型微调· 联通

RAG/蒸馏/微调怎么选?

匹配正文：…在的事实（如错误的人物关系）忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文）缓解方法需针对性选择。主流技术方法 1. 检索增强（RAG）核心思路：外接知识库，将生成约束在检索到的证据上标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token）局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：R…

#联通#大模型幻觉缓解#检索增强

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…G：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，长尾事实易遗漏或混淆 RAG：检索结果作为上下文约束生成，可溯源验证，降低幻觉 3. 推理能力 SFT：复杂推理需内化到参数，需大量高质量标注数据 RAG：检索提供中间证据（如多跳推理的桥梁文档），降低推理难度 RAG更优的具体场景实时信息查询：天气、股价、赛事结果专业/垂直领域：医疗指南、法律条文、企业内部知识（数据隐私+快速迭代）长尾事实问答：冷门实体、最新产…

#美团#RAG vs SFT#RAG