匹配正文：…生成幻觉 = 检索内容未被有效利用；检索低召回+生成正确 = 模型靠参数记忆"作弊"。二、常见迭代优化方法瓶颈现象优化方法适用场景检索召回不足查询扩展（HyDE、多查询生成）、混合检索（BM25+向量）、重排序（Cross-encoder）用户问题表述模糊、专业术语对齐差检索精确率低稠密检索模型微调（领域适配）、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…

#字节#评估与监控#RAG 评估

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配标题与标签：RAG vs RLHF 幻觉治理比较 RAG 与 RLHF 处理知识型幻觉和行为问题的边界评估京东 RAG 与 RLHF RAG vs RLHF 幻觉治理 RAG vs RLHF：缓解幻觉的机制与适用场景 RAG 缓解幻觉 RLHF 缓解幻觉 RAG vs RLHF 京东

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 京东

RAG 缓解哪类幻觉?

匹配标题与标签：RAG 缓解哪类幻觉? RAG 有效性依赖的前提条件与适用场景分析评估京东知识型幻觉 RAG 幻觉检索增强生成前提 RAG 适用场景京东

#京东#知识型幻觉#RAG 幻觉

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配题目：请介绍RAG（Retrieval-Augmented Generation）模型的主要分类方式，并比较不同类别之间的架构差异与适用场景。

#淘天#RAG架构分类#RAG 分类

面试题·检索· 字节

RAG检索质量提升5法

匹配题目：在检索增强生成（RAG）系统中，除了基本的向量相似性检索外，还有哪些关键技术可以提升检索结果的相关性、准确性和整体质量？请列举主要方法（如查询扩展、重排序、混合检索、上下文压缩、动态检索等），并简要说明其原理及适用场景。

#字节#重排与优化#RAG 检索质量提升

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…合检索 LangChain Agent判断用户意图，决定直接回答/检索知识库/转人工/调用订单API 选型建议场景推荐方案纯RAG应用 LlamaIndex为主复杂Agent工作流 LangChain + AutoGen 已有数据基础设施 LlamaIndex检索 + 自研Agent 快速原型验证 LangChain（生态最成熟）学习建议建议从官方文档入手，动手搭建简单项目，理解各框架的模块设计与适用场景，重点掌握LangChain的链式结构与LlamaIndex…

#阿里云#Agent#Agent 框架对比

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…取图片/图表信息元数据保留：记录文档来源、章节标题、时间戳，用于后续过滤和重排序二、文本分块：粒度与上下文的权衡策略原理适用场景注意点固定长度按token/字符数切分，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…

#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：…ER实体链接）影响：噪声降低Embedding质量，清洗过度可能丢失关键语义 3. 分块（Chunking）——核心环节策略适用场景权衡固定长度（多组候选）结构较弱或需要快速建立基线的场景可能切断语义单元语义分块（Sentence-BERT断句）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→Embedd…

#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：一、文本分块（Chunking）核心原则：语义完整性与检索粒度的平衡策略适用场景工具固定长度候选实现简单，参数需评测 LangChain RecursiveCharacterTextSplitter 语义分块文档结构清晰（论文、合同）按标题/段落边界切分递归分块长文档层次化结构先按章节，再按段落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…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…，保留表格/标题结构信息元数据标注：记录文档来源、章节、时间戳，用于过滤和溯源 2. 文本分块（Chunking）策略特点适用场景固定长度简单高效，可能切断语义通用场景，追求速度递归分块按标点层级分割，保持句子完整大多数文本语义分块用模型判断语义边界，块大小不均对连贯性要求高的文档关键权衡：块太小可能缺上下文，块太大可能引入噪声。应把多组 chunk size 与 overlap 组合放进同一评测集，比较召回、答案质量和成本。 3. 向量化与存储 …

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…页码、特殊符号；统一编码；处理OCR错误结构保留：提取标题层级、表格结构、段落关系，用于后续语义分块 2. 文本分块策略策略适用场景注意点固定长度实现简单，参数需评测比较多组 chunk size 与 overlap 候选，验证边界召回和冗余成本递归字符按标点/换行逐级切分优先保证句子完整性语义分块对连贯性要求高的文档用Embedding相似度判断断点，计算成本较高结构感知论文、合同等结构化文档按章节、条款边界切分，保留元数据关键权衡：块太小…

#美团#RAG 知识库构建#文档预处理

面试题·文档处理· 京东

RAG 分块策略选型

匹配正文：…博弈：块太小 → 检索精准但语义断裂，LLM缺乏背景块太大 → 信息冗余，检索命中率下降，易超上下文窗口常用分块方法方法适用场景特点固定长度通用场景、快速上线按token/字符数切，实现简单；边界可能切断语义语义分块高质量要求场景用embedding相似度检测主题边界；计算成本高递归分块层次化文档（法律、论文）先按章节/标题粗分，再细粒度切；保留结构信息 Agentic分块复杂文档用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…

#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· 百度

RAG 分块参数调优

匹配正文：答案要点分块策略分类（固定长度、语义、递归等）及适用场景分块粒度与检索精度的权衡关系边界处理策略（句子/段落完整性）重叠策略的作用与设置实际选型需结合文档类型和业务需求核心分块策略 1. 固定长度分块（Fixed-size）按token数或字符数切分，具体长度作为候选变量优点：实现简单、Embedding均匀、便于批量处理缺点：可能切断语义，边界信息丢失 2. 递归分块（Recursive）优先按段落→句子→固定长度层级切分优点：尽量保持语义单元完整缺…

#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

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…层级、段落边界，为语义分块提供依据清洗降噪：去除页眉页脚、重复内容、无效HTML标签 2. 分块（Chunking）策略策略适用场景关键参数固定长度通用场景，实现简单 chunk_size与overlap都作为候选变量，由文档结构、模型输入限制和评测结果决定语义分块对连贯性要求高的文档按句子/段落边界，结合NLP工具递归分块层次化文档（法律、论文）先大段后小段，父子块关联实践经验：只有跨块证据缺失的bad case通过同一评测集验证后，才引入合适的o…

#安克科技#评估与监控#RAG 文档向量化

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配题目：在构建多路召回系统时，如何全面评估不同召回策略所返回文档的质量？请系统阐述可用于衡量召回有效性的定量与定性评估指标、分析方法及其适用场景，并结合RAG系统的实际需求说明如何选择和组合这些评估手段以优化整体检索性能。

#美团#评估与监控#多路召回评估

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配正文：…句子语义相关，随机采样作为负样本优点：零成本获取训练数据，通用性强；缺点：特定领域可能不如有监督模型检索能力评估指标含义适用场景 Recall@K Top-K中命中正样本的比例关注召回完整性，RAG首选 MRR 首个正样本排名的倒数均值关注排序首位准确性 NDCG 考虑相关度等级的加权排序多等级相关性场景 RAG场景关键：优先看Recall@K（如Recall@5/10），因为生成阶段能处理少量噪声，但漏召回无法弥补。学习建议建议系统学习该知识点

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（Query2Do…

#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· 安克科技

Agent/RAG 评估集构建

匹配正文：答案要点区分Agent与RAG评估维度的差异数据采集的多样性与真实性来源负样本构造的hard negative策略人工+自动化的混合标注流程数据代表性验证方法核心设计原则 Agent和RAG的评估目标不同：RAG重事实准确性，Agent重任务完成度与工具调用正确性，需分开设计。数据采集来源适用场景注意事项真实用户日志高价值、分布真实脱敏+去偏，避免头部query过度采样合成数据（LLM生成）快速覆盖长尾场景需人工校验，控制幻觉比例公开benc…

#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· 商汤科技

RAG 技术流程怎么跑?

匹配正文：答案要点清晰描述RAG的完整流程（索引-检索-生成三阶段）说明向量检索的核心机制（Embedding+相似度计算）解释RAG解决的核心问题（知识时效性、幻觉、私有数据）提及关键优化点（分块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 toke…

#商汤科技#检索生成流程#RAG 技术流程

GraphRAG适用场景 vs 传统RAG 有哪些?

RAG 数据清洗与 Chunking 怎么选?

RAG 文档 Chunk 划分策略怎么选?

RAG 评估指标与迭代陷阱

RAG vs RLHF 幻觉治理

RAG 缓解哪类幻觉?

RAG 模型分类有哪些?

RAG检索质量提升5法

LangChain vs LlamaIndex 在 RAG 中怎么选?

RAG 向量索引构建流程详解

RAG 数据处理与索引流程?

RAG 文本分块与向量索引流程

RAG 知识库搭建流程?

RAG知识库构建流程详解

RAG 分块策略选型

RAG 分块参数调优

RAG 文档怎么存储和向量化?

多路召回评估指标与RAG场景

RAG编码模型评估指标与对比

医疗法律RAG：评估陷阱

RAG 自动与人工评估

Agent/RAG 评估集构建

RAG/蒸馏/微调怎么选?

RAG 技术流程怎么跑?