匹配正文：答案要点离线文档处理Pipeline（解析、清洗、分块、向量化）在线检索流程（向量检索+关键词混合、重排序优化）生成阶段集成策略（上下文组装、Prompt工程、引用溯源） RAG典型痛点与优化（幻觉、检索失效、上下文长度限制） RAG系统三层架构一、离线文档处理层核心流程：文档解析：PDF/Word/网页等多格式解析，处理表格、图片OCR 文本清洗：去噪、标准化、敏感信息脱敏智能分块：按语义段落切分（非固定长度），常用策略：递归字符切分 + 语义边界检测滑动…

#百度#RAG检索策略#RAG 系统架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配题目：请详细说明您在大模型项目中应用RAG（检索增强生成）的技术细节，包括检索器设计、知识库构建以及与生成模型的集成方式。

#美团#知识库构建#RAG 检索器设计

第 1 / 3 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

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配正文：…召回器、索引和模型版本。查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启用，因为它们也可能引入偏移。三、生成器集成候选去重、裁剪、排序并附来源标识后，与用户问题和回答约束一起组装上下文。长文档压缩可能丢证据，应保留原文映射。模型输出引用后，服务端校验引用是否真实支持对应 claim；资料不足、冲突或越权时拒答或继续检索。四、评测与运行检索侧：证据 Recall@K、MRR/NDCG、重复率、过滤正确性。生成侧：答案正确性、Faithfulness、…

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…分混合检索：稠密向量 + BM25稀疏检索，RRF融合排序查询改写：HyDE（假设文档嵌入）、查询扩展提升召回 4. 生成模型集成上下文组装：检索结果按相关性排序，拼接为上下文 Prompt设计：基于以下参考信息回答问题。如果参考信息不足，请说明。 [参考文档1] ... [参考文档2] ... 问题：{query} 窗口管理：控制总长度，优先保留高相关性文档 5. 结果融合与优化引用溯源：让模型输出引用标记，验证答案来源置信度判断：检索分数阈值过滤，低置信度触发…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：…索架构的设计（向量+关键词+结构化过滤）说明数据同步与一致性保障机制讨论选型考量因素（规模、延迟、成本、团队能力）给出具体的集成方案（如PostgreSQL+pgvector或分离架构）核心设计原则 RAG知识库不是"二选一"，而是分层存储 + 混合检索。向量负责语义匹配，结构化负责精确过滤，两者互补。存储层设计数据类型存储方案典型场景向量Embedding 专用向量库（Milvus/Pinecone/Qdrant）或 pgvector 语义相似度检索原始…

#安克科技#知识库存储架构#RAG 知识库存储

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：📊 学习时长:45-60 分钟 🎯 完成后能力:能把本书学的 RAG 项目,写成一段经得起追问的简历经历,并答得上每个模块的高频面试追问 🔗 关联面试题:5 道(覆盖 5 个不同角度,见 Part 3) 这一章你会学到什么 ✓ 跟着做:把一句空泛的"做过 RAG"改写成有深度、能打的简历 bullet ✓ 看懂项目经历的四要素(背景 / 架构 / 个人贡献 / 方法论) ✓ 掌握写简历的万能公式:动词 + 技术方案 + 量化指标 ✓ 学会五条事实核验原则,只写自己真正做…

#RAG#检索#项目实战

面试题·Agent· 淘天

架构 vs 模块 vs 工具集成怎么选?

匹配正文：…ndex/Query Engine）+ 代理层自主目标分解 + 执行循环设计哲学 "可组合"——像搭积木一样拼装LLM应用 "检索增强"——让LLM更好地连接外部数据 "自主代理"——模拟人类自主决策模块化高度模块化，组件丰富但学习曲线陡模块化适中，RAG相关组件深度优化模块化较弱，偏向端到端黑盒关键能力拆解工具集成 LangChain：通过@tool装饰器或BaseTool基类注册，支持同步/异步，但工具间状态管理较复杂 LlamaIndex：工具即"查询引…

#淘天#字节#Agent

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：…，替代原始文本增量更新：相同实体的新信息合并更新，保留时间戳链主动遗忘：低频访问+低重要性记忆进入"冷存储"，可配置彻底删除 RAG深度集成：上下文压缩检索后处理重排序（Rerank）：Cross-Encoder精排Top-K结果信息密度筛选：优先选包含实体、动作、结论的片段动态窗口分配：工作记忆固定槽位 + RAG结果弹性槽位 Prompt注入模板 [系统指令] [工作记忆：最近对话] [RAG检索：相关历史摘要] ← 动态填充 [当前用户输入] 平衡策略：设置…

#高德#Agent#向量检索

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：主流Agent框架对比 1. LangChain —— 通用编排框架核心定位：LLM应用的全流程编排与工具集成核心能力：Chain/Agent抽象、工具调用（Tool Calling）、记忆管理、多模型路由技术特点：LCEL（LangChain Expression Language）支持流式、异步、并行执行 Agent场景：ReAct、Plan-and-Execute、Self-Ask等推理模式的标准化实现 RAG角色：提供RetrievalQA、Conversati…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配题目：在将RAG系统集成到AI Agent的实际落地场景中，可能会面临哪些影响响应延迟和结果正确率的技术问题？请分析其成因并提出可行的优化方案。

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配正文：…ne: 从数据摄取到查询的完整工作流核心抽象：Index → Retriever → Response Synthesizer，RAG链路高度优化关键差异：LangChain链式更通用，LlamaIndex检索层更深工具集成方式维度 LangChain LlamaIndex 工具定义 @tool装饰器或继承BaseTool FunctionTool包装，与OpenAI格式对齐调用机制 AgentExecutor循环决策 OpenAIAgent/ReActAgent封…

#阿里云#Agent#Agent 开发框架

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配正文：…，DPO后期高效迭代关键技巧：引入"拒绝采样"过滤低质量轨迹，减少探索成本五、评估机制离线评估：单元测试（单工具准确率）→ 集成测试（多轮任务成功率）在线评估：A/B桶对照，关注长尾case的badcase率安全护栏：敏感操作人工确认、幻觉检测模型并行运行

#美团#Agent#Agent 训练流程

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入多轮对话、长期个性化关键集成机制工具绑定（Tools）工具 = 函数签名描述（name/descr…

#快手#评估与监控#Agent

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配题目：请详细描述搭建专业领域知识RAG系统的完整流程，包括数据准备、向量化处理、检索策略、模型集成和效果评估等关键环节。

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain、LlamaIndex，理解其与视觉语言模型的集成方式。

#淘天#多模态#多模态 RAG 实现方案

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配题目：请详细描述如何为专业领域（如医疗或法律）构建一个高质量的检索增强生成（RAG）系统或智能助手，涵盖架构设计、数据源选择与处理、检索系统构建、生成模型优化、安全合规保障以及多环节集成等关键方面，并结合实际应用场景说明各模块的设计考量与协同机制。

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·检索· 字节

RAG 为什么需要 Re-ranking?

匹配正文：…推理级联策略：多轮重排（粗排→精排→LLM pointwise打分）平衡效果与成本一句话总结重排是用计算换精度的关键设计，让RAG从"找得到"进化到"找得准"。学习建议建议先掌握RAG基本流程，理解检索与排序的区别，再学习典型重排模型（如Cross-Encoder）原理，通过开源项目动手实践重排模块的集成。

#字节#重排与优化#RAG Re-ranking

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：… 用"便宜"的向量检索先剪枝，"昂贵"的精排做最终决策灵活性与可扩展性可针对业务场景微调（如法律/医疗领域的相关性定义）易于集成多特征（时效性、权威性、用户偏好）典型方案 Cross-Encoder：精度最高，计算开销大（BERT类模型） ColBERT：Late Interaction平衡效率与效果 LLM-as-Reranker：直接用大模型判断相关性（成本更高，用于关键场景）

#字节#Rerank模型#RAG Rerank

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配正文：…是否达成子目标未达成则分析原因（工具问题？理解偏差？），选择重试或重规划引入"反思"步骤，显式总结本轮经验写入长期记忆三、与RAG的深度集成不是简单拼接，而是能力融合：层级集成方式检索即工具 RAG作为knowledge_retrieval工具，Agent按需调用记忆增强检索结果注入工作记忆，参与推理过程主动检索规划阶段识别知识缺口，触发预检索双向反馈 Agent的执行日志回流优化RAG的索引策略设计考量：检索结果置信度低时，Agent应主动追问澄…

#百度#Agent#Agent 系统设计

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…提出具体技术方案每个维度至少给出2个可落地的技术点能区分不同技术的适用场景和 trade-off 体现对前沿技术（如Self-RAG、Toolformer等）的了解回答有层次感，不是简单罗列一、模型架构层面知识增强架构检索增强生成（RAG）：把外部检索到的资料作为生成上下文，检索器与生成器可以独立更新；不要求生成模型采用编码器—解码器架构。 Self-RAG：引入反思token（Retrieve/IsRel/IsSup/IsUse），让模型自主决定何时检索、如何使…

#百度#对话模型准确性#模型架构优化

面试题·Agent· 高德

Function Calling vs Toolformer 本质差异?

匹配正文：… 建议先掌握大模型基础架构，再分别学习Function Calling的API调度机制与Toolformer的自回归训练范式，结合RAG与Agent案例理解其应用场景。

#高德#Function Calling vs Toolformer#Agent 工具调用

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配正文：…像与上下文分离持久化记忆机制 + 偏好学习四、核心洞察产品价值 = 技术能力 × 场景契合度 × 体验打磨 C端（通义）：用RAG解决"可信"问题，用长上下文解决"容量"问题 B端（星火）：用Agent解决"效率"问题，用插件生态解决"集成"问题两者都在向"RAG+Agent融合"演进——RAG提供知识底座，Agent提供行动能力，边界逐渐模糊。学习建议建议关注讯飞星火、通义千问等典型产品，学习其技术原理与用户场景结合方式，多从产品思维角度思考技术落地的合理性。

#阿里#科大讯飞#Agent

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…。负样本治理：曝光未点击可作为带噪候选，须考虑用户是否看见、位置与反馈延迟；与随机负样本、人工偏好及去偏方案做对照。 3. 系统集成：RAG与Agent的深度融合用户Query → Agent规划（意图识别→工具调用）→ RAG检索实时热点/库存 → 生成式模型融合多源信息 → 交互式澄清（多轮）→ 最终推荐 RAG增强：接入实时笔记池、趋势话题，解决生成内容"过时"问题 Agent协同：支持多轮对话式推荐，主动询问偏好（如"喜欢户外还是室内活动？"），突破单次请求的信息…

#小红书#Agent#生成式推荐系统

RAG向量数据库选型关键指标

RAG 文档处理与检索策略怎么搭？

RAG 检索器与知识库怎么搭?

RAG 系统核心组件怎么搭?

RAG 系统实现流程怎么搭?

RAG 知识库存储怎么选?

附录:把这个 RAG 项目写进简历 & 面试应答

架构 vs 模块 vs 工具集成怎么选?

Agent记忆分层与RAG检索

LangChain vs LlamaIndex 在 RAG 中怎么选?

RAG+Agent 延迟与准确率成因

Agent框架模块化与工具集成怎么比?

Agent 训练 vs RAG 怎么选?

LLM 如何集成外部工具与记忆?

领域 RAG 知识库构建

多模态 RAG 实现方案

垂直领域 RAG 完整架构

RAG 为什么需要 Re-ranking?

RAG 为什么需要 Rerank?

Agent 规划记忆工具调用机制

对话模型准确性怎么提?

Function Calling vs Toolformer 本质差异?

主流 LLM 应用产品怎么选?

生成式推荐系统有哪些改进方向？