匹配正文：…是输出能不能长期稳定使用：同一区域有没有重复出现，正文和表格是否表达了两份冲突内容，解析器升级后字段结构会不会变化，重新处理时旧 Chunk 能不能被正确替换，答案又能否回到原页。“文件已经生成”只回答了任务状态，没有回答这些质量问题。只要其中一处出错，系统依旧可能顺利入库，却再也搜不到正确证据。所以这道面试题真正问的是： MinerU 已经完成 PDF 解析，为什么还需要后处理？哪些页面要二次处理，又怎么判断它们可以进入 RAG？解析成功，离 RAG 可用还差什么？ …

#RAG#解析与入库#MinerU RAG

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…

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

#RAG#评测与上线#RAG 评测集

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？假设你在做设备借用知识库。一页指南分成两栏：左栏是办理步骤，依次提交申请、审核通过后领取、用完归还；右栏是申请材料，列着工号证明、审批记录和设备清单。人读这页纸，通常会先沿左栏把流程看完，再去右栏找材料。解析后的文本却可能变成“提交借用申请、工号证明、审核通过后领取设备、审批记录、用完后办理归还、设备清单”。每个字都能在原页找到，内容也与设备借用高度相关。办理动作和申请材料已经混成一条队伍。把它切成段落送进知识库…

#RAG#PDF解析#阅读顺序

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配正文：…能有偏、被过度优化；偏好改善不等于事实正确，也不保证识别所有知识边界。典型场景：对话安全性、风格对齐、复杂推理规范化本质区别 RAG是开卷考试——给参考资料，能答多少看检索；RLHF是习惯矫正——凭肌肉记忆，答得对不对看训练。实际落地：两者可以互补，但不是幻觉成因的一一划分，也不构成完整正确性保证。分别检查检索证据、回答事实与引用、安全行为，再比较增加对齐训练是否有收益。学习建议建议系统学习该知识点参考资料 RAG 原论文 InstructGPT 原论文 DPO …

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配正文：…度、答案相关性）消融实验与人工分析的结合典型错误模式的识别（检索不准、生成幻觉、协同失效）核心诊断思路：分层定位，逐层验证 RAG故障排查的关键是隔离变量，把端到端问题拆解到具体模块。第一层：判断检索模块是否合格关键指标 Recall@K：正确答案是否在Top-K检索结果中（K通常取5或10） MRR/NDCG：排序质量，相关文档是否排在前面诊断方法人工抽检：随机采样bad case，人工判断"给定这个问题，理想文档应该是什么"，对比实际检索结果查询改写分析：…

#检索诊断#生成协同#RAG 效果诊断

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：…测→查询生成）能举例说明图结构数据的具体应用场景理解其在多跳推理、关系推理上的优势 GraphRAG 核心原理本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。构建流程：索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生成社区摘要查询阶段：根据问题路由到相关社区 → 综合多社区摘要生成答案与传统RAG的关键差异维度传统RAG GraphRAG 检索单元文本chunk 实体、…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：这道题问的是[[RAG]]在实际落地时，检索和生成之间那个匹配缺口怎么补。说白了，RAG不是拿回文档就万事大吉，中间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；…

#淘天#知识图谱#RAG 痛点

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…明RAG相比纯参数化知识的优势（时效性、可解释性、成本）至少提及2-3个真实挑战（检索精度、上下文窗口、多跳推理等）核心思想 RAG（Retrieval-Augmented Generation）将外部非参数化知识与大模型参数化知识结合，解决纯LLM的幻觉、知识时效性和领域适配问题。三大核心组件 1. 索引（Indexing）文档切分：按语义/固定长度分块，控制chunk size（通常256-512 tokens） Embedding：用BGE、M3E等模型编码为稠…

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：…y缓存、用户画像预加载常用知识检索加速：向量量化(IVF-PQ)、图索引(HNSW)、检索结果缓存流式生成：首token返回后chunk输出，降低用户感知延迟并行化：检索与LLM调用解耦，工具调用异步化正确率优化混合检索：向量+关键词+知识图谱多路召回，RRF融合查询改写：HyDE生成伪答案再检索，解决query-doc语义gap 重排序精排：Cross-encoder细粒度打分，过滤低质结果 Self-RAG：生成时主动判断是否需要补充检索，避免过度检索 Age…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配口述回答：…词索引，还能组合索引。它的检索策略也很深，比如[[Hybrid Search]]、[[Rerank]]、子问题分解这些。所以纯[[RAG]]场景，LlamaIndex是首选，检索精度和效率都优化得很到位。但它的Agent能力相对轻量，虽然也有OpenAIAgent，但复杂决策还是得靠LangChain。那真实业务里怎么用呢？我举个例子，企业智能客服。比如用户问“我买的商品降价了，能退差价吗？”这个场景，你会需要两个能力：一个是检索产品手册里的退换货政策，另一个是调用订单AP…

#阿里云#Agent#Agent 框架对比

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…新的价格文档扔进知识库，下次查询就能拿到正确信息，不用重新训练模型。第二个是[[幻觉]]问题。模型为了回答流畅，有时候会编造事实。RAG让模型基于检索到的真实文档来回答，大大降低了捏造的概率。而且它还有个附带好处，可解释性。模型回答时可以引用来源，你点开就能看到原文，这在合规审计场景下特别重要。说到这里，你可能想问，那为什么不直接微调模型呢？这里有个边界划分。微调适合让模型学会某种固定格式或风格，比如把客服回复改成更礼貌的语调；但微调很难注入新的事实知识，而且成本高、容易过…

#科大讯飞#阿里#RAG 架构

面试题·检索· 字节

RAG检索方法选型原因？

匹配口述回答：…也可能被噪声带偏。还有一个常见失败场景：文档切分不合理。比如把一篇完整的技术手册按固定长度切，结果一个完整的概念被切到两个 [[Chunk]] 里，检索出来信息不全。我一般会按语义边界切，比如用 [[Sliding Window]] 加标题层级，或者用 [[Parent Document]] 策略，先检索子块，再拿父块给 LLM。最后说判断收尾。我在这类系统里，会把混合检索加两阶段精排看作一个默认架构，但具体选型要看场景：如果业务里专有名词多、查询短，稀疏检索权重得提高；…

#字节#评估与监控#RAG 检索方法

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…演练要说明的不是某次真实损失,而是因果链:一句话被切断 → 检索只返回残缺证据 → 生成阶段依据错误上下文作答。因此,切分策略是 RAG 系统的隐形地基;上层模型无法补回未被检索到的证据。这个失败路径,用一张图就能看明白: 切分前 vs 切分后:错误如何沿链路放大别急着记结论。本章后半会告诉你怎么避免它,但在那之前,我们先把最基础的东西跑起来。 3 个核心概念(先白话,再术语) 概念 1:什么是"切分"? 切分(chunking),英文 chunk 就是"块"的意思,说白…

#RAG#检索#项目实战

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：… 依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk = { "content": "...", "source":…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配口述回答：…，引用关系就断了。我的做法是优先做结构化解析，按条款编号切分，同时把父级标题比如'第三章合同履行'作为上下文前缀拼进去。这样每个chunk自带层级信息，检索时能理解'这个条款属于哪一章'。这里有个坑，就是切块粒度太小会丢上下文，太大又带进噪声。比如医学指南里一个诊疗流程可能跨好几页，切小了召回不完整，切大了top-K里混进不相关的部分。所以落地时我倾向于多粒度索引，小chunk用来做初排，大chunk或者[[父文档]]用来在生成阶段补充上下文。这样检索精度和生成质量都能兼…

#字节#RAG Chunking#长文档切分

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：…ntic分块。前提是数据质量过关，边界清晰，否则再花哨的策略也救不了。一句话定位：分块本质是上下文完整性和检索精确性的平衡边界划分与策略选择：固定长度 vs 语义分块，递归分块+重叠是起步标配业务场景举例：企业合规文档检索，段落边界和重叠策略的实际应用落地风险与前提：embedding长度限制、LLM上下文窗口、评估驱动迭代工程师判断收尾：倾向递归分块起步，根据bad case逐步优化约4分钟 chunk之间的语义关联问题，比如定义和引用跨块，用Parent Do…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配口述回答：这道题其实是在问，[[RAG]]系统里怎么把文本转化成机器能理解并快速检索的向量表示。核心是两个层面：一是怎么选[[Embedding]]模型，二是从原始文档到[[向量库]]的工程流程怎么落地。先说选型。很多人喜欢列一堆模型对比分数，但真正落地的时候，我的原则是任务驱动。通用语义检索场景，比如客服问答，我会优先考虑MTEB高分的[[双塔]]模型，像BGE、E5这些，它们在大规模语料上预训练过，泛化能力不错。但如果是代码或技术文档场景，比如企业内部SOP查询，我会换成Code…

#字节#Embedding 模型选型#RAG 向量化流程

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配口述回答：…，而不是单纯把这句话编码成一个向量。还有一种情况是多任务目标，比如同时优化检索相关性和对话连贯性，那我会做联合训练。再一个，[[Chunk]]粒度怎么切。这里有个边界划分：粗粒度保留整轮对话，适合检索一次完整交互；细粒度切到句子或意图单元，适合提取关键事实。但真正落地我倾向混合策略，存储时细粒度切分，检索时动态扩展上下文。还是高德那个例子，用户说‘明天去机场，要早到’，我会拆成三个意图单元，分别存。检索时如果命中其中一个，再把同轮的其他单元拉回来，这样既精准又不丢上下文。 …

#高德#Agent#向量检索

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：这道题问的是文档清洗预处理，其实本质是在问：你如何在信息密度和检索效率之间做取舍，同时避免污染生成质量。很多人在做领域 [[RAG]] 时只关注模型或检索策略，但数据源头要是脏的，后面怎么调都没用。先说通用清洗层，这层是必须做的，但别做过头。格式标准化、去乱码、过滤页眉页脚这些是基本功。但有个坑：过度清洗可能会丢掉有价值的信息。比如技术手册里的页脚可能是版本号，你一刀切掉，后面检索时版本匹配就出问题。所以我会把这层当成「安全网」，只做保守操作，把判断权留给后面。真正拉开差…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 快手

LangChain 关键组件与流程?

匹配口述回答：…边界。Memory管理对话历史，有Buffer、Summary、Vector三种策略。Retriever是文档检索接口，专门给[[RAG]]用的。你问工作流程，我拿ReAct举个例子。用户输入进来，Agent先思考，决定要调用什么工具，比如搜索某个信息，然后执行工具拿到观察结果，再基于观察继续思考，直到给出最终答案。整个过程是推理与行动交错执行，不是一次生成完。这里有个边界划分的问题。简单场景，比如固定格式的翻译，用Chain就够了，清晰可控。复杂推理，比如客服要查多个订…

#快手#评估与监控#Agent