匹配标题与标签：PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？围绕企业知识库入库链路，讲清不同文件为什么要分别解析，以及怎样统一为带结构、位置和来源的可检索内容。 RAG RAG 解析与入库 RAG 文档解析多格式文档解析 RAG Pipeline PDF PPT 解析 RAG 项目面试题

#RAG#解析与入库#RAG 文档解析

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…"词"建,查关键词又快又准。 🛠️ 跟着做:把架构图变成一段能跑的代码我们把"两条链路"各写成几个函数,跑通一个端到端的迷你 RAG。整条流水线就 5 个函数: 你即将写的 5 个函数 = 一条端到端流水线 Step 1:写"离线建库"的两步新建一个文件 mini_rag_pipeline.py(完整文件见 code-snippets/mini_rag_pipeline.py),先写离线部分: # ============ 离线:建库(只跑一次 / 定期更新) ====…

#RAG#检索#项目实战

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…强调任务委托 Semantic Kernel 微软生态，企业级规划器（Planner） Haystack 工业级NLP流水线，偏重RAG Pipeline 典型协作模式数据层：LlamaIndex（索引+检索） ↓ 编排层：LangChain（Agent决策+工具调用） ↓ 模型层：OpenAI/Claude/本地模型场景示例：企业智能客服 LlamaIndex构建产品手册的向量索引+关键词索引混合检索 LangChain Agent判断用户意图，决定直接回答/检索知识库…

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

#阿里云#Agent#Agent 框架对比

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：…成摘要，再回答全局问题，避免向量检索的局部碎片化。适用条件数据侧：已有结构化知识或可从非结构化文本抽取实体关系（NER+RE pipeline成熟）查询侧：问题涉及"为什么""如何关联"而非单纯"是什么" 成本侧：可接受图谱构建的一次性成本（实体对齐、关系消歧），换取查询时的精准度工程参考：微软开源GraphRAG（2024），采用"索引时构建社区摘要+查询时多层级检索"的架构。学习建议掌握知识图谱基础，理解RAG架构演进，重点学习GraphRAG的实体关系建模与…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·检索· 百度

RAG 文档处理与检索策略怎么搭？

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· 字节

RAG 架构：检索到生成全链路

匹配正文：…───────────┐ ┌─────────────────┐ │ 离线知识库构建 │ │ 在线检索生成 │ │ (Index Pipeline)│ │ (Query Pipeline)│ └─────────────────┘ └─────────────────┘ 二、离线知识库构建（Index Pipeline）步骤功能关键设计文档解析处理PDF/Word/网页等多格式保留结构信息（标题层级、表格位置）文本分块将长文档切分为chunk 策略：固定长度/…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配口述回答：这道题问的是专业领域[[RAG]]系统怎么搭，本质上是在考你怎么把通用RAG的能力约束到知识边界内，保证输出准确、可溯源，同时兼顾效率。我以法律场景为例，具体说一下我的方案。先说数据预处理。这块最核心的不是怎么切分，而是[[分块]]策略的取舍。固定切分简单，但法律条款跨块就会丢语义，所以我倾向按段落边界切，保证每个块语义完整。同时我会做多粒度索引：原文段落做粗粒度，拆解后的法条做细粒度，再额外维护一批问答对做应用层，这样不同查询能命中不同粒度的块。还有一个前提是术语对齐，比…

#字节#专业领域RAG#领域 RAG 架构

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配正文：…y测试检索Top-K命中率，结合LLM评估生成质量，反向驱动分块策略、Embedding微调、索引参数调优。学习建议建议先掌握RAG整体架构，再分步学习数据清洗、分块策略和嵌入原理，结合开源工具如LangChain和FAISS动手实践，加深理解。参考资料 Pandoc官方输入格式 ColBERT原论文:文本late interaction ColPali原论文:视觉文档检索 Faiss官方索引、增量与存储

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配口述回答：…索引重建的时机和回滚机制。这块如果做得不好，线上会出现搜不到刚更新的内容，或者搜到旧版本，影响用户信任。所以整体上，我更倾向于把RAG检索看成一个多阶段pipeline，从分块到嵌入到索引到检索，每个环节都有trade-off，而且必须用业务数据验证。如果只让我抓一个关键，那就是分块粒度决定了检索的上限，后面再优化也只是在补分块的坑。本质是平衡语义完整性与检索粒度的工程问题分块策略：固定切分 vs 语义切分，落地常混用嵌入选型：通用 vs 中文 vs 领域，维度与pr…

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 数据清洗与 Chunking 怎么选?

匹配追问：…文档有PDF、Word、网页抓取的各种格式，质量参差不齐。你会怎么设计数据清洗流程？另外，文档切块时你通常用什么策略？层层追问 RAG系统里，数据入库前一般要做哪些处理？……那文本切块呢，你一般怎么切？……如果文档里既有表格又有代码，直接按固定长度切行不行？你用什么策略处理这种情况？直球架构设计一个RAG系统的数据预处理pipeline，重点讲数据清洗流程和文本切块策略。清洗要覆盖哪些环节？切块策略有哪些，各自适合什么场景？

#字节#文档处理#RAG 数据清洗

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配口述回答：…排，不排全量。落地中最头疼的其实是时效性问题。比如电商大促期间满减政策一天一变，离线索引跟不上。我见过一个失败案例：客服系统用 RAG，但政策更新后索引没刷新，模型还在回答旧政策，导致客诉。所以上线前我会特别关注知识更新的 pipeline，设一个强制刷新周期，或者用 [[Self-RAG]] 让模型自己判断检索内容是否过时，必要时拒绝回答。最后说挑战。检索质量决定 RAG 的天花板，如果第一步就召不准，后面再好的模型也白搭。所以我会优先做检索评测，盯着 Recall@K…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配追问：…F 和网页，然后问‘今年的Q2财报里研发费用占比多少？’——你从文档处理到最终给出答案，中间每一步具体是怎么串起来的？层层追问 RAG 系统里你怎么处理文档的？……分块一般注意什么？……那检索的时候，光用向量够吗？……怎么把检索结果喂给生成模型，上下文太长怎么办？直球架构请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能在本机用 30 行代码切完一份 PDF,并讲清切分如何决定一个 RAG 系统的天花板 🔗 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 ✓ 零基础也能跟着做:用 langchain 跑通你的第一份文档切分 ✓ 看懂 3 个核心概念:什么是切分、什么是召回率、什么是 top-k ✓ 亲手重现一个切分失败演练,理解"切分为什么是地基" ✓ 看懂基础方案可能遇到哪些坑,并学会用自己的评估集比…

#RAG#检索#项目实战

面试题·RAG

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…拆开？召回结果重复后，会占掉多少候选位和模型上下文？参数改变后，怎样证明收益来自切分，而不是其他模块同时变化？从工程链路看，RAG 可以拆为离线解析、在线召回、上下文生成和查询理解。切分位于离线阶段，但它会沿着整条链路向后影响：块太大，向量里同时包含多个主题，检索得分可能被噪声稀释；块太小，问题所需的前提、条件和结论可能落在不同块里；重叠太小，边界信息可能断开；重叠太大，多个近似块会挤进同一个 Top K。所以，这不是一个“字符串应该截多长”的问题，而是“证据怎样进入…

#RAG#切分与索引#Chunk Size

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配正文：…→ Prompt → Output Parser → Memory → Tools，可插拔替换 LlamaIndex Query Pipeline: 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 Fu…

#阿里云#Agent#Agent 开发框架

面试题·Agent· 商汤科技

LangGraph 核心特性与设计理念

匹配正文：…化 AutoGen 对话式Agent 多Agent对话、代码生成更侧重对话轮次，图控制能力弱 LlamaIndex 检索-合成 RAG pipeline Agent编排非核心，需配合LangChain使用设计理念总结 "把Agent工作流当作状态机，而非函数链" 显式状态 > 隐式上下文传递图的可视化结构 > 代码逻辑嵌套生产级容错（持久化）> 快速原型适合场景：客服机器人（需多轮确认）、复杂审批流、多Agent研究系统。

#商汤科技#LangGraph 框架#Agent 框架对比

面试题·文档处理· 字节

文本块怎么转向量并建索引?

匹配口述回答：…延迟，达标才原子切换。删除千万别原地动图索引，否则召回质量会崩。另外，我最近在关注[[混合检索]]，比如把向量和BM25结合，在RAG里能显著提升召回率。但混合检索的权重怎么调、什么时候用关键词什么时候用向量，这是个值得深挖的点。所以整体上，我更倾向把向量化加索引看成一条完整的pipeline，而不是割裂的两步。从分块到嵌入到索引到检索，每一步的决策都依赖场景和数据特征，没有银弹。本质是让知识库能被机器理解并快速找到分块与嵌入：短chunk用SBERT，长文档用滑动窗…

#字节#文档处理#向量检索

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配正文：…务(AaaS)、与具身智能结合潜在挑战：评估体系缺失、长期记忆机制、多模态工具生态核心优势 1. 从"问答"到"执行"的跃迁 RAG是"知识检索+生成"，Agent是"理解→规划→执行→反思"的闭环能调用外部工具（API、代码执行、数据库），完成复杂多步骤任务 2. 关键能力拆解能力说明任务分解将复杂目标拆解为可执行的子步骤动态规划根据中间结果调整执行路径（ReAct模式）工具编排灵活组合多源工具，而非固定pipeline 多轮决策具备状态记忆，支持长…

#字节#Agent#Agent 优势与局限

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…：延迟敏感场景，图索引保证低延迟 IVF-PQ：内存受限场景，量化压缩降本 DiskANN：超大规模，内存-磁盘混合多阶段检索 pipeline 粗排（向量相似度，Top-K=100） → 元数据过滤（时间范围、会话ID、标签） → 精排（重排序模型/交叉编码器，Top-K=5） → 上下文组装（按时间序/相关度融合）关键优化分块策略：256-512 tokens为甜蜜点，重叠滑动窗口防断句查询改写：利用LLM扩展同义表达，缓解query-doc语义鸿沟反馈闭环：记…

#高德#重排与优化#文档处理

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…回答质量有没有掉，如果掉就调召回策略。另外还有一个有意思的点，就是召回和重排的边界其实可以灵活调整。比如在 [[Agentic RAG]] 里，[[Agent]] 可以动态决定是继续召回还是直接重排，甚至多次迭代。这个方向其实挺值得深入聊的。所以整体上，两阶段架构是个很务实的工程选择，核心就是在成本和精度之间找到平衡点。我更倾向把它看作一个可调节的 pipeline，而不是固定的套路，根据业务场景去调召回量和重排模型，才能落地得稳。本质是计算成本与精度的权衡召回阶段快…

#字节#两阶段检索#RAG 重排序

面试题·项目与经历· 商汤科技

数据预处理关键步骤与目的

匹配正文：…率、约束失败率等指标，并结合业务表现与人工复核设阈值。阈值由历史波动和风险成本校准，不是看到任意距离变化就自动增量训练。Self-RAG 是让生成模型按需检索并用反思 token 评价检索与生成的 RAG 方法，不是通用数据漂移检测或自动清洗触发器。

#数据清洗#数据增强#数据采样

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配口述回答：… 调API写脚本，错了编译报错，修完再跑，这个闭环在Copilot上已经被验证了。搜索能力，像Perplexity那种检索加总结的pipeline也挺成熟，但本质是[[RAG]]的变体，依赖检索质量，如果知识库不干净或者query模糊，容易出[[Hallucination]]。GUI最麻烦，因为要感知屏幕、解析DOM、模拟点击，环境千变万化，窗口大小、系统版本、按钮位置稍微一变就可能失败，而且动作执行后很难自动验证目标有没有达成，你点了个保存，弹窗没出来，你都不知道是没点到还…

#美团#Agent#Agent 能力对比

面试题·模型架构· 得物

大模型面临哪些核心挑战?

匹配追问：你们业务中幻觉问题具体怎么解决的，有没有做事实性校验的pipeline 长上下文场景下你们怎么权衡成本和效果，有没有试过RAG+长文本的混合方案推理延迟要求很严的话，你们量化方案选的是哪种，有没有做投机解码场景切入假设你在做一个实时客服机器人，用户问一句你就要立刻回一句，不能卡顿。你手头有个千亿参数的模型，怎么让它跑得快又不炸显存？层层追问大模型落地主要有哪些瓶颈？……那推理延迟怎么优化？……还有幻觉问题，你遇到过吗？怎么解决的？……长上下文呢，比如处理一份几十页的…

#计算效率#幻觉问题#长上下文

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配口述回答：…标。召回阶段：多级索引与量化取舍生成阶段：投机解码与批处理架构解耦与降级兜底监控指标与落地风险约4分钟 Agentic RAG 在降低无效召回与引入决策延迟之间的平衡问题面试官可能会追问 Agentic RAG 的具体实现、决策延迟如何衡量、以及与传统 pipeline 的优劣对比

#高德#Agent#Agent 系统延迟优化