匹配正文：…档里的表达，系统需要覆盖不同措辞。第三句只有一个抽象概念，信息太少，向量很容易飘到一堆相近主题。这三类问题都可能被笼统地归入“Query 优化”，但适合的处理方法并不一样。如果不分类型，每个问题都先交给大模型改写，不仅多一次调用，还可能把原本清楚的编号、否定和限制条件改错。重写、扩写和 HyDE 分别解决什么？ Query 重写追求的是“把问题说完整”。用户问“这个怎么申请”，系统要结合有限的对话历史，把它恢复成类似“年假怎么申请”这样可以脱离上下文独立理解的问题。…

#RAG#检索与重排#RAG Query 重写

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

匹配正文：RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

#RAG#生成与对话#RAG 检索优化

项目实战·RAG

第 7 章:Query 理解与改写

匹配正文：…收串题｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。关联面试题(5 道,覆盖 5 个角度) 【意图识别作用】 RAG 系统中意图识别模块承担什么关键作用? 中等 → 【意图识别实现】 RAG 系统的意图识别模块是如何实现的? 中等 → 【Query 改写方法】 Query 改写技术有哪些常见的创新方法(同义扩展、语义重写等)? 中等 → 【意图 Prompt 模板】大模型意图识别任务里,如何设计有效的 prompt 模板? 中等 → 【大规模意图】需要…

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#检索#项目实战

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配标题与标签：多轮 RAG 如何理解“这个怎么申请”？围绕多轮问答链路，拆解代词、省略和话题切换如何识别，独立 Query 如何生成与回退，并用连续追问、新话题和歧义样本验证。 RAG RAG 生成与对话多轮 RAG Query 重写指代消解话题切换 RAG 面试题

#RAG#生成与对话#多轮 RAG

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配题目：在信息检索或RAG系统中，Query改写技术有哪些常见的创新方法？例如同义扩展、语义重写、对话历史融合等，其各自优势是什么？

#京东#Query改写#Query 改写

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…甚至每个关键词都能命中。但相关性不能替代时效性。搜索前应优先检查文档状态和版本，无法确认当前有效版本时，回答要明确边界。第三种，Query 重写改变了原意用户问：“这个现在不能申请了吗？”重写模型却把它改成“这个如何申请”。改写后的问题更容易搜到申请流程，但把否定关系弄丢了。例如，改写后没有合格结果时，可以再用原问题检索。同时要保存两次检索的候选，用连续对话与换题样本检查回退究竟救回了什么，又引入了什么噪声。更稳妥的做法还要保存原 Query、改写 Query 和两边…

#RAG#生成与对话#RAG 无答案检测

面试题·检索· 阿里

RAG检索器与索引结构怎么选？

匹配口述回答：…] 向量量化是标配。这里有个坑：HNSW 在动态更新时删除很麻烦，不能原地删，否则图会乱，所以我会用软删除加异步重建。然后是查询重写。用户 query 通常短、有歧义，跟文档表述不一致。HyDE 的思路是用大模型先生成一段伪答案，再拿伪答案去向量检索，效果不错，但前提是生成质量不能太差，否则引入噪声。另一个常用的是子查询分解，比如用户问“满减和优惠券能叠加吗”，我会拆成“满减规则”和“优惠券规则”两个子问题分别检索，再合并结果。这种策略对复杂查询很有效，但代价是增加了一次大…

#阿里云#查询重写#RAG 召回优化

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配标题与标签：检索失败时 RAG 怎么兜底? 无相关文档场景下的鲁棒性策略,包括重写查询与生成式回答检索百度小鹏美团 RAG 检索失败 RAG 鲁棒性无相关文档处理查询重写生成式回答百度

#百度#小鹏#美团

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：📊 学习时长:60-75 分钟 🎯 完成后能力:能用一段端到端代码跑通 RAG 的完整骨架,并讲清四大模块各管什么、怎么联动 🔗 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 ✓ 把第 1 章的"迷你流水线"展开成端到端骨架,亲手跑通"建库 → 提问 → 召回 → 拼上下文 → 回答" ✓ 看懂 RAG 的四大模块(解析切分入库 / Query 理解 / 检索召回重排 / 上下文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + …

#RAG#检索#项目实战

面试题·评估· 蚂蚁

RAG多轮对话怎么防知识遗忘?

匹配正文：…提出显式对话状态管理机制设计动态检索策略而非单次检索说明查询重写/扩展的具体方法给出评估多轮RAG效果的指标问题本质多轮RAG的两个核心挑战：知识遗忘：早期轮次的关键信息未被当前检索利用上下文漂移：用户意图变化导致检索偏离当前需求技术方案 1. 显式对话状态管理对话状态 = {主题实体集合, 用户意图, 未解决问题, 已确认事实} 每轮用轻量模型抽取状态更新状态向量化后参与检索相似度计算 2. 分层检索策略层级内容权重动态调整当前轮用户最新que…

#蚂蚁#RAG 多轮对话#知识遗忘

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配正文：…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（Query Rewriting）：用LLM扩展/澄清用户意图，如"苹果→苹果公司/Apple Inc." HyDE（假设文档嵌入）：让模型先生成假设答案，再用答案去检索 2. 检索侧优化多路召回：BM25 + 向量检索 + 关键词匹配，互补覆盖重排序（Rer…

#Embedding#Rerank#RAG 检索相关性

面试题·模型微调· 美团

RAG检索偏差怎么缓解?

匹配正文：…索引，检索时多路召回（历史索引+增量索引），结果融合排序美团外卖场景：新商家/新菜品实时入增量索引，避免全量重建延迟 2. 查询重写与扩展用LLM将用户query改写为多个视角（时间敏感型、通用型），分别检索后聚合例："附近好吃的" → 扩展为"2024新店推荐"+"高评分老店" 3. 自适应向量微调收集新文档的点击/转化反馈，用对比学习微调embedding模型（LoRA轻量更新）关键：混合采样新旧数据，防止灾难性遗忘 4. 分布感知的重排序训练阶段引入领域标签…

#美团#模型微调#RAG检索偏差

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…ssage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LLM生成解决的关键问题问题说明事实幻觉生成内容有检索文档支撑，可溯源验证知识时效性无需重训即可更新知识库领域专业知识注入企业私有数据，弥补通用模型短板生成可控性通过限定检索范围约束回答边界 RAG vs 纯参数化模型：场景对比 RAG显著更优的…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：一、查询侧优化（让问题更清晰）查询重写/扩展 HyDE（Hypothetical Document Embedding）：让LLM先生成假设答案，用答案去检索而非原始问题 Query2Doc：类似思路，用少量生成内容扩展查询语义多查询扩展：一个query改写成多个不同表述，分别检索后合并查询分解复杂问题拆成子问题，如"比较A和B的优缺点"→分别检索A、B再综合二、检索策略增强（多路召回）方法核心思想适用场景混合检索向量相似度 + BM25关键词匹配，加权融…

#字节#HyDE#RAG 检索质量

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：…引用来源生成控制：引用溯源：要求模型标注信息来源块拒答机制：检索置信度低时触发"信息不足"回复多轮优化：检索失败时自动扩展Query重写关键工程细节环节典型选型注意点 Embedding BGE-large-zh 领域适配需微调向量DB Milvus 考虑增量更新与版本管理重排序 BGE-Reranker-v2 计算成本高，控制候选规模幻觉控制引用+置信度阈值不能100%消除，需人工兜底高德场景下，地图POI、实时路况等结构化数据需特殊处理：先SQ…

#高德#RAG#RAG 工作流程

面试题·检索· 字节

RAG 架构组件与失败场景

匹配正文：答案要点能清晰划分RAG的三大核心模块（索引、检索、生成）并说明各自职责理解Embedding模型的选型考量和向量数据库的选型差异掌握检索策略的演进（从基础到高级RAG）能说明完整的端到端数据流提及RAG的典型优化手段（查询重写、重排序、混合检索等） RAG核心架构：三大模块 1. 索引模块（Indexing）文档处理：加载PDF/网页/数据库 → 文本清洗 → 语义分块（按段落/滑动窗口/语义边界）向量化：Embedding模型（BGE/M3E/OpenAI-…

#字节#RAG组件协同#RAG 系统架构

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…局限优势知识实时更新：不用重新训练模型，增量更新知识库即可可解释性强：答案有来源引用，便于人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garbage in, garbage out"）多跳推理、跨文档关联能力弱上下文窗口限制，过多检索结果会稀释注意力演进方向 Advanced RAG：查询重写、HyDE（假设文档嵌入）、递归检索 Modular RAG：与Agent结合，动态决策何时检索、检索什么

#字节#RAG应用场景#RAG 技术实现

面试题·模型微调· 百度

RAG 端到端工作流程

匹配正文：… → 取Top-K相关文本块增强生成：将检索结果作为上下文，与问题一起输入LLM，生成最终回答核心优势对比维度纯生成模型 RAG 知识时效性训练数据截止，无法更新知识库实时更新，无需重训幻觉问题容易编造事实基于检索文档生成，可控可溯源成本全量微调昂贵只需更新知识库，零训练成本可解释性黑盒生成可展示引用来源，便于审计典型变体 Naive RAG：基础检索+生成 Advanced RAG：查询重写、重排序（Rerank）、混合检索（向量+关键词） …

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…数据库,是否用 LLM 摘要要按质量、延迟和成本实测; 你的 resolve()(把"它"补全) = 指代消解,本质是第 7 章 Query 重写的一种,只是信息来源是对话历史; 你这个"先补全、再检索"的流程 = 多轮 RAG 在线链路里,记忆模块坐在检索之前的位置。你手搓的是它最朴素的样子;Part 2 讲工程系统可以怎样选历史、控制上下文、管理长期记忆和用户画像。这一节你掌握了什么? ✅ 记忆模块是什么、为什么多轮对话离不开它 ✅ 短期 / 长期记忆的区别 ✅ 亲手…

#RAG#检索#项目实战

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…真实系统的什么? 你的滑动窗口 + 摘要 = 短期记忆的历史选择 + 裁剪; 你的 resolve() = 指代消解(本质是一种 Query 重写,信息来源是对话历史); 你的 last_entity = 一个极简的对话状态。真实系统会把这套做得更聪明(模型抽实体、LLM 摘要、相关性召回历史)。 🎯 Part 2 · 面试深度｜ ~40% 这部分讲生产级记忆系统:短期记忆的策略、长期记忆的存储与遗忘、用户画像,以及和上一章的关系。 2.1 短期记忆:三种历史选择策略「…

#Agent#Deep Research#项目实战

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…境你必须大量裁剪，不然延迟和成本都扛不住。所以我的感觉是，LangChain更适合快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过…

#阿里云#评估与监控#Agent

面试题·知识图谱· 淘天

GraphRAG 增量更新怎么保实时?

匹配口述回答：…落地风险：实时性和准确性永远得二选一。举个例子，电商客服场景，商家突然改了满减政策，用户问“为什么我订单没减钱”，如果更新不及时，RAG可能返回旧政策，导致投诉。但如果你为了实时性，每次更新都立刻重算全图，成本扛不住。所以我的原则是：对实时性要求高的查询，允许短暂读取旧摘要，优先保可用性；对准确性要求高的场景，比如金融风控合同变更，更新期间把查询降级到原始文本检索，虽然慢点但不会错。上线前我会特别关注一件事：用一批固定query做回放，对比更新前后的Recall和延迟，不通…

#淘天#GraphRAG 增量更新#知识图谱实时性