匹配正文：…、IVF-PQ（磁盘友好，略慢）量化：FP16/INT8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Generator → Answer 关键协作点上下文融合：检索结果按相关性排序，截断至上下文窗口置信度过滤：低分文档丢弃，避免引入噪声迭代优化：Advanced RAG中加入重排序（Rerank）或查询改写，提升召回精度质量提升本质：Generator从" pa…

#字节#Retriever#RAG Retriever

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配正文：核心方法：隔离变量而不是凭症状归因问答偏题、细节错误或文档外陈述只能作为排查线索，不能直接判定是 Retriever 或 Generator。生成器可能忽略正确证据，检索器也可能召回相关但不足以回答的材料，两者还可能同时失败。 1. 先建立可判定样本为查询标注参考答案、支持答案的黄金证据及可回答性。没有黄金证据时，无法区分“知识库里没有答案”和“检索器没找到答案”。 2. 黄金证据替换实验固定模型、prompt、解码参数和问题，把线上检索结果替换为人工确认的黄金证据： …

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

#百度#评估与监控#RAG 错误定位

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…｜ ~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) 【整体架构与流程】解释 RAG 的整体架构与完整工作流程。中等 → 【离线索引构建】描述构建近似最近邻(ANN)索引的完整流程和关键技术选择。中等 → 【在线检索机制】详细解释 RAG 中检索模块(Retriever)的工作机制。中等 → 【为什么混合检索】为什么要采用混合检索(Sparse + Dense)?分别阐述其作用。较难 → 【召回链路全局优化】 …

#RAG#检索#项目实战

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…例说明典型产品（如OpenAI Deep Research vs 传统RAG应用）核心区别：单次检索 vs 自主迭代研究维度 RAG Deep Research 本质检索→生成的一次性流程多轮"检索-分析-再检索"的自主循环决策主体预定义流程，无自主规划 LLM自主决定下一步检索什么检索次数通常1-2次数十次甚至上百次输出形态直接回答结构化研究报告（带引用）技术原理差异 RAG 架构：Retriever → Reranker → Generator …

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

求职指南·求职

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：…懂的语法再查,一周就有产出。第二个反例:一上来 ALL-in LangChain,把三行就能写清的检索逻辑塞进一堆 Chain、Retriever、Callback 的抽象里。demo 跑通那一刻很爽,可一旦结果不对,你根本不知道是检索错了、prompt 错了还是模型错了——因为每一步都被框架包住,你没有亲手写过。面试官追问「你这个 RAG 的召回是怎么做的」,你只能说「框架做的」,这一轮基本就废了。手写一遍最小版本,你才真正拥有这条链路。上手行动清单:按这个顺序做,别系…

#求职#职业转型

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配正文：…ols，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 FunctionTool包装，与OpenAI格式对齐调用机制 AgentExe…

#阿里云#Agent#Agent 开发框架

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配正文：…构（Vector/Tree/Keyword/Graph） Query Engine：封装"检索+合成"的标准流程 Agent：基于Retriever的轻量Agent（OpenAIAgent/ReActAgent）适用场景企业知识库问答（RAG为核心）结构化数据查询（SQL/Graph）需要精细控制检索策略的场景优缺点 ✅ 检索策略丰富，RAG效果易调优 ✅ 与LangChain可互操作（LlamaIndexTool） ❌ Agent能力相对薄弱，复杂规划需外挂 ❌ …

#阿里云#评估与监控#Agent

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：…外部能力封装（搜索、计算、API）扩展模型边界 Memory 对话历史管理 Buffer、Summary、Vector三种策略 Retriever 文档检索接口 RAG知识库问答 Agent工作流程（以ReAct为例）用户输入 → 思考(Thought) → 行动(Action:调用工具) → 观察(Observation) → ... → 最终答案循环直到Agent判断任务完成，核心是推理与行动的交错执行。优缺点优势：上手快、生态丰富、快速验证想法劣势：过度封装导…

#快手#评估与监控#Agent

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·评估· 快手

LangChain 链式调用原理

匹配正文：…angChain Expression Language）用管道符实现声明式组合： chain = ( {"context": retriever | format_docs, "question": RunnablePassthrough()} | prompt | llm | StrOutputParser() ) 3. Agent的执行循环用户输入 → LLM决定Action → 执行工具 → 观察结果 → LLM继续决策 → ... → 最终输出 ↑_______…

#快手#评估与监控#Agent

RAG Retriever 工作流程详解

RAG Retriever 工作机制详解

RAG 错误根源怎么定位?

第 2 章:RAG 整体架构

Deep Research vs RAG 怎么选?

RAG架构：检索器与重排序策略

LangChain vs LlamaIndex 架构差异？

只会 Java,怎么快速上手 Python 和大模型工程栈

Agent框架模块化与工具集成怎么比?

主流Agent框架优缺点与场景怎么选?

LangChain 关键组件与流程?

LLM 如何集成外部工具与记忆?

LangChain 链式调用原理