匹配口述回答：…LlamaIndex，很多人把它们放一起比，但我更倾向于把它们看成上下游关系。LangChain的定位是通用编排框架，它擅长的是把LLM调用、工具调用、记忆管理这些东西串成一条工作流。比如[[ReAct]]模式、Plan-and-Execute，LangChain都给你封装好了，你直接用就行。但它的检索能力其实不强，它依赖外部[[向量库]]，自己只做高层封装，比如RetrievalQA这些。 LlamaIndex正好反过来，它的核心就是数据检索。它支持100多种数据源加载，索…

#阿里云#Agent#Agent 框架对比

面试题·评估· 美团

Agent 训练 vs RAG 怎么选?

匹配标题与标签：Agent 训练 vs RAG 怎么选? 从任务定义到强化学习,完整闭环与评估机制评估美团 Agent Agent 训练流程 Agent 迭代设计强化学习 Agent Agent 评估机制美团

#美团#Agent#Agent 训练流程

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配题目：RAG（检索增强生成）和强化学习（如RLHF）在缓解大语言模型幻觉问题方面分别起到什么作用？它们的技术路径和优劣有何本质区别？

第 1 / 7 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

#京东

#RAG 与 RLHF

#RAG vs RLHF 幻觉治理

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：为什么引入RAG RAG的核心价值是解耦知识存储与模型参数，解决大模型固有缺陷：知识时效性：模型参数冻结后无法感知新知识，RAG通过实时检索外部库解决幻觉问题：生成内容可溯源到检索文档，大幅降低"一本正经胡说八道" 训练成本：SFT需要重新训练模型，RAG只需更新知识库，边际成本极低可解释性：能展示"参考了哪些资料"，满足合规审计需求 RAG vs SFT 的适用边界维度 RAG更适合 SFT更适合知识特性频繁更新、领域专精通用能力、长期稳定数据规模海量文档…

#美团#模型微调#RAG vs SFT

面试题·知识图谱· 字节

GraphRAG原理 vs 传统RAG 怎么选?

匹配正文：答案要点理解GraphRAG的核心创新：从"文本块检索"到"图结构知识检索" 能对比传统RAG在全局性问题上的局限掌握GraphRAG的构建流程（索引构建→社区检测→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…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配正文：…心是将非结构化文本转化为结构化知识图谱，再基于图的拓扑结构进行语义检索，而非传统RAG的"文本切块+向量相似度"模式。相对于传统RAG的创新 1. 知识组织方式：层次化图结构传统RAG：文档→切片→Embedding，信息原子化，丢失跨段落关联 GraphRAG：提取实体→关系→社区三层结构实体节点：人、组织、概念等关系边：语义关联（如"投资"、"位于"）社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs 局部匹配传统RAG：依赖向量相似度，擅…

#美团#GraphRAG#传统 RAG 对比

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：这道题其实是在问，当我们想让[[RAG]]理解图片的时候，到底是走一条捷径，还是硬着头皮做真正的[[多模态]]融合。说白了，伪多模态就是把图片强行转成文字，再走传统的文本检索；真正多模态呢，是让图片和文本在一个共享的向量空间里去匹配。先讲伪多模态，它的做法很直接：图片进来，先走[[OCR]]提取文字，或者用GPT-4V这种模型生成一段描述，然后把这些文本丢进普通的[[Vector Database]]去检索。它的本质是，输入是多模态的，但检索环节已经退化成了单模态。好处是…

#淘天#多模态#伪多模态RAG

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配口述回答：这道题其实是在问，当我们想让大模型用外部知识时，到底应该把检索当成一个独立的前置步骤，还是把它融到模型内部去。传统做法是先检索再生成，检索和生成是两条独立的流水线，中间就靠硬拼文档进去。而[[RAG]]的核心变化是把检索从预处理变成了模型内部的一个运算步骤，检索出来的向量通过注意力机制软融合到生成过程中。你可以这么理解，传统做法是先把一堆材料扔给模型让它自己看，RAG是让模型在写答案的时候随时能翻书，而且翻哪页是由模型自己决定的。具体到信息融合机制，传统方法就是把检索到的T…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…"，RAG的核心是"单次检索增强" 两者在检索次数、规划能力、执行流程上有本质区别 Deep Research适合开放式复杂问题，RAG适合封闭域事实问答能举例说明典型产品（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…

#Deep Research#RAG#Deep Research vs RAG

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配口述回答：…简单问答，我倾向于先用传统RAG快速上线，等遇到多跳瓶颈再引入图结构。这道题问的是什么时候该上GraphRAG，本质是结构化知识vs语义匹配的边界划分先讲最适合GraphRAG的场景：多跳推理和关系密集型查询，举企业合规的例子再讲核心优势：可解释的推理路径和全局聚合，但前提是数据质量够最后落地风险和取舍：图谱构建成本高，实际常和传统RAG混用约4分钟 GraphRAG的社区摘要生成本身依赖LLM，存在Hallucination风险，需要做Faithfulness校验…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配标题与标签：… Deep Research，而不是普通 RAG？复杂问题怎么分级路由？从任务交付、对象数量、证据要求和推理结构出发，讲清普通 RAG、Agentic RAG 与 Deep Research 的边界，以及复杂问题怎样分级路由和验证。 Agent Deep Research 问题边界与研究闭环 Deep Research 分级路由 Deep Research vs RAG Agentic RAG Deep Research 面试题大模型项目面试

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

面试题·评估· 字节

RAG 为何要二次生成?

匹配正文：…"该公司"在chunk中失去指代对象条件缺失："如果A则B"只检索到B，丢失前提A 多文档冲突：不同来源对同一事件描述角度不同 LLM的作用：跨片段整合、冲突检测、逻辑补全，重建完整叙事 3. 幻觉控制：约束生成 vs 自由编造方式问题直接输出检索文本可能答非所问，或信息过时、片面纯LLM生成高幻觉风险，编造看似合理的内容 RAG的LLM生成是约束条件下的再创造：以检索内容为事实锚点，降低虚构概率同时保留语言组织能力：统一语气、结构化输出、多语言翻译对检索…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配标题与标签：大模型落地技术范式怎么选? 提示工程、微调、RAG、Agent系统对比,5个维度助你决策模型微调滴滴模型微调 Agent 大模型落地技术范式提示工程 vs 微调 vs RAG 大模型技术选型滴滴

#滴滴#模型微调#Agent

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配标题与标签：RAG 为何比 SFT 更优? 知识更新、事实准确性、推理能力三方面对比模型微调美团 RAG vs SFT RAG 监督微调大模型知识更新事实准确性美团

#美团#RAG vs SFT#RAG

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…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显著更优的场景：高事实准确性要求：医疗诊断、法律咨询、金融合规（需精确引用条文）知识高频…

#淘天#阿里#RAG 架构

面试题·Agent· 高德

Function Calling vs Toolformer 本质差异?

匹配正文：…迭代延迟低、不依赖外部系统、端到端优雅劣势网络开销、系统复杂度高训练昂贵、知识固化、扩展性差本质权衡：系统工程的灵活性 vs 端到端优化的极致性。当前工业界Agent几乎清一色选择Function Calling，正是工程可控性压倒理论优雅性的体现。学习建议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·评估· 淘天

现代RAG架构有哪些改进?

匹配正文：…接上下文 → 生成，三者独立优化。现代RAG的核心改进在于打破这种隔离，实现检索与生成的双向交互。架构层面的关键演进维度传统RAG 现代RAG 交互方式单向一次迭代/多轮交互检索决策固定策略自适应路由（何时检、检多少）优化目标分段优化端到端联合训练三类深度融合机制 1. 迭代式检索（Iterative Retrieval）生成过程中动态发现知识缺口，触发补充检索代表：IRCoT、Self-Ask，让LLM主动决定"我还需要查什么" 2. 自适应路由…

#淘天#评估与监控#RAG架构改进

面试题·评估· 百度

MRR vs NDCG vs Precision 怎么选?

匹配正文：…MRR 首个正确答案的排名单答案场景：QA系统、客服机器人、事实性查询 NDCG 多结果的相关性累积+位置加权多答案场景：需要LLM综合多文档生成的复杂查询 Precision@K 前K个结果中相关的比例查准场景：衡量返回结果噪声，不保证黄金相关集覆盖 RAG系统中的选择逻辑 MRR：适合"找唯一正确答案"的RAG，如知识库问答、工具选择 NDCG：适合"需要多文档推理"的RAG，如报告生成、综合分析 Precision@K：衡量Top-K纯度；候选池是否覆盖相关文档需…

#百度#MRR 计算方法#NDCG 与 Precision 区别

面试题·模型微调· 华为

Few-shot vs Zero-shot vs Fine-tuning 怎么选?

匹配标题与标签：Few-shot vs Zero-shot vs Fine-tuning 怎么选? 大模型推理场景下三种方式的优劣对比与适用条件模型微调华为 Few-shot 提示 Zero-shot 对比 Fine-tuning 选择大模型推理策略华为

#华为#Few-shot 提示#Zero-shot 对比

面试题·模型微调· 百度

大模型准确性瓶颈在哪?

匹配正文：答案要点区分知识型错误与推理型错误，针对性选择技术方案 RAG与模型内部知识解耦的设计思想训练数据质量与多样性的关键作用多阶段验证机制（生成-检索-校验）的构建思路模型置信度与不确定性量化的应用提升大模型输出准确性，核心在于区分错误类型、分层治理：一、模型架构层面稀疏激活与专家混合（MoE）：将知识分散到不同专家，减少参数干扰导致的知识混淆可插拔知识模块：分离语言能力与事实知识，知识更新无需全量重训推理时显式规划：如Chain-of-Thought强制模型展…

#百度#评估与监控#大模型准确性提升

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…召回的是真正相关的内容；二是Agent的指令约束，要明确告诉Agent“只基于检索结果回答，不要自己发挥”，必要时用[[Self-RAG]]让模型自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的判断是，我更倾向数据驱动的思路。因为LLM应用的核心瓶颈往往不是流程复杂，而是数据质量和检索精度。我会把LlamaIndex作为数据底座，LangChain作为上层…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配标题与标签：LangChain vs LlamaIndex 场景怎么选？核心设计理念与适用场景对比,技术侧重点分析 RAG 阿里云 AI框架选型 LangChain vs LlamaIndex RAG框架对比阿里

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…y识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…案要点理解召回阶段的核心作用是快速缩小候选集（从百万级到千级）明确重排序模型计算成本高，无法直接作用于大规模语料能对比单阶段vs两阶段在延迟、精度、成本上的权衡提到实际工业中的常见配置（如向量召回+Cross-Encoder重排）核心原因：计算成本与精度的权衡为什么必须分两阶段？阶段处理规模模型特点核心目标召回（Retrieval）百万~亿级文档轻量、快速（如向量相似度、BM25）快速筛选，从海量中捞出Top-K候选重排序（Rerank）百~千…

#字节#两阶段检索#RAG 重排序