匹配正文：Retriever的核心机制输入输出输入：用户Query（可能经过改写/扩展）输出：Top-K相关文档片段（doc_id + 文本 + 相似度分数）两大检索范式类型原理代表模型特点稀疏检索词袋模型 + 统计权重 BM25、TF-IDF 精确匹配，可解释强，适合关键词查询稠密检索双塔编码器，语义向量相似度 DPR、Contriever、BGE 语义理解好，泛化能力强，需GPU推理关键技术组件向量数据库与索引存储：FAISS、Milvus、Pinec…

#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：…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】优化 RAG 召回链路的方法:检索器选择、索引结构、查询重写等。较难 → 学完这一章你应该能干嘛跟着做(Part 1): 能跑通端到端的迷你 RAG,看懂"剪 → 存 → 捞 →…

#RAG#检索#项目实战

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 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

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：…过Document Loader统一接入PDF/网页/数据库，Text Splitter控制块大小，Embedding模型向量化，Retriever实现语义检索设计取舍优势：快速原型、生态丰富、降低多模型切换成本局限：抽象层带来性能损耗（序列化开销），复杂Agent调试困难，生产环境需评估是否值得引入实际项目中，简单Chain可直接调API，复杂多步推理场景再用LangChain编排。学习建议建议系统学习该知识点

#快手#评估与监控#Agent

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…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链：通过LCEL灵活组合Prompt、Model、Parser等组件生…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…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 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索…

#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：…coder、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Prompt → LLM生成答案关键设计：检索结果作为**上下文(Context)**注入，而非直接替换模型参数。关键组件详解 1. 检索器优化方法核心思想适用场景 Dense Retrieval 双塔Embe…

#字节#向量库与重排序#RAG 架构设计

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

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 链式调用原理

LangChain 关键组件与流程?

LLM 如何集成外部工具与记忆?

LangChain vs LlamaIndex 架构差异？

Deep Research vs RAG 怎么选?

RAG架构：检索器与重排序策略