RAG 检索与知识组织 · 题目列表
共 357 题
- RAG 概念、Pipeline 与组件总览
- 文档分块(Chunking)策略有哪些?各有什么优缺点?
- 向量数据库选型:Pinecone vs Weaviate vs Chroma vs Milvus
- Embedding 模型选择与微调策略
- 混合检索:如何结合语义检索和关键词检索?
- Re-ranking 的原理与实现:Cross-Encoder vs Bi-Encoder
- 什么是 Agentic RAG?它与传统 RAG 有何不同?
- 高级 RAG 变体:Corrective RAG、Self-RAG、Adaptive RAG
- RAG 评估指标体系:原理、计算与实战
- 增量式向量索引怎么更新?
- 时间窗口对话管理机制
- RAG 系统核心组件怎么搭?
- RAG意图识别原理与检索协同
- RAG 三阶段原理与失败场景
- RAG 解决了哪些核心问题?
- 混合检索怎么提升 RAG 召回?
- BM25 原理与 TF-IDF 改进点
- 召回 vs 粗排怎么分工?
- BM25公式参数含义与TF-IDF对比
- RAG ANN 索引优化
- 多路召回 vs 排序模型怎么分工?
- Embedding升级后向量对齐方案
- 向量检索基本原理是什么?
- FAISS 怎么实现高效 ANN 搜索?
- RAG检索质量提升5法
- Reranker 训练数据怎么构造?
- 精排精度高,为何不跳过召回粗排?
- 多信号评分函数原理与陷阱
- BM25+向量+Cross-Encoder 怎么组合?
- GraphRAG 原理与构建方法
- GraphRAG 知识图谱构建有哪些挑战?
- 公开材料早已写进权重,面向内部的问答机器人是否仍要另做检索层?
- 当季价格仍被说成去年的,尽管回执已经能用本公司口吻。要继续微调,还是补上检索?
- 离线建库链路和在线提问链路,各自抽掉哪一环就绝对不能明早接员工手册问答的流量?
- 退款条款需要精确命中,二十页政策还要能概括。嵌入上限 512 token、生成窗口 8k,切块该取多长?
- 用户带着服务名和变更单号来问,而运维手册里该块原文只有「将超时设为 30 秒然后重启 worker」。词法检索和稠密检索要都能命中,入库阶段该补上什么?
- 产品手册大约四十本、每本大约二十页且几乎冻结,提示缓存命中率很高。此时该整本填进窗口还是仍走检索?若每天出一版,结论怎么变?
- 长上下文已经能上线,整篇直填与 RAG 要用什么尺度公平对照?
- 答复里的超时秒数被用户判为错误。排查链路时先后次序如何排,每一级该盯什么迹象?
- 嵌套条款的合同、成对短问答的 FAQ、几乎无标题的会议纪要,分别该配固定长度切分、语义边界切分还是按标题递归切分?
- 生成总缺同节里的定义与例外,尽管条款召回已经够准。把块直接做大为什么不是办法,而要把召回粒度与送入模型的上下文粒度拆开?
- 「过期令牌应当如何刷新」是一类查询,「RFC-214」里的 4.2 节是另一类。纯向量通道和纯关键词通道各会漏掉哪一种,两路候选名单该如何合成?
- SKU 开始串到别的产品线时(已从十二条扩到八十条),相关度过滤该做成 ANN 前置过滤还是召回后再裁?权限字段能否沿用?
- 一百万条商品描述均长约 200 token,单向量又常把品牌、尺码、「儿童不宜」糊成同一主题。查询还同时咬住这三条。后期交互按 token 计分时,描述分怎么算,库里大约要存几条向量?
- 原句是「不要含税的报价」,改写却扩成「报价流程」,召回全变成制度操作指南。如何约束查询改写,使否定词与实体不被丢掉?
- 一线研发搜「熔断阈值」却命中电气保险丝材料,产品内部代号在向量里也被冲淡。该改术语表、查询扩展还是嵌入空间?又如何防止把常用词钉死在一种用法上?
- 生成总把排名第十二的段落当作证据,尽管一阶段 Recall@50 已达标。代价更高的打分器该插到哪一环、候选截到多少?
- 64 条候选的时延预算大约只剩 80 毫秒。三选一:交叉编码器、逐 token 的后期交互打分、大模型一次看完整张名单。你押哪条,另外两条为何排除?
- 各段都挂着 [3] 且点进去跳到别的页时,入库、生成、事后校验怎样把引用锁在真正撑住该断言的原文跨度上?
- 在对照实验里,仅有的支撑段从提示第 1 槽换到第 6 槽后准确率明显下滑。这是召回坏了,还是生成没读中间段?
- 召回段落压短之后,怎样防止证据含义走样?
- 引用已经附在写完的答案上。生成后校验怎样补:原子断言如何切开、如何用 NLI 或 LLM 评审对所引块做蕴含判定、时延与费用如何估;失败时再生成、丢掉该句还是拒答?
- 要报的那个数在文档 B 的预算里,但得先从文档 A 取出项目代号。只跑一轮 top-k 为何常常两边都落空,检索应按怎样的日程执行?
- 带完整目录的 280 页监管手册,该让模型顺着标题树往下走,还是先切块建向量库?
- 必须查制度的流量占一半,闲聊占一半。由模型自行打出「现在检索」标记,是否比逢问必检更稳?
- 排障助手允许自行改写问句并再次召回;上线后轮次均值来到 3.4,同一批段落还被反复打中。怎样设定停跳规则、跳数硬顶和循环识别,好把额外一轮的延迟和成本都算进预算?
- 单次检索再生成总漏条款,要把去年与今年的承包商休假制度对比并列出差异。何种情况下才应允许模型自行决定下一轮检索?
- 向量 top-k 往往只打中一跳,问句却是「隔级汇报给 CFO 且经办过供应商 X 合同的是谁」。什么条件下值得把知识建成图?
- 要的是按事业部分组的季度毛利率。让模型生成只读 SQL,还是把每一行压成向量去碰数字?分流看什么信号?
- 从左右分栏的年报 PDF 里抽文本,页眉掺进了正文,跨页报表被截成两段,数值和所在行错了位。版面分析、表格结构重建、保留坐标各自修的是哪种错?扫描版要不要另走一条管道?
- 运维文档里要紧操作写在屏幕快照和参数表中,只建文字索引因此会答错。把图像改写成说明、把图像编成视觉向量、把表格按单元格落成记录,各漏什么、如何混用?
- 旧文件今天仍排在第一,尽管退货政策 PDF 昨天刚换掉。墓碑删除、按时间降权、增量 upsert,哪一层应先修?
- 鉴权头一周前已换,答案却仍引用旧版 API 文档。怎样用新鲜度指标拆开三类原因:源已改但索引未跟上、旧哈希还在线、两版都进提示却偏爱更长旧段?
- 白天每小时都在改政策,但复盘时每条问答仍要能回放当时引用过的文档版本。索引快照与块级版本号怎样搭配,才不必每次修订都整库重做嵌入?
- 报销封顶被模型报成 4000,其实是把 wiki 的 3000 和一年前邮件的 5000 平均了。权威序、时间戳、把冲突显式标出各适用何种情形,何时必须拒答?
- 某客户合同只允许其对接人检索。权限谓词应插在 ANN 路径的哪一环?为何不能先全库召回再吩咐模型保密?
- 生成占 2.0s、交叉编码器重排占 900ms、改写占 200ms、ANN 占 80ms,整段问答 P95 为 3.2 秒。你会动哪一段,并用怎样的对照避免质量下滑?
- 嵌入模型与重排器都没改,百万级向量库上 P99 检索却从大约 80ms 爬到大约 900ms。买加速硬件之前,过滤时机、ANN 参数、缓存应按什么次序排查?
- 先不要堆机器。面对五百万份内部文档,如何用数量级估算选定分片、存放规模和按变更重建,再去做检索索引?
- 政策在 wiki、纪要与 PDF 里各有一份,召回名单全是同一条结论。三种去重分别会错杀哪类证据:按文档 ID、按相邻窗口、按语义去重?
- 同一段落的滑动窗占了 top-8 里的五条,块重叠大约 20% 时就会这样。入库时把重叠降下去,对比召回后按偏移做区间合并,两种做法各会丢掉什么?
- 被点踩的回答约 200 个,是客服在七天内收集的。先用低成本探针标成六种故障,再按占比决定优先修抓取、切分还是生成侧校验?
- 上下文召回仍然高、端到端准确率持平,忠实度却在跌。应当先排查检索,还是先排查生成?
- 手册单章大约 3k token,切成约 200 token 的块之后,「本章适用范围」和代词所指都丢了。向量模型窗口有 8k,能不能先对整章做一次编码,再按块的 token 区间做池化得到块向量?这和给每块先写一段生成式前缀再嵌入差在哪,召回评测要看什么?
- 标题、关键词已经能按字面对上,检索路径为何仍要为每条对象另存数百维实数?这列几何坐标让后面哪一环从字面命中改成找位置?
- 生产向量未经 L2 单位化,库侧却按内积打分,篇幅更长的段落分数系统性偏高。改用余弦、改用欧氏,各自消掉哪类偏差?何种条件下三种排法给出同一名次?
- INT8、乘积量化、标量分箱要对付两千万条、每条宽度 1024 的 float32,常驻占用必须压到约四分之一才能让 RAG 上线。三者分别砍掉哪一层字节,漏召回又从哪类量化误差渗出?
- 入库体积掉到四分之一:有人把 1024 维只留下最前 256 个坐标。检索质量与每次距离运算会先在何处失真?何种前提下更短宽度是训练时就给出的合法工作点,而不是拿砍刀硬切?
- 同一知识块按文档粗算,倒排上「词 ID→权重」的学习稀疏向量和 HNSW 上 768 维实数,两侧大约各占多少字节?词表变宽、中文语料再覆盖英语和法语、每天改写一成文档时,存储或更新哪一侧先顶满?
- 「七天无理由退货」这句话会分别当用户问句和知识段落各走一遍。从切分 token 到写出定长向量,双编码器里哪些环节缺一不可,宽度 d 又在哪一层锁死?
- 切片写「周一至周四允许远程」,问句却咬住「周五禁止远程」,余弦居高,真正点名禁令的片段更靠后。编码器怎样把整句收成一条向量?
- 汽配 RAG 总把 SKU 串错,因为通用向量把冷却液、空调制冷剂挤到一起。要用怎样的正负对和哪种损失,才能让同规格件靠近、易混件分开,且不必把整座编码器重训?
- 把同一训练批次内其余行的正文档直接当负例,用来训面向检索的 embedding。这种写法省掉了什么?何种情形会把本该靠近的相关文档推开?
- 三选一上线:768 维纯英文、1024 维领域专用、384 维多语言。手头只有 200 对内部工单「问题→应命中段落」,在这份小集上怎样评测决胜?
- 相关性若只标各系统前二十的并集,哪些文档永远进不了标注池?若后续还要上 reranker,发版该盯 recall@100,抑或盯 nDCG@10?在 400 条查询上领先 1.5 个点,怎样证明并非随机波动?
- 公开榜上排第一的是英文长上下文模型,内部制度却是中文、条款号很密、一段常常长过两千字。为何不能凭榜直接上线?用哪些业务硬约束一票否决它?
- 关系库已经托管了正文、ACL 以及版本号。语义检索仍外挂一台只装高维浮点的检索引擎,原因是什么?直接 SQL 扫描 `float[]` 列为什么不够?
- 均摊每条再挂 2KB 标题加摘要、tag 基数上万。向量分之外还要给近七天更新加点、热门 FAQ 小幅抬、官方手册加权。哪些列该做标量索引,哪些只作为命中后回表的 payload?内存和 P95 谁会先崩?
- 一个 RAG 向量库要承载 8000 家租户:其中 200 家大租户各存数十万条向量,其余长尾大都只有两三百条。是为每家单独建集合,还是共享索引、靠分区键隔离?考虑到大户扭曲近邻结果、空壳占内存、配额以及退租清空,你打算怎样切分?
- 精确 k 近邻要对全表算距离——规模两千万、维度 768。ANN 为何只碰一小撮仍能给出几乎最近的邻居?图方法、分桶、压缩各自省掉哪一段运算?
- 词面倒排和向量近邻,知识库两边都要有。同一套检索引擎同时托管,还是词面集群与向量集群分开跑?正文被改写或删掉时,两边如何保持同步?两路并行查询的尾延迟,加上维护双栈的开销,你会怎样据此取舍?
- 夜间索引重建刚做完,RAG 节点 RSS 已经涨到大约 90GB,远超按裸向量公式估出来的占用。重复 chunk、多余副本、图上的边、裸向量本身各占多少,你怎么拆这笔内存账?哪一刀先砍可以保住召回?
- 语料约 80 万条、768 维。在 IVF-PQ、Flat、HNSW 里如何取舍?门禁是 recall@10 至少 0.98、在线 P99 不得超过 20ms。从 0.95 拉到 0.98 该拧哪些参数,何时该承认暴力扫描反而更省?
- 包装破了的现场照交上来,过往同类破损影像和配套处置说明都要能按这张图捞到。图像与文本是否必须进入同一向量空间?两条塔的前向怎样对齐,才不会「按图找图很准、按图找说明却对不上号」?
- 时延大约 50ms 就要吐出 top-20,底库是十亿条 768 维。单机 HNSW 会先被内存、建图墙钟还是尾延迟打死?分片、量化、冷热分层按什么次序叠加?
- 纸上如何先估峰值 RSS、段合并、批量吞吐和建图墙钟,判断周末窗口能否把五百万条 768 维灌进 HNSW?在线逐点插边,还是离线建完再切流?日增约 2% 时,何时该停增量、改做全量重建?
- 输出同为 768 维,检索却要在下周从 A 切到 B。为何不能把两类点混进同一张 HNSW?灰度期怎样并行两套空间,才能随时回滚且 A 查询绝不打 B 文档?
- 换了编码器、手册由 FAQ 改成法规条文、查询从五字变成整段粘贴后,生产那道「余弦不到 0.8 就告知生成侧无货」为何会成批拒答或成批放行?「库里没有相关文档」该如何校准?
- 「发票」——检索框里只有这两个字。向量召回的三条结果分别是税务 FAQ、开票字段说明和报销制度,每条都沾边,却没一条答对。这类短查询,先补全意图,还是先靠关键词倒排缩小范围?
- 夜里重做 RAG 那套索引,当时 90% 的 chunk 正文没改。为免去反复跑嵌入前向,同时挡住次日换模型后将旧向量灌入新库,缓存键得写入哪些字段?
- 有人想把 1024 维的新点 PCA 压到 768,好沿用线上已按 768 维长成的图。何时这是赌近邻没散,何时必须另起索引并回填?
- 公开风格离线集几乎不动,但「引用了错文档」类工单在 embedding 灰度 10% 流量的当天翻倍。半小时内如何区分:旧向量混写入新索引、推理时丢了 L2 归一化,还是域内分布真的发生了 drift?
- 如何做 Token 预算?
- 多轮对话历史如何筛选?
- 上下文裁剪与压缩有什么风险?
- 如何隔离不同用户、会话和 Agent 的状态?
- 短期记忆和长期记忆有什么区别?
- 如何防止“错误记忆”污染后续对话?
- 设计一个 RAG 链路。
- RAG 的召回指标与生成指标有哪些?
- 检索结果相互冲突时如何处理?
- 如何组织 RAG 结果回填上下文?
- 选择向量数据库要看什么?
- HNSW、IVF 等索引如何权衡?
- 语义缓存如何避免错误命中?
- 什么时候该微调,什么时候用 RAG 或 Prompt?
- 如何构造合成数据?
- 如何建立训练数据闭环?
- RAG 的完整流程是什么?为什么需要 RAG?
- 常见的 Chunking 策略有哪些?怎么选 chunk size?
- 向量检索和 BM25 关键词检索的区别?为什么常做混合检索?
- Rerank 重排序的作用是什么?常用模型有哪些?
- RAG 系统的评估指标有哪些?
- RAG 检索不到正确文档,你怎么排查和优化?
- RAG 检索到了正确文档,但模型不引用/不基于它回答,怎么办?
- GraphRAG 和传统向量 RAG 的区别?
- 企业级 RAG 中,多租户和数据权限隔离怎么设计?
- RAG 系统上线后,效果不好怎么系统性优化?
- RAG 完整流程
- 切块大小怎么定,有哪些策略
- 为什么混合检索和重排
- 召回不准怎么排查
- 怎么减少答案编造
- RAG 怎么评测
- HyDE / Multi-query / Query 改写
- Self-RAG / CRAG / Agentic RAG
- GraphRAG 适合什么
- RAG vs 微调 vs 长上下文
- 文档更新与删除怎么处理
- 如何防止检索文档注入
- 什么时候 RAG 是错的方案
- RAG为什么需要混合检索?
- 混合检索怎么优化?
- RAG系统为什么需要同时使用稀疏检索和稠密检索?生产环境中如何调整两路召回权重?
- 稠密向量和稀疏向量有什么区别?
- 向量数据库的性能怎么优化?
- 数据量上来以后,向量检索变慢怎么办?
- 讲一下RAG的流程,怎么解决知识库召回内容不准、冗余信息过多的问题(Agent初级)
- 余弦相似度和欧氏距离有什么区别?
- 混合检索深度调优:稠密向量、稀疏关键词、图检索多路召回融合,动态权重自适应算法;海量知识库分片、冷热数据分离存储,向量库检索性能极限优化(Agent高级)
- 知识库版本升级时如何处理历史数据?
- BM25与Embedding检索各自的优缺点是什么?
- Hybrid Retrieval相比纯向量检索提升在哪里?
- RRF融合算法为什么效果好?
- 如何选择Embedding模型?
- Embedding微调有哪些方法?
- 开源Embedding和商业Embedding如何选择?
- 向量维度越大越好吗?
- 为什么Rerank往往比向量库更重要?
- HNSW 为什么查询快?底层原理是什么?
- HNSW 的 efConstruction 和 efSearch 如何调优?
- IVF 和 HNSW 应该如何选择?
- DiskANN 为什么适合超大规模向量库?
- FAISS 常见索引有哪些?
- 向量量化后为什么会损失召回率?
- Milvus 的底层架构是怎样的?
- Milvus 和 Elasticsearch Vector 的区别是什么?
- Weaviate、Qdrant、Milvus 如何选型?
- 亿级向量库如何做分片设计?
- 向量库如何实现高可用和容灾?
- RRF为什么在工业界使用较多?
- Embedding模型如何选择?
- BGE、E5、GTE有什么区别?
- 如何评估Embedding模型质量?
- 向量维度越大效果一定越好吗?
- 多语言场景如何设计Embedding方案?
- 为什么有了向量检索还需要Rerank?
- 如何识别用户查询属于关键词检索还是语义检索?
- 如何保证向量库、关系库、对象存储之间的一致性?
- 内容hash和语义hash有什么区别?
- 如何评估增量索引是否真的降低了成本?
- embedding模型升级时还能用增量索引吗?
- Agent如何决定使用哪种检索方式?
- 混合检索(BM25+向量检索)为什么效果更好?
- 检索延迟过高如何优化?
- 如何构建企业知识库检索平台?
- 混合检索在代码库RAG中如何应用?
- 如何降低向量检索成本?
- Redis缓存与向量缓存如何统一失效?
- 向量数据库支持哪些增量更新策略?
- 实时Embedding生成带来的资源压力如何优化?
- 如何定位向量检索性能瓶颈?
- 百万级、千万级、亿级向量库分别应该采用什么架构?
- GPU 向量检索和 CPU 向量检索如何选型?
- 向量检索成本过高时有哪些降本方案?
- GraphRAG、向量 RAG 和知识图谱问答的边界是什么?(高级)
- Embedding 模型升级时,如何做到不停服迁移且结果可回滚?(高级)
- IVF_PQ 为什么能够降低存储成本?
- 查询分类器如何设计?
- 如何设计高并发RAG系统?
- 如何评估RAG系统效果?
- 如果 P95 延迟突然升高,该如何排查?
- 如何建立线上RAG A/B测试体系?
- 在线用户反馈如何反向驱动RAG优化?
- 如何平衡RAG效果、时延和成本之间的关系?
- 如何评估Agent+RAG系统的整体效果?
- Agent如何判断是否需要Web Search?
- Recall@K、MRR、NDCG 分别衡量什么?
- Recall@K、MRR、NDCG分别适用于什么场景?
- 没有标准答案时如何评估RAG效果?
- 如何量化RAG系统的幻觉率?
- 如何评估知识库覆盖率?
- 企业级RAG系统最关键的三个指标是什么?
- 增量索引过程中用户查询到了半更新数据怎么办?
- 多租户知识库下如何避免索引串库?
- CDC同步与定时批处理方案如何选择?
- 如何设计Document Version机制?
- 多机房部署下如何保证索引同步一致性?
- 如何设计索引回滚机制?
- RAG全链路可观测指标体系有哪些?
- 如何构建知识库更新失败自动补偿机制?
- 双索引切换与在线热更新有什么区别?
- 如何评估知识库更新延迟对最终回答质量的影响?
- 百万级上下文窗口是否能替代 RAG?
- 如何构建RAG评测数据集(Golden Dataset)?
- 如何利用LLM-as-a-Judge评测RAG系统?
- 如何设计企业级RAG全链路可观测平台?
- RAG评测如何实现自动化持续回归测试?
- 如何设计RAG评测指标看板?
- RAG系统从离线评测到线上监控应该如何设计完整评估体系?
- 面对一个 RAG 线上事故,如何在 30 分钟内完成定位、止损和证据保全?(高级)
- 文档频繁更新时RAG如何实现增量索引避免每次都进行全量切片和向量化?
- 文档更新后如何实现增量索引?
- 业务知识库频繁新增、修改、删除文档,向量库增量更新架构如何设计,避免全量重向量化(Agent中级)
- 为什么长文档需要切片后再向量化?
- 切片为什么需要重叠区域?
- 文档切片两种方案:固定长度切片、语义切片,分别对比优劣势、适用场景(Agent中级)
- 长文档智能切片、语义分块、多级摘要生成,解决大文档信息丢失、冗余问题(Agent高级)
- RAG召回无关文档如何调优,有哪些提升检索精度的办法(Agent初级)
- RAG召回大量矛盾文档应该如何处理?
- Memory 与 RAG 有什么区别?
- 企业知识库如何构建和维护?
- 静态知识更新后如何保证检索一致性?
- 为什么单独使用向量检索效果不够好?
- 什么场景适合向量检索?
- Chunk大小应该如何确定?
- Chunk Overlap为什么重要?
- Recursive Chunking如何实现?
- Semantic Chunking如何实现?
- Chunk切得过大或过小会产生什么问题?
- 向量检索为什么会出现语义漂移?
- chunk_id如何设计才能避免文档小改动导致整体漂移?
- 文档删除后,向量库里的旧chunk如何处理?
- 如果文档结构变化很大,如何判断是增量更新还是全量重建?
- PDF、Word、网页这类非结构化文档如何做稳定切片?
- Chunk 应该如何切分?
- 如何设计企业级 RAG 检索链路?
- Chunk 大小如何设计?
- 百万级文档如何设计混合检索架构?
- 混合检索在多模态RAG中如何应用?
- 百万级文档和亿级文档的检索架构有什么区别?
- 向量库增量更新架构如何设计,避免全量重建?
- 文档修改后如何快速定位对应Chunk并更新?
- 文档删除时如何避免脏向量残留?
- 如何保证向量库与原始文档强一致?
- RAG系统如何实现秒级知识更新?
- 混合检索中BM25索引如何增量更新?
- 百万级文档更新场景如何保证检索性能?
- 更新频繁场景下如何降低向量化成本?
- 如何评估Chunk切分策略优劣?
- 如何让 RAG 同时检索文档、SQL 数据和业务 API,并保持答案一致?(高级)
- 如何建立可审计的逐声明引用,而不只是给答案末尾附几篇文档?(高级)
- 多模态 RAG 如何统一检索文本、图片、表格和视频证据?(高级)
- 如何设计带时间语义的 RAG,避免新旧制度或状态混答?(高级)
- 无答案问题下,RAG 如何校准置信度并正确拒答?(高级)
- 加权融合和RRF有什么区别?
- Rerank模型如何训练?
- Rerank带来的性能开销如何解决?
- Rerank带来的延迟如何优化?
- Re-ranking 的作用是什么?
- Contextual Compression 是怎么实现的?
- 为什么需要 Rerank?
- 如何实现动态权重调整而非固定权重?
- 如果用户问题关联多个知识库,Prompt 如何动态组装?
- 如何评估Rerank模型的效果?
- Prompt 与 RAG 的边界在哪里?
- 如何训练高质量 Reranker,难负例从哪里来?(高级)
- RAG检索结果更新不及时,用户仍然搜到旧内容,应该如何定位和解决?
- 如何评估一个RAG系统的效果?检索环节和生成环节分别需要关注哪些指标?
- 为什么需要Rerank模型?
- Top-K设置过大会带来哪些问题?
- Agent 如何接入 RAG?
- Retriever 与 Reranker 有什么区别?
- 如何提高 RAG 的准确率?
- RAG 知识库和长期记忆是什么关系?
- 什么场景适合关键词检索?
- Cross Encoder和Bi Encoder区别是什么?
- TopK召回和TopN重排如何设计?
- BM25的核心计算公式是什么?
- BM25相比TF-IDF优化了哪些问题?
- Hybrid Search有哪些融合方式?
- 两路召回结果如何去重?
- Cross Encoder和Bi Encoder有什么区别?
- Query Rewrite如何提升召回率?
- 多轮对话场景如何进行检索?
- 长Query如何处理?
- RAG 检索结果过多如何处理?
- 检索结果和历史对话发生冲突怎么办?
- 如何评估 RAG 的召回质量?
- Agent 如何判断需要重新检索知识?
- 如何实现动态检索路由?
- 多知识库如何进行统一检索?
- RAG 检索慢是召回阶段还是生成阶段导致的?
- TopK 设置多少最合理?
- 如何评估召回质量?
- RAG 检索结果为什么不能全部放入 Prompt?
- Rerank 模型的作用是什么?
- 检索结果如何进行去重和压缩?
- Hybrid Search的TopK应该如何设置?
- 如何监控检索质量下降?
- 如何做线上A/B实验验证检索策略?
- RAG出现幻觉时如何定位是检索问题还是模型问题?
- 企业级RAG系统的完整检索链路如何设计?
- 如何构建多级召回架构?
- RAG检索系统的核心性能指标有哪些?
- 检索结果命中旧版本如何自动发现?
- RAG召回内容为什么容易导致上下文污染?
- 检索正确但回答错误应该如何定位?
- 多路召回场景下如何评估各召回源贡献度?
- RAG效果下降时如何快速定位是检索问题还是生成问题?
- RAG 检索内容如何动态注入 Prompt?
- 检索内容过多导致上下文污染怎么办?
- 固定流水线 RAG、Agentic RAG 和 Self-RAG 应该如何选型?(高级)
- 多跳问题中,如何规划检索并判断证据链已经完整?(高级)
- RAG 的权限过滤为什么应尽量前置?ANN 检索下如何兼顾正确性和性能?(高级)
- 如何防御知识库投毒和检索到的 Prompt Injection?(高级)
- 多路召回的分数不可比,如何做融合校准和动态权重?(高级)
- RAG 流量和语料规模扩大十倍时,架构应如何演进?(高级)
- RAG 到底解决什么问题?
- 一句话讲清楚 RAG 项目
- Chunk 为什么重要?
- Embedding 和向量数据库怎么讲?
- Dense Retrieval、Sparse Retrieval 和 Hybrid Retrieval
- RRF 是什么?
- Rerank 为什么必要?
- Query Rewrite 和 HyDE 怎么讲?
- Memory 在 RAG 里怎么用?
- 为什么要做拒答?
- Citation Validation 为什么重要?
- 多模态 RAG 怎么讲?
- Golden Set 怎么设计?
- 如何判断一次 RAG 优化是否有效?
- 核心技术点详细拆解
- 系统设计题详解
- 面试追问链路
- 高频面试问答 70 题
- 简历表达模板