RAG 检索中如何为相似度分数设定过滤阈值而不误伤召回？
RAG 检索中如何为相似度分数设定过滤阈值而不误伤召回？ 本文先给出可直接复述的结论，再用最小代码说明相似度阈值 过滤 RAG 检索 设置的工作方式、判断依据、项目边界和常见误区。
核心关键词相似度阈值 过滤 RAG 检索 设置
面试知识索引 · 分类、标签与搜索
AI 开发 · RAG面试题，41 道完整答案
AI 开发 · RAG面试题第 1 页，显示第 1–41 题，共找到 41 道完整解析，可继续按分类、标签与关键词缩小范围。
41筛选结果
52技术分类
178检索标签
1索引分页
快速定位
清除全部筛选分类、标签与关键词搜索
第 1 页
本页面试问题
按稳定语义路径排序
- 0001
- 0002
RAG 答案漏掉明显相关的文档，为什么首先要怀疑 top-k 和检索阶段而非生成模型？
RAG 答案漏掉明显相关的文档，为什么首先要怀疑 top-k 和检索阶段而非生成模型？ 本文先给出可直接复述的结论，再用最小代码说明top-k 召回遗漏 RAG 诊断的工作方式、判断依据、项目边界和常见误区。
核心关键词top-k 召回遗漏 RAG 诊断 - 0003
RAG 评测为什么要分别报告上下文命中率、引用忠实度和最终答案正确率？
RAG 评测为什么要分别报告上下文命中率、引用忠实度和最终答案正确率？ 本文先给出可直接复述的结论，再用最小代码说明RAG评测 context precision faithfulness 答案正确率的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG评测 context precision faithfulness 答案正确率 - 0004
把全部资料塞进上下文和按需检索注入，面对大知识库应如何取舍？
把全部资料塞进上下文和按需检索注入，面对大知识库应如何取舍？ 本文先给出可直接复述的结论，再用最小代码说明长上下文 塞入资料 与 检索增强 取舍的工作方式、判断依据、项目边界和常见误区。
核心关键词长上下文 塞入资料 与 检索增强 取舍 - 0005
为什么大模型在长上下文中间位置的信息容易被忽略（lost in the middle）？
为什么大模型在长上下文中间位置的信息容易被忽略（lost in the middle）？ 本文先给出可直接复述的结论，再用最小代码说明长上下文 中间信息丢失 lost in the middle的工作方式、判断依据、项目边界和常见误区。
核心关键词长上下文 中间信息丢失 lost in the middle - 0006
在低延迟场景下，为何选择微调而非检索增强生成？请从推理开销和上下文长度约束角度分析。
在低延迟场景下，为何选择微调而非检索增强生成？请从推理开销和上下文长度约束角度分析。 本文先给出可直接复述的结论，再用最小代码说明微调与检索取舍 推理延迟 上下文长度 低延迟系统的工作方式、判断依据、项目边界和常见误区。
核心关键词微调与检索取舍 推理延迟 上下文长度 低延迟系统 - 0007
RAG 回答要标注引用位置到原文段落，分块入库时必须保存哪些位置信息？
RAG 回答要标注引用位置到原文段落，分块入库时必须保存哪些位置信息？ 本文先给出可直接复述的结论，再用最小代码说明引用位置 偏移量 原文映射 分块元数据的工作方式、判断依据、项目边界和常见误区。
核心关键词引用位置 偏移量 原文映射 分块元数据 - 0008
爬取的 HTML 入库前清洗时，应该剔除哪些元素又必须保留哪些结构？
爬取的 HTML 入库前清洗时，应该剔除哪些元素又必须保留哪些结构？ 本文先给出可直接复述的结论，再用最小代码说明HTML 清洗 正文提取 保留标题结构 RAG的工作方式、判断依据、项目边界和常见误区。
核心关键词HTML 清洗 正文提取 保留标题结构 RAG - 0009
知识库文档中纯图片承载的关键信息（如架构图），在解析阶段应如何处理？
知识库文档中纯图片承载的关键信息（如架构图），在解析阶段应如何处理？ 本文先给出可直接复述的结论，再用最小代码说明图片信息 解析 图文混排 知识库 RAG的工作方式、判断依据、项目边界和常见误区。
核心关键词图片信息 解析 图文混排 知识库 RAG - 0010
RAG 知识库解析 PDF 时，为什么提取出的文本会丢失多栏排版和表格结构？
RAG 知识库解析 PDF 时，为什么提取出的文本会丢失多栏排版和表格结构？ 本文先给出可直接复述的结论，再用最小代码说明PDF 解析 多栏排版 表格结构丢失 RAG的工作方式、判断依据、项目边界和常见误区。
核心关键词PDF 解析 多栏排版 表格结构丢失 RAG - 0011
RAG 分块时为什么要设置 chunk overlap（重叠），重叠过大有什么副作用？
RAG 分块时为什么要设置 chunk overlap（重叠），重叠过大有什么副作用？ 本文先给出可直接复述的结论，再用最小代码说明RAG chunk overlap 重叠 副作用的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG chunk overlap 重叠 副作用 - 0012
RAG 中如何确定文本分块(chunk)的大小，过大和过小分别会导致什么检索问题？
RAG 中如何确定文本分块(chunk)的大小，过大和过小分别会导致什么检索问题？ 本文先给出可直接复述的结论，再用最小代码说明RAG chunk size 分块大小 权衡的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG chunk size 分块大小 权衡 - 0013
RAG 如何让生成答案带引用来源，上下文组装阶段需要给每个文档块附加什么信息？
RAG 如何让生成答案带引用来源，上下文组装阶段需要给每个文档块附加什么信息？ 本文先给出可直接复述的结论，再用最小代码说明RAG 引用来源 上下文标注的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 引用来源 上下文标注 - 0014
父子分块或重叠分块的 RAG 系统在组装上下文时如何去重合并，避免同一内容重复占用 token？
父子分块或重叠分块的 RAG 系统在组装上下文时如何去重合并，避免同一内容重复占用 token？ 本文先给出可直接复述的结论，再用最小代码说明RAG 上下文去重 合并 重叠 chunk的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 上下文去重 合并 重叠 chunk - 0015
RAG 组装上下文时如何在有限 token 预算内分配系统提示、历史对话和检索文档，超预算时应优先砍哪部分？
RAG 组装上下文时如何在有限 token 预算内分配系统提示、历史对话和检索文档，超预算时应优先砍哪部分？ 本文先给出可直接复述的结论，再用最小代码说明RAG 上下文窗口 token 预算 截断策略的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 上下文窗口 token 预算 截断策略 - 0016
LangChain 的 ContextualCompressionRetriever 如何只保留文档中与问题相关的部分，它解决的是什么具体问题？
LangChain 的 ContextualCompressionRetriever 如何只保留文档中与问题相关的部分，它解决的是什么具体问题？ 本文先给出可直接复述的结论，再用最小代码说明ContextualCompressionRetriever 上下文压缩的工作方式、判断依据、项目边界和常见误区。
核心关键词ContextualCompressionRetriever 上下文压缩 - 0017
RAG 系统选择嵌入（embedding）模型时应依据哪些维度，为什么嵌入模型换了必须重建索引？
RAG 系统选择嵌入（embedding）模型时应依据哪些维度，为什么嵌入模型换了必须重建索引？ 本文先给出可直接复述的结论，再用最小代码说明RAG embedding 模型选择 重建索引原因的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG embedding 模型选择 重建索引原因 - 0018
RAG 为什么需要向量检索与关键词检索（BM25）混合，单靠向量检索在哪类查询上会系统性失败？
RAG 为什么需要向量检索与关键词检索（BM25）混合，单靠向量检索在哪类查询上会系统性失败？ 本文先给出可直接复述的结论，再用最小代码说明RAG 混合检索 必要性 失败场景的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 混合检索 必要性 失败场景 - 0019
RAG 中 HyDE（假设文档嵌入）检索的原理是什么，为什么它对短问题比长问题更有帮助？
RAG 中 HyDE（假设文档嵌入）检索的原理是什么，为什么它对短问题比长问题更有帮助？ 本文先给出可直接复述的结论，再用最小代码说明RAG HyDE 假设文档 检索原理的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG HyDE 假设文档 检索原理 - 0020
文档频繁更新的 RAG 系统如何做增量索引，如何避免删除文档的旧向量仍被召回？
文档频繁更新的 RAG 系统如何做增量索引，如何避免删除文档的旧向量仍被召回？ 本文先给出可直接复述的结论，再用最小代码说明RAG 增量索引 文档更新 删除旧向量的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 增量索引 文档更新 删除旧向量 - 0021
RAG 处理 Markdown 或代码文档时为什么需要结构化感知分块，直接用字符切分会破坏什么？
RAG 处理 Markdown 或代码文档时为什么需要结构化感知分块，直接用字符切分会破坏什么？ 本文先给出可直接复述的结论，再用最小代码说明RAG Markdown 代码 结构化分块 保结构的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG Markdown 代码 结构化分块 保结构 - 0022
RAG 检索前用元数据过滤（如租户、时间、文档类型）为什么应在向量搜索阶段下推而不是召回后再过滤？
RAG 检索前用元数据过滤（如租户、时间、文档类型）为什么应在向量搜索阶段下推而不是召回后再过滤？ 本文先给出可直接复述的结论，再用最小代码说明RAG 元数据过滤 下推到向量搜索的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 元数据过滤 下推到向量搜索 - 0023
RAG 中最大边际相关性（MMR）检索如何解决 top-k 结果内容重复的问题？
RAG 中最大边际相关性（MMR）检索如何解决 top-k 结果内容重复的问题？ 本文先给出可直接复述的结论，再用最小代码说明RAG MMR 最大边际相关性 多样性的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG MMR 最大边际相关性 多样性 - 0024
LangChain 的 MultiQueryRetriever 通过生成多个查询变体提升召回，它的适用场景和成本代价是什么？
LangChain 的 MultiQueryRetriever 通过生成多个查询变体提升召回，它的适用场景和成本代价是什么？ 本文先给出可直接复述的结论，再用最小代码说明MultiQueryRetriever 多查询变体 提升召回的工作方式、判断依据、项目边界和常见误区。
核心关键词MultiQueryRetriever 多查询变体 提升召回 - 0025
多租户 RAG 系统如何利用元数据过滤保证租户间数据不串，仅靠 prompt 声明租户为什么不可靠？
多租户 RAG 系统如何利用元数据过滤保证租户间数据不串，仅靠 prompt 声明租户为什么不可靠？ 本文先给出可直接复述的结论，再用最小代码说明RAG 多租户 数据隔离 metadata filter的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 多租户 数据隔离 metadata filter - 0026
RAG 检索结果为空或全部低于阈值时系统应如何兜底，直接把所有问题交给 LLM 自由回答有什么风险？
RAG 检索结果为空或全部低于阈值时系统应如何兜底，直接把所有问题交给 LLM 自由回答有什么风险？ 本文先给出可直接复述的结论，再用最小代码说明RAG 无检索结果 兜底 幻觉风险的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 无检索结果 兜底 幻觉风险 - 0027
RAG 检索质量差但定位发现源头在 PDF 解析阶段，乱码、栏序错乱会如何传导到分块与嵌入？
RAG 检索质量差但定位发现源头在 PDF 解析阶段，乱码、栏序错乱会如何传导到分块与嵌入？ 本文先给出可直接复述的结论，再用最小代码说明RAG PDF 解析 乱码 分栏 传导影响的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG PDF 解析 乱码 分栏 传导影响 - 0028
用户提问用词和文档措辞差异大导致 RAG 召回失败，除了换嵌入模型还有哪些检索侧手段？
用户提问用词和文档措辞差异大导致 RAG 召回失败，除了换嵌入模型还有哪些检索侧手段？ 本文先给出可直接复述的结论，再用最小代码说明RAG 词汇不匹配 查询文档措辞差异 召回手段的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 词汇不匹配 查询文档措辞差异 召回手段 - 0029
RAG 中的查询改写（query rewriting）解决什么问题，为什么多轮对话里直接用用户原话检索会失败？
RAG 中的查询改写（query rewriting）解决什么问题，为什么多轮对话里直接用用户原话检索会失败？ 本文先给出可直接复述的结论，再用最小代码说明RAG 查询改写 多轮对话 指代消解的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 查询改写 多轮对话 指代消解 - 0030
LangChain 的 RecursiveCharacterTextSplitter 按什么优先级切分文本，为什么比固定长度切分更适合 RAG？
LangChain 的 RecursiveCharacterTextSplitter 按什么优先级切分文本，为什么比固定长度切分更适合 RAG？ 本文先给出可直接复述的结论，再用最小代码说明RecursiveCharacterTextSplitter 切分优先级 递归字符切分的工作方式、判断依据、项目边界和常见误区。
核心关键词RecursiveCharacterTextSplitter 切分优先级 递归字符切分 - 0031
RAG 流水线中重排应放在召回之后、上下文组装之前，为什么先用大 top-k 召回再重排比直接小 k 检索效果好？
RAG 流水线中重排应放在召回之后、上下文组装之前，为什么先用大 top-k 召回再重排比直接小 k 检索效果好？ 本文先给出可直接复述的结论，再用最小代码说明RAG 重排 流水线位置 为何先大 k 再重排的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 重排 流水线位置 为何先大 k 再重排 - 0032
RAG 已经有向量相似度排序了，为什么还需要重排（rerank）阶段，交叉编码器比双编码器强在哪？
RAG 已经有向量相似度排序了，为什么还需要重排（rerank）阶段，交叉编码器比双编码器强在哪？ 本文先给出可直接复述的结论，再用最小代码说明RAG rerank 重排 交叉编码器 强于双编码器的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG rerank 重排 交叉编码器 强于双编码器 - 0033
如何用检索级指标（recall@k、MRR）单独评估 RAG 的检索质量，而不是只看最终回答好不好？
如何用检索级指标（recall@k、MRR）单独评估 RAG 的检索质量，而不是只看最终回答好不好？ 本文先给出可直接复述的结论，再用最小代码说明RAG 检索评估 recall@k MRR的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 检索评估 recall@k MRR - 0034
RAG 中的语义分块（semantic chunking）是如何工作的，相比固定长度分块适合什么场景？
RAG 中的语义分块（semantic chunking）是如何工作的，相比固定长度分块适合什么场景？ 本文先给出可直接复述的结论，再用最小代码说明RAG 语义分块 原理 适合场景的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 语义分块 原理 适合场景 - 0035
RAG 检索时设置相似度分数阈值有什么用，为什么不同嵌入模型间阈值不能直接复用？
RAG 检索时设置相似度分数阈值有什么用，为什么不同嵌入模型间阈值不能直接复用？ 本文先给出可直接复述的结论，再用最小代码说明RAG 相似度阈值 设置作用 不同模型不可复用的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 相似度阈值 设置作用 不同模型不可复用 - 0036
RAG 中 step-back 提问（先生成更抽象的问题再检索）适合解决哪类具体查询检索不到背景知识的问题？
RAG 中 step-back 提问（先生成更抽象的问题再检索）适合解决哪类具体查询检索不到背景知识的问题？ 本文先给出可直接复述的结论，再用最小代码说明RAG step-back prompting 抽象化检索的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG step-back prompting 抽象化检索 - 0037
多跳问题（需要多份文档联合回答）在 RAG 中为什么要做子问题分解检索，单次检索失败的原因是什么？
多跳问题（需要多份文档联合回答）在 RAG 中为什么要做子问题分解检索，单次检索失败的原因是什么？ 本文先给出可直接复述的结论，再用最小代码说明RAG 多跳问题 子问题分解 检索的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 多跳问题 子问题分解 检索 - 0038
包含大量表格的文档做 RAG 时应如何分块，为什么表格按字符切开会导致检索失败？
包含大量表格的文档做 RAG 时应如何分块，为什么表格按字符切开会导致检索失败？ 本文先给出可直接复述的结论，再用最小代码说明RAG 表格 分块策略 保持完整的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 表格 分块策略 保持完整 - 0039
文档时效性强的 RAG 场景（如政策、新闻）如何在检索中处理时间衰减，避免旧文档压过新文档？
文档时效性强的 RAG 场景（如政策、新闻）如何在检索中处理时间衰减，避免旧文档压过新文档？ 本文先给出可直接复述的结论，再用最小代码说明RAG 时间衰减 时效性 检索加权的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG 时间衰减 时效性 检索加权 - 0040
RAG 分块按 token 切分和按字符切分有什么本质区别，为什么生产上更推荐 token 切分？
RAG 分块按 token 切分和按字符切分有什么本质区别，为什么生产上更推荐 token 切分？ 本文先给出可直接复述的结论，再用最小代码说明RAG token 切分 与 字符切分 本质区别 生产推荐的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG token 切分 与 字符切分 本质区别 生产推荐 - 0041
RAG 检索的 top-k 设多大合适，k 过大对 LLM 回答质量有什么负面影响？
RAG 检索的 top-k 设多大合适，k 过大对 LLM 回答质量有什么负面影响？ 本文先给出可直接复述的结论，再用最小代码说明RAG top-k 召回数量 调优 影响的工作方式、判断依据、项目边界和常见误区。
核心关键词RAG top-k 召回数量 调优 影响