面试问题记录（RAG方向）

最新推荐文章于 2025-06-30 11:06:16 发布
原创 最新推荐文章于 2025-06-30 11:06:16 发布 · 1.3k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#nlp #面试 #gpt

本文讨论了一个项目中采用的大模型，涉及英语和中文语料的处理，结合了BM25和向量检索技术。重点讲解了实体召回、嵌入模型微调、问答模型调整以及LORA原理的应用。同时提到在处理冗余信息和多样抽取目标时的优化策略，以及对NL2SQL的理解。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  1. 简单自我介绍
  2. 项目中使用了什么大模型? 语料是英文多还是中文多?
  3. 项目中使用了哪种检索方法？
    BM25和向量方法如何结合?
    使用BM25使用了什么分词器??
    有没有针对特定实体进行召回??
    还使用了哪些技巧来提升召回的效果??
  4. 向量召回时使用的嵌入模型是什么??
    有没有对用于向量方法召回的模型进行微调??
  5. 有没有对问答模型进行微调?
    使用了什么微调方法?
    采用了什么手段来提升微调效果??
    简要说明LORA的原理??
    了解ptuning或其它的微调方法吗??
  6. 是否使用了Llamalndex?
    没有使用的原因??
  7. 进行 信息抽取 时，文本中冗余信息较多，抽取目标种类也很多，这种情况使用大模型进行抽取有哪些优化思路??
  8. 是否了解过 NL2SQL?
gz927cool
关注
一文说透RAG系统研发方向和测试方向，请慎重查看(商用请获得授权)
主攻大数据 人工智能 物联网 安全 低空经济等方向。mtsc 、gtest特邀分享嘉宾
04-07 802
GraphRAG：通过知识图谱增强检索，解决传统 RAG 的语义碎片化问题，例如在金融领域构建 “公司 - 产品 - 风险” 关系网络。RAGChecker：细粒度评估工具，能定位检索召回不足（如声明召回率低）或生成幻觉（如错误药物剂量）PD 分离架构：预填充 - 解码分离部署，提升系统吞吐量（如 kimi 线上服务提升 5.25 倍）MoE 模型：稀疏激活专家网络，降低推理成本（如 DeepSeek-V3 仅激活 5.5% 参数）
大模型RAG面试篇：难点、痛点、常见面试题汇总
Code1994的博客
08-20 3402
这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。达到L4级别也就意味着你具备了在大多数技术岗位上胜任的能力，想要达到顶尖水平，可能还需要更多的专业技能和实战经验。在面试中，准备这些问题的答案可以帮助展示你对RAG技术的深入理解和解决实际问题的能力。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。
大模型 RAG 面试篇
fan_fan_feng的专栏
01-19 2588
大模型 RAG面试题 收集一
【大模型面试】2025年最常见的30个RAG面试问题及答案
2301_76168381的博客
06-18 660
一个RAG（检索增强生成）系统有两个主要组件：检索器和生成器。
LLM RAG面试问题大全!
m0_59235945的博客
10-04 889
01.引言RAG在通用人工智能、数据科学和人工智能的发展领域中起到了变革性的作用。RAG模型让机器能够基于事实产生更准确、连贯和一致的语言，它改变了人类与技术的互动方式。RAG让能够撰写独特内容、引人入胜的产品描述和新闻文章的机器人概念成为现实。尽管RAG的重要性日益增加，但潜在的数据科学家和AI爱好者仍然需要获取全面的信息。本文通过提供20多个顶级RAG面试问题，填补了这一知识空白。02.RAG初级面试问题Q1. 什么是检索增强生成（RAG）？A. 检索增强生成（RAG）是一种结合了基于检索的方法和生成模
TensorFlow相关组件的安装
AAI666666的博客
01-11 2928
TensorFlow相关组件的安装
大模型面经 | 春招、秋招算法面试常考八股文附答案（RAG专题二）
皮先生的博客
04-09 1054
在使用RAG时候，有哪些优化策略?
大模型面经 | 春招、秋招算法面试常考八股文附答案（RAG专题三）
皮先生的博客
04-10 1363
在使用RAG时候，有哪些优化策略?
【面试必背】RAG技术全面解析：从原理到实践中的20个关键问题
大F子的智能小课
04-10 1256
RAG通过检索与生成的有效结合，为大模型落地提供了实用路径。未来随着多模态技术和自动化评估的发展，RAG将在更多领域展现其价值。大家好，我是大 F，深耕AI算法十余年，互联网大厂核心技术岗。知行合一，不写水文，喜欢可关注，分享AI算法干货、技术心得。是一种结合检索技术与生成模型的技术。→ Query改写为“减少大语言模型的幻觉方法”→ 文本检索：产品描述中的“聚酯纤维+氨纶”；→ 图片检索：识别SKU对应的“红色连衣裙”；→ 表格检索：关联库存表格中的材质详情。用户问：“红色连衣裙的材质是什么？
【记录贴 | 持续更新】搜广推/aigc 面试题记录
weixin_45724176的博客
08-11 1329
BERT基于Transformer的编码器（Encoder）架构，利用了多层的Transformer编码器来处理输入文本。是一种双向模型。BERT采用了“预训练+微调”的方法。它首先在大规模的文本语料库上进行无监督的预训练，然后通过监督学习在特定任务上进行微调。预训练MLM：随机遮盖输入文本中的一些单词，并要求模型预测这些被遮盖的单词。数据量：BERT会随机选择15%的单词，并用一个特殊的[MASK]标记替换其中的80%，用其他随机单词替换10%，保留原始单词的10%。NSP。
LLM RAG面试问题大全！收藏这一篇轻松拿下offer！
z551646的博客
10-25 1619
A. 检索增强生成（RAG）是一种结合了基于检索的方法和生成模型来提高自然语言处理任务性能的方法。在RAG中，检索组件首先搜索大量文档，根据输入查询找到相关信息。然后，生成模型使用这些检索到的信息生成响应或输出。这种两步过程允许RAG利用检索方法的精确性和生成模型的灵活性。因此，它特别适用于需要基于外部知识理解和生成自然语言的任务。
大厂RAG面试真题大全！
musicml的博客
11-01 1254
—1—RAG 初级面试问题Q1. 检索增强生成（RAG）的定义是什么？A. RAG 是一种提升自然语言处理性能的技术，它结合了检索和生成模型。该方法先通过检索大量文档来定位相关信息，随后生成模型利用这些信息来构造回答。这种双阶段流程既利用了检索的精确性，又发挥了生成模型的创造性，特别适用于依赖外部知识生成自然语言的任务。Q2. RAG 与传统语言模型有何不同？A. 与依赖训练数据生成文本的传统语...
LLM-RAG相关常见面试题
sherwinzhang的博客
10-10 1160
LangChain为大型语言模型提供了一种全新的搭建和集成方式，通过这个强大的框架，我们可以将复杂的技术任务简化，让创意和创新更加易于实现。有点类似于神经网络开发与tensorflow/pytorch之间的关系。
2025年AI 工程师的 RAG 面试问题精选
ytt0523_com的博客
11-23 1272
混合搜索结合了密集和稀疏检索方法的优点。例如，您可以先使用 BM25 等稀疏方法，根据关键字快速查找文档。然后，使用 BERT 等密集方法通过理解文档的上下文和含义对这些文档进行重新排序。这样，您既可以享受稀疏搜索的速度，又可以享受密集方法的准确性，这对于复杂查询和大型数据集非常有用。后期分块是一种有效的方法，旨在解决传统分块方法在文档处理中的局限性。在传统方法中，首先将文档拆分成多个块，例如句子或段落，然后再应用嵌入模型。然后，将这些块单独编码为向量，通常使用均值池化为每个块创建单个嵌入。
面试问题记录（基础&RAG)
gz927cool的博客
04-30 345
算法工程师面试记录20240330，包括python基础\linux基础\RAG工程三个方面
面试被问RAG开发痛点，万能答法！
ytt0523_com的博客
09-14 1586
检索增强式生成（RAG）是一种使用检索提升语言模型的技术。具体来说，就是在语言模型生成答案之前，先从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程。这种技术能极大提升内容的准确性和相关性，并能有效缓解幻觉问题，提高知识更新的速度，并增强内容生成的可追溯性。RAG 无疑是最激动人心的人工智能研究领域之一。但 RAG 也并非完美，用户在使用时也常会遭遇一些「痛点」。
一文细数大模型 RAG 十二大痛点及解决方案
2201_75499313的博客
07-13 1679
暑期实习基本结束了，校招即将开启。不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。检索增强式生成（RAG）是一种使用检索提升语言模型的技术。具体来说，就是在语言模型生成答案之前，先从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程。这种技术能极大提升内容的准确性和相关性，并能有效缓解幻觉问题，提高知识更新的速度，并增强内容生成的可追溯性。
分享10道大模型RAG面试题（非常详细）从零基础到精通，收藏这篇就够了！
最新发布
Javachichi的博客
06-30 819
（如向量检索）或。
大模型面试：关于RAG项目的拷问，建议收藏！
2401_85373691的博客
04-23 714
如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
RAG面试
03-27
### RAG（检索增强生成）相关面试问题及答案 #### 1. **RAG 的核心概念是什么？** RAG 是一种通过引入外部知识源来提升生成模型性能的技术框架[^3]。其核心在于结合检索模块和生成模块，从而在生成过程中动态获取并利用与当前任务最相关的上下文信息。 ```python class RetrievalAugmentedGeneration: def __init__(self, knowledge_base, retrieval_model, generation_model): self.knowledge_base = knowledge_base self.retrieval_model = retrieval_model self.generation_model = generation_model def generate(self, query): retrieved_docs = self.retrieval_model(query, self.knowledge_base) prompt = f"Query: {query}\nContext: {retrieved_docs}" response = self.generation_model(prompt) return response ``` --- #### 2. **Prompt 工程在 RAG 中的作用是什么？需要注意哪些常见问题？** Prompt 工程是 RAG 的关键环节之一，在设计 Prompt 时可以明确规定生成风格、引用方式等内容[^1]。然而，实际操作中可能存在以下问题： - 提示不够明确可能导致模型随意编造内容； - 过于冗长的提示可能因长度限制被截断； - 缺乏“拒绝回答”机制使得模型无法处理未知领域的问题。 因此，需不断优化 Prompt 设计以达到既简洁又全面的效果。 --- #### 3. **什么是“检索代理”(Retrieval Agent)，它与传统 RAG 流程的区别在哪里？** “检索代理”是一种更智能化的检索工具，能够主动分析查询需求并选取最优的知识片段。相比传统的静态检索-RAG 结构，“检索代理”具备更强的目标导向能力，可以根据具体场景调整检索策略，甚至模拟人类思维过程完成复杂推理任务。 --- #### 4. **RAG 架构中的主要组成部分有哪些？它们各自的功能是什么？** 典型的 RAG 系统通常由以下几个部分构成: - 外部知识库：存储大量结构化或非结构化的背景资料供检索调用。 - 检索模型：负责依据输入请求快速定位关联度最高的若干条目。 - 提示模板(Prompt Template)：定义如何将原始询问连同查找到的信息一起传递给下游生成器。 - 生产模型(Generative Model)：最终基于综合考虑后的全部线索构建自然流畅的回答语句。 --- #### 5. **市场上的主流 RAG 实现框架都有哪些特点？** 目前较为知名的几个开源项目如下所示: - LangChain：支持多种预训练语言模型接入，并提供了灵活易扩展的基础架构。 - LlamaIndex：专注于简化从零搭建个性化搜索引擎到集成进对话系统的全过程。 - DSPy：特别强调分布式部署下的高效协作特性。 每种方案各有侧重方向，开发者应根据自身业务诉求合理选用适合的产品形态。 --- #### 6. **除了基础版之外还有哪些高级形式的 RAG 技术值得探索学习呢?** 随着研究深入出现了不少改进型变体版本比如智能体RAG(Agent-based RAG), 它允许单次交互内多次循环执行子任务直至满足预期目标为止; 另外图谱RAG(Graph-based RAG) 则擅长挖掘实体间潜在关系链路进而辅助决策制定. ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值