RAG-day11

一、RAG 常见面试必问:三种检索误区

1. 只依赖向量检索

问题:只靠语义匹配,遇到专业名词、法规编号、固定关键词,搜不到、匹配不准。解决:必须搭配 ES 关键词稀疏检索,做混合检索。

2. 分块越大越好 / 越小越好

  • 块太大:内容杂乱,无关信息多
  • 块太小:一句话被切碎,语义不完整正确:根据文档类型,选递归 / 父子 / 重叠分块,适中切分。

3. 把所有检索结果都喂给大模型

问题:不做重排、不做压缩,垃圾内容也塞进去,容易跑偏、出幻觉。正确:加 Rerank 重排 + 上下文压缩,只留高相关内容。

二、RAG 上下文窗口限制(很好懂)

每一个大模型都有最大能容纳的文字长度 ,叫上下文窗口。意思就是:一次不能塞无限多文档,塞多了模型处理不了、还浪费费用。所以必须做:重排筛选 + 上下文压缩,精简内容再输入。

三、RAG 对话记忆能力(多轮对话)

用户不是只问一句,会连续追问、关联上一句问题。比如:先问 "乌干达鲜鱼标准",再问 "那检疫要求呢"。模型要记住上文对话内容,才能理解省略的问句。实现方式:把历史对话一起拼进去,作为上下文传给大模型。

四、RAG 本地部署 vs 在线调用

在线调用

调用网上现成大模型(通用大模型接口)优点:省事、不用自己运维缺点:有网络依赖、数据有外传风险

本地私有化部署

把大模型、向量库、RAG 全部部署在自己服务器 / 电脑优点:数据不外泄、内网可用、隐私安全缺点:需要机器配置高、要自己维护

五、RAG 适合做什么、不适合做什么

适合

  1. 企业私有文档、规章、法规、手册问答
  2. 知识库客服、内部资料查询
  3. 行业固定知识答疑、文档解析

不适合

  1. 需要实时最新热点新闻
  2. 纯创意写作、无资料支撑的脑洞内容
  3. 复杂数学推理、专业深度科研论证

六、RAG 整体优化总结(极简 5 条背会就能面试)

  1. 分块策略选对,不偏大也不偏小
  2. 用 ES + 向量 混合检索,兼顾关键词和语义
  3. 加 Rerank 重排,精选高相关内容
  4. Query 改写 + 上下文压缩,精简输入
  5. 多轮对话带入历史上下文,理解连贯提问
相关推荐
东莞市云毅网络有限公司1 天前
用 Playwright 搭一套问答平台引用监测的最小骨架
python·数据清洗·rag·企业知识库·文档解析
一条大祥脚1 天前
Agent Memory 全解析:从 SQLite、向量库 + RAG 到 Zep、Mem0
sqlite·agent·rag·智能体记忆
nice_lcj5202 天前
【从零理解 Spring AI · 13】RAG 要解决什么:把“闭卷考试“变成“开卷“
java·spring·检索增强·rag·spring ai·ai应用开发
AI-Frontiers3 天前
从RAG到知识图谱再到Agent工作流,中间还差一层本体论
agent·rag
东莞市云毅网络有限公司5 天前
FAQ 覆盖度打分:TF-IDF 与向量嵌入双路召回的 Python 实现
python·数据清洗·rag·企业知识库·文档解析
Flynn Liang5 天前
Rerank 与上下文工程:重排、压缩与引用溯源的收益边界
langchain·rag·langchain4j·rerank·上下文工程·引用溯源
Flynn Liang5 天前
RAG 评估体系:黄金集、检索指标与 LLM-as-Judge 落地
java·langchain·rag·评估·langchain4j·检索指标
nice_lcj5206 天前
【从零理解 Spring AI · 14】RAG 的四个环节:加载、切分、向量化、检索
java·spring boot·embedding·向量数据库·rag·spring ai·ai应用开发
典学长编程6 天前
RAG 进阶学习:索引构建阶段与检索增强阶段
向量数据库·rag·索引构建·文本向量化·mmr·索引增强·最大边际相关性