1、提示工程VS RAG VS 微调，什么时候使用？

2、什么场景下应该选择RAG 而不是Fine-tuning?

• 知识需要频繁更新：如产品文档、FAQ，用RAG 只需更新向量库；
• 需要引用来源：如客服系统需要告诉用户答案来自哪个文档；
• 数据量有限：Fine-tuning 需要大量高质量数据，RAG 门槛更低；
• 需要实时信息：新闻、股票等实时数据无法通过训练固化到模型；
• 预算有限：RAG 的实现成本远低于微调。

三种模式不是互斥的，实际项目中常常组合使用。 比如：RAG + Fine-tuning (微调模型，让它可以更好地利用检索结果) 或者RAG + Prompt Engineering (优化检索后的提示词模板)。

3、文档分块策略有哪些？

文档分块(Chunking) 是RAG 系统的基础环节，分块质量直接影响检索效果。

4、项目中用什么分块策略？为什么选它？

如果项目知识库是产品FQA，在项目中使用滑动窗口+ 句子边界的混合策略:

• 首先按句子边界切分，保证每个块语义完整；
• 然后使用滑动窗口，设置20%重叠(window=512, step=100) ；
• 重叠确保跨块的信息不会丢失。

选择原因:

• 知识库是产品FAQ，段落之间有上下文依赖；
• 用户问题可能涉及多个连续段落的信息；
• 20%重叠在存储开销和检索质量间取得平衡；

分块大小经验值:

• 一般推荐256-1024 tokens；
• 小块: 检索精度高，但可能丢失上下文；
• 大块: 上下文完整，但噪声多，检索精度下降；
• 常见配置: chunk_size=512, overlap=50-100。
  

5、RAG系统的流程

RAG的步骤：

Indexing => 如何更好地把知识存起来。

Retrieval => 如何在大量的知识中，找到一小部分有用的，给到模型参考。

Generation => 如何结合用户的提问和检索到的知识，让模型生成有用的答案。

这三个步骤虽然看似简单，但在RAG应用从构建到落地实施的整个过程中，涉及较多复杂的工作内容。

6、RAG系统详细的步骤都有哪些？

关键步骤：

Step1，文档解析

将PDF、Word、HTML等格式转换为纯文本。工具: PyPDF2, docx, BeautifulSoup。注意处理表格、图片等特 殊内容。

Step2，文档分块(Chunking)

将长文档切分为适合检索的小块。需要平衡块大小、上下文完整性、检索精度。

Step3，向量化(Embedding)

使用Embedding模型将文本块转换为向量。常用模型: text-embedding-v4等。

Step4，向量存储

将向量存入向量数据库。FAISS (本地)、Milvus (分布式)、 Pinecone (云服务)。同时存储元数据用于过滤和展示。

Step5，Query 改写 (可选)

处理模糊问题、补充上下文。使用LLM改写或扩展用户问题，提高检索召回率。

Step6，向量检索

计算Query向量与文档块向量的相似度，返回Top-K结果。距离度量: 余弦相似度、L2距离、内积。

Step7，重排序(Rerank)

使用Cross-Encoder对Top-K结果精排，选出最相关的Top N。显著提升最终效果。

Step8，Prompt 构建

将检索到的文档块拼接到Prompt中，作为LLM的上下文。注意控制总长度，避免超过模型上下文窗口。

Step9，LLM 生成

LLM基于Prompt生成最终答案。可以要求模型引用来源，提高可信度。

7、Embedding模型有哪些选择？

8、Embedding模型选择都有哪些考虑因素？

语言支持

• 中文场景：BGE、text-embedding-v4
• 英文场景：OpenAI系列
• 多语言：bge-m3

部署方式

• API调用：OpenAI、通义
• 私有化部署：BGE、M3E
• 混合：都支持

性能指标

• 延迟：本地部署< API调用
• 吞吐：取决于硬件/并发
• 精度：需要在自己数据上测试

成本考量

• API按量付费，初期低
• 私有部署需GPU，长期划算
• 维度影响存储成本

9、如果RAG 效果很差，可以从哪几个方面去调试？

会按照RAG 的流程，逐步排查问题：

Step1，检索阶段调试

Step2，生成阶段调试

Step3，调试工具与方法

# 调试检索效果的方法 def debug_retrieval(query, index, metadata, k=10): """打印检索详情，帮助调试""" query_vec= get_embedding(query) distances, indices = index.search( np.array([query_vec]).astype('float32'), k ) print(f"Query: {query}") print("-" * 80) for rank, (idx, dist) in enumerate(zip(indices[0], distances[0])): if idx== -1: continue doc = metadata[idx] similarity = 1 / (1 + dist) # L2距离转相似度 print(f"Rank{rank+1} | 相似度: {similarity:.4f} | 距离: {dist:.4f}") print(f"来源: {doc.get('source', 'N/A')}") print(f"内容: {doc['text'][:100]}...") print("-" * 40) return indices, distances

• 先用debug_retrieval检查检索结果是否正确；
• 如果检索结果好但生成差，优化Prompt；
• 如果检索结果差，从分块/Embedding/Query改写入手；
• 记录Bad Case，建立评估数据集持续改进。

10、当用户的问题很模糊，或者依赖上一轮对话时，RAG 怎么优化？

Step1，问题类型分析

Step2，Query 改写技术

Step3，多轮对话RAG 架构

实践建议：

• 对话历史不宜过长，一般保留最近3-5轮；
• 可以用LLM判断是否需要改写，避免每次都改写；
• 改写模型可以用较小的模型，降低延迟；
• 记录改写前后的Query，便于调试。

11、只用向量检索吗？它有什么缺点？什么是混合检索？

向量检索的缺点：

• 对精确关键词匹配不敏感(如产品型号、人名) ；
• 可能漏掉字面完全匹配的内容；
• Embedding模型对领域专有词理解可能不准。

混合检索：结合向量检索和关键词检索(BM25)，取长补短。

12、检索召回了20 条文档，怎么确保喂给LLM 的是最好的3条？

使用Rerank (重排序) 技术，对初步召回的结果进行精排。Rerank流程如下：

Bi-Encoder (向量检索) ：Query和Document分别编码，计算向量相似度。

• 速度快，适合大规模召回；
• Query和Doc独立编码，交互信息少；
• 精度相对较低。

Cross-Encoder (Rerank) ：Query和Document拼接后一起编码，直接输出相关性分数。

• 精度高，能捕捉细粒度交互；
• 速度慢，只能处理少量候选；
• 适合对Top-K精排。

Rerank 实践建议:

• 召回数量(recall_k) 一般设置为最终需要数量的5-10倍；
• Rerank模型选择：中文推荐bge-reranker，多语言用Cohere；
• Rerank会增加延迟，需要在效果和速度间权衡；
• 可以设置分数阈值，过滤低相关性结果。

13、系统上线后，怎么维护和迭代知识库？

知识库维护是一个持续的过程，包括以下几个方面:

14、维护知识库能否通过Agent RL

Agent RL的核心思路：让Agent从环境反馈中学习改进策略。 关键是定义好：状态、动作、奖励。

对于企业场景，推荐方案A + 选择性微调的组合。

维护最佳实践：

• 定期审核：每周/月审核Bad Case，识别系统性问题；
• 增量更新：避免全量重建，使用增量方式更新索引；
• 版本控制：保留历史版本索引，支持快速回滚；
• 文档生命周期：设置过期时间，自动标记/清理过期内容；
• 监控告警：检索空结果率、用户负反馈率等指标超阈值时告警。

15、如何评估一个RAG 系统的好坏？

RAG系统的评估需要从检索质量和生成质量两个维度进行:

16、什么是RAGAS?

RAGAS (Retrieval Augmented Generation Assessment) 是一个专门用于评估 RAG 系统的开源框架，由Exploding Gradients 团队开发。

核心特点:

• 无需人工标注: 使用LLM 自动评估，大幅降低评估成本；
• 端到端评估: 同时评估检索质量和生成质量；
• 指标全面: 提供Faithfulness、Answer Relevancy、Context Precision 等核心指标；
• 易于集成: 与LangChain、LlamaIndex 等主流框架无缝对接。

安装: pip install ragas

GitHub: https://github.com/explodinggradients/ragas

生成质量指标(RAGAS框架)

• Faithfulness (忠实度)

答案是否基于检索到的内容，而非幻觉。评估方法: 用LLM判断答案中的每个声明是否能在上下文中找到支撑。

• Answer Relevance (答案相关性)

答案是否回答了用户的问题。评估方法: 用LLM根据答案反向生成问题，与原问题比较相似度。

• Context Relevance (上下文相关性)

检索到的内容是否与问题相关。评估方法: 计算上下文中与问题相关的句子比例。

• Context Recall (上下文召回)

检索是否召回了回答问题所需的所有信息。评估方法: 对比标准答案，检查所需信息是否被检索到。

评估建议:

• 构建包含50-100个样本的评估集，覆盖各类问题；
• 定期运行评估，监控系统质量变化；
• 重点关注Faithfulness，这是RAG的核心价值；
• 结合定量指标和人工抽检。

17、什么是GraphRAG，与传统RAG的区别？

GraphRAG 是微软提出的增强型RAG架构，通过构建知识图谱来增强检索和推理能力。

GraphRAG 使用建议:

• 构建成本高，适合高价值、复杂的知识库；
• 对于简单FAQ，传统RAG已足够；
• 可以与传统RAG结合: 简单问题用传统RAG，复杂问题用GraphRAG。

18、GraphRAG 中的核心概念都是什么？

Entity (实体)：从文档中抽取的关键对象。例: 人名、地名、产品名、概念；

Relationship (关系)：实体之间的联系。例: “属于”、“制造”、“位于”；

Community (社区)：图中紧密相连的实体群组，通过社区检测算法发现；

Community Summary：每个社区的LLM生成摘要，用于回答全局性问题。

19、GraphRAG 中的两种查询模式都是什么？

• Local Search (局部搜索)

适合：“XXX公司的CEO是谁？” 这类精确问题。

流程：Query -> 找到相关实体-> 沿关系扩展-> 收集上下文-> 生成答案。

• Global Search (全局搜索)

适合：“这篇文档的主要观点是什么？” 这类总结性问题。

流程：Query -> 遍历社区摘要-> Map-Reduce聚合-> 生成综合答案。

20、RAG 和Fine-tuning 怎么选？

选RAG：知识更新频繁、需要引用来源、数据量小、预算有限。

选Fine-tuning：需要改变模型风格/格式、领域术语复杂、追求推理速度。

组合使用：先微调让模型更好地遵循检索结果，再用RAG注入知识。

21、如何处理知识库中的矛盾信息？

• 为文档添加时间戳元数据，优先使用最新的；
• 为文档添加权威度标签，优先使用官方来源；
• 检索时同时返回多个来源，让LLM综合判断；
• 在Prompt中要求LLM指出信息冲突。

22、RAG 系统的延迟优化有哪些方法？

• 向量检索：使用ANN索引(HNSW, IVF)，降低精确度换速度；
• Embedding：使用本地小模型，或异步预计算；
• Rerank：减少候选数量，或使用蒸馏小模型；
• LLM：使用流式输出，选择更快的模型；
• 缓存：相似Query复用检索结果。

23、如何处理超长文档？

• 分层索引：先检索摘要，再检索详细段落；
• 滑动窗口：保留上下文的分块策略；
• 长上下文模型：使用支持128K+的模型(如Qwen, Claude)；
• 迭代检索：先检索一部分，根据LLM判断是否需要更多，

24、如何防止LLM幻觉？

• Prompt 明确指令：“仅基于提供的信息回答，不确定时说不知道”；
• 要求引用：让LLM标注答案来源于哪个文档；
• 降低temperature：减少随机性；
• 答案验证：用另一个LLM检查答案是否有上下文支撑；
• Rerank 精选：确保上下文高度相关；

25、多模态RAG 怎么做？

• 图片：使用多模态Embedding模型(如CLIP, 通义VL) 将图片向量化；
• 表格：转换为Markdown或JSON，保持结构信息；
• PDF：OCR提取文字+ 图表单独处理；
• 视频：抽帧+ 语音转文字，分别建索引；
• 统一使用多模态Embedding，实现跨模态检索。

26、如何保证RAG 系统的安全性？

• Prompt 注入防护：过滤用户输入中的指令；
• 权限控制：根据用户角色过滤可检索的文档；
• 敏感信息处理：脱敏后入库，或标记敏感级别；
• 输出过滤：检查生成内容是否包含敏感信息；
• 审计日志：记录所有查询和检索内容。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

0690+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】