精选·模型与微调基础2026-07-13
大模型幻觉的成因与工程缓解：为什么治不了本，但能关进笼子
从训练目标层面解释幻觉为何无法根除，再给出 RAG 约束、拒答校准、校验回路等 AI Native 工程上真正管用的缓解组合拳。
91学AI·6 阅读
标签
#RAG
共 18 篇文章
精选·RAG工程2026-07-13
面试时被连环拷打 RAG 项目细节，怎么应对？
面渣逆袭式 RAG 项目拷打应对指南。讲清「角色-难点-数据-权衡」四件套的准备方法，以及被问倒时的话术边界。
91学AI·8 阅读
精选·RAG工程2026-07-13
场景题：如何设计一个高召回率的商品问答 RAG 系统？
电商商品问答 RAG 设计题。从垂类检索瓶颈出发，给出多路召回+属性结构化+意图分流的完整架构与召回率优化路径。
91学AI·5 阅读
精选·RAG工程2026-07-13
RAG 场景怎么控制大模型幻觉？检索到错误内容怎么办？
把幻觉拆成「没检索到硬答、检索错、检索对但没照着答」三类，对应阈值兜底、引用约束、后验核对三层防线。
91学AI·4 阅读
精选·RAG工程2026-07-13
什么是 Agentic RAG？和传统 RAG 流水线有什么区别？
讲清 Agentic RAG 用 Agent 决策替代固定流水线的本质，路由/反思/多轮检索/工具组合四种模式，以及延迟成本代价与适用边界。
91学AI·7 阅读
精选·RAG工程2026-07-13
什么是 GraphRAG？为什么 RAG 要用到图数据库？
讲清向量检索在关系推理、全局总结上的盲区，GraphRAG 的实体抽取-建图-社区摘要流程，以及引入图的成本与适用边界。
91学AI·5 阅读
精选·RAG工程2026-07-13
RAG 和微调怎么选？电商客服场景该用哪个？
从知识实时性、成本、幻觉控制、能力边界四个维度对比 RAG 与微调，给出「知识用 RAG、能力用微调」的选型框架。
91学AI·5 阅读
精选·RAG工程2026-07-13
Query 改写怎么做？为什么要改写用户的问题？
讲清多轮指代补全、同义扩展、HyDE、多 query 分解四种改写技术的适用场景与风险，以及用小模型低延迟实现的工程实践。
91学AI·5 阅读
精选·RAG工程2026-07-13
怎么量化 RAG 的回答效果？检索和生成分别怎么评测？
拆检索侧（Recall@K、命中率）与生成侧（忠实度、相关性）两层指标，讲评测集构造、RAGAS 框架与人工抽检的组合打法。
91学AI·4 阅读
精选·RAG工程2026-07-13
Rerank 是什么？为什么召回之后还要重排序？
讲清双塔召回与交叉编码器 Rerank 的原理差异，主流 Rerank 模型选型，以及接入位置、条数、延迟的工程经验。
91学AI·6 阅读
精选·RAG工程2026-07-13
什么是混合召回/多路召回？为什么纯向量检索不够用？
讲清向量召回与 BM25 关键词召回的互补性，多路召回（向量/关键词/实体/FAQ）的架构设计和 RRF 融合方法。
91学AI·4 阅读
精选·RAG工程2026-07-13
向量数据库怎么选？Qdrant、Milvus、ES、pgvector 各适合什么场景？
对比 Qdrant/Milvus/pgvector/ES 等向量库的性能、过滤能力、运维成本，给出按数据量级选型的决策框架和 HNSW 参数经验。
91学AI·5 阅读
精选·RAG工程2026-07-13
Embedding 是什么？你们用的哪个模型？怎么选型？
讲清 Embedding 原理与训练目标，给出 bge/m3e/OpenAI 等主流选型对比，以及领域微调、维度、多语言等实战考量。
91学AI·6 阅读
精选·RAG工程2026-07-13
文档切分策略有哪些？怎么避免语义被切断？
RAG 高频题。对比固定长度/递归/语义/结构四种切分，讲清 chunk 大小与 overlap 的经验值，以及表格、跨页等语义断裂的工程解法。
91学AI·5 阅读
精选·RAG工程2026-07-13
介绍一下 RAG？核心流程是什么？最难的地方在哪里？
RAG 基础必考题。讲清离线建索引+在线检索生成两段流程，指出难点不在「跑通」而在检索质量、切分与评估的工程细节。
91学AI·5 阅读
精选·上下文与记忆2026-07-13
RAG 是 Agent 记忆的一部分吗？记忆系统和 RAG 是什么关系？
RAG 检索的是静态外部知识，记忆是动态积累的用户与交互信息；二者共用检索管道可复用基础设施，但数据来源、写入方、时效性和更新方式完全不同，应分库存储。
91学AI·5 阅读
精选·上下文与记忆2026-07-13
记忆召回怎么做？向量相似度、时间衰减和重要性怎么组合？
记忆召回用向量相似度保证相关性、时间衰减体现时效性、重要性分数兜底关键事实，三者加权打分取 top-k，再用元数据过滤和重排序控制注入质量。
91学AI·7 阅读