RAG 与检索系统:从 chunk 设计到多路召回

题集来源:Onefly(ranxi2001)收录项目:zero2Agent查看原题集

题目目录

82 道原题
  1. RAG 检索到的 Chunk 不足以回答问题,后续怎么处理?

    原题
  2. Agentic RAG 是什么?和传统 RAG 的核心区别?

    原题
  3. 补充检索是如何评估数据质量并触发的?怎么保证二次检索能搜到之前没搜到的内容?

    原题
  4. 向量数据库里两个同义词是什么关系?完全同义的词会在同一个点上吗?

    原题
  5. 多模态 Embedding 检索中,文本语义与图像视觉特征的权重怎么平衡?用户检索图纸参数却召回外观相似零件,根源是什么?

    原题
  6. 向量数据库中需要限定时间范围检索时,标量条件过滤怎么高效实现?

    原题
  7. 随着大模型上下文窗口持续扩容(100K→1M+),传统 RAG 技术是否会被完全替代?

    原题
  8. 如何避免模型回复过度依赖检索到的外部知识,导致回答生硬、缺乏共情能力和自然度?

    原题
  9. 如果从 ElasticSearch 切换到向量检索,哪些能力会下降,哪些能力会提升?

    原题
  10. 笔试题:多路召回结果合并去重 + 加权排序 + TopK

    原题