在 AI 应用的场景中，rag可以说是一项必备的技术，在智能客服，导购 agent，智能创作等有检索需求的场景都会使用到，所以这里结合一些实际的应用场景和大家做一些分享一，数据准备数据准备是 rag 整个流水线中非常重要的一环，所以在实际的生产场景中，也主要是看数据解析，以及使用不同的向量库落库的过程 文件解析（pdf，docx，txt，md）目前常见的文件解析，就是利用 Apache tika 等开源库做解析组件，但对于一些富文本的数据，比如有图片和表格的情况，就要借用 ocr 等辅助手段大表格处理表格是比较常见的数据类型之一，但是大表格解析通常会有一些问题比如在切块的时候如果每一行都作为 ...

对不住了bro哈哈哈哈哈

焦虑😖，上周二面完，到现在了还在这个状态，是不是g了

一些自己在网上搜刮的面经题目路过的牛爷爷可以试着答一答，附上自己的答案，如果有更好的答案也可以拷打我，如果有别的比较好的题目也可以评论里发一发。 如何评估 RAG 效果？指标是什么？ 分层评估：  检索质量评估：看如HitRate（命中率），Recall（召回率）等指标 生成质量评估：看如相关性（是否切题）、忠诚度（生成是否基于检索内容生成）、完整性（生成答案是否完整） 用户满意度测评：答案是否满意，检索速度够不够块。  RAG 和微调怎么取舍？ RAG适合更新频率高，存在隐私数据以及需要可解性性要求高需要稳定输出的场景。 微调适合需要特定规则以及语气的使用场景。 这两个技术在大部分场景下都不...