匹配口述回答：…赖，走错了用户就投诉。用工作流画成DAG图，执行起来稳定、可审计，而且省token，因为不需要每次让大模型想下一步该干嘛。再比如金融合规里的审批流，要求每一步都可复现，工作流天然满足。但工作流有硬伤。一旦条件分支多了，比如超过三层if-else，那个图会爆炸，维护成本极高。更麻烦的是异常处理，工具返回格式变了、超时了、权限改了，都得硬编码兜底，大模型那里可能一句话就自适应了，工作流就得改代码。还有一个问题，新工具接入要人工重绘流程，做不到即插即用，灵活性很差。反过来，如果…

#阿里云#Agent#Agent 工具调用

面试题·Agent· 百度

Agent 核心机制怎么工作?

匹配口述回答：…型再强也容易跑偏。所以我会把Agent看成是系统工程，核心是让模型在可控范围内自主行动。另外，现在有个趋势是把Agent和RAG融合成 [[Agentic RAG]]，让Agent动态决定什么时候检索、检索什么，而不是固定走检索再生成。这块我觉得会是下一阶段的重点，但实现起来对模型的推理能力和工具调用的稳定性要求更高。 Agent本质是让模型从答题者变成执行者核心循环：感知-思考-行动，ReAct范式 Function Calling是连接模型和工具的桥梁记忆和规划是落…

#百度#Agent#Agent 工作原理

面试题·Agent· 美团

Agent组件通信机制与架构模式对比

匹配口述回答：…gent需要处理[[多模态]]输入时，比如用户发了一张截图，那规划模块怎么和视觉理解组件通信？这个挑战更大，因为时序和空间信息都要融合。所以整体上，我更倾向于把架构看成一套'规划-执行-反馈'的循环，组件之间通过外置状态和异步消息解耦，这样系统才可控、可观测。本质：组件间怎么连、怎么通信架构模式：ReAct vs Plan-and-Execute 落地组合：不同场景怎么选风险与前提：常见失败场景收尾与可延伸点约4分钟多模态输入下规划模块与视觉理解组件的通信挑战 …

← 上一页第 10 / 11 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#美团#Agent#Agent 组件通信

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…mbedding 对精确 token 不敏感。我会结合 [[BM25]] 做[[稀疏检索]]，然后用 Hybrid Search 融合分数，或者用 ColBERT 的 late interaction 做二阶段精排。这其实引出一个问题：稠密和稀疏向量怎么融合、权重怎么调，才能在不同业务场景下都稳定？所以整体来看，我不会把这条 pipeline 看成固定流程，而是每次根据业务场景做取舍。比如客服退款场景，我更关注实时性和高召回，那分块就偏小、索引用 IVF 快查；如果是法律文…

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配口述回答：…迟敏感、过滤条件也多，需要按商家、商品类型做元数据过滤。到了实际落地，真正的挑战不是单个组件选型，而是怎么把关键词检索和向量检索融合起来。纯语义检索在遇到专有名词或订单号时经常翻车，比如用户问“退款到原账户”，但文档里写的是“原路返回”，语义相似度可能不高。所以我会用 [[Hybrid Search]]，把 [[BM25]] 关键词分数和向量相似度分数加权合并，这样既能保证高频词匹配，又能捕捉语义泛化。这里有个前提：必须做好分数归一化，否则不同检索方式的分数量纲不一致，合并…

#字节#向量检索#Chunk 向量化

面试题·评估· 美团

RAG 指标权衡与阈值

匹配口述回答：…是另一个维度，看回答是不是完整覆盖了用户问题。在多跳问答场景里，比如用户问“退款政策和满减活动能不能叠加”，你得把两段文档的信息都融合进去，覆盖率就很重要。但在企业合规场景里，覆盖率要适度让步给事实一致性，因为编造条款的风险比说不全更大。不同场景的权衡非常明显。企业知识库，像内部合规文档查询，我优先保事实一致性，检索侧用高Recall加 Rerank 精排，生成侧做严格的事实校验，甚至直接摘录原文。智能客服就不一样，比如电商退款场景，用户情绪可能不好，你得平衡答案相关性和回…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配追问：…既准确又不编造？层层追问大模型生成回答时为什么会胡说八道？……那怎么让它基于真实信息来回答呢？……如果给一段检索结果，具体怎么融合到生成中才能减少幻觉？直球架构 RAG通过检索外部知识来提升生成质量，从减少幻觉、提高事实准确性、增强上下文相关性三个角度，讲讲它的工作机制和实际效果。

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配口述回答：…务可比较较简单的实现。还有一个点值得展开：动态权重切换。我在一些场景里会按 query 长度或实体密度自动调 BM25 和向量的融合比例，短查询多给 BM25 权重，长查询多给向量。但这里面有个前提，你需要一个分类器来判断 query 类型，这个分类器本身也有精度问题，弄不好会引入新错误。所以综合来看，我倾向于把 BM25 作为保底基线，向量作为提升语义覆盖的增强手段。如果条件允许，默认走 Hybrid Search，用 RRF 或线性融合做[[重排]]。但我会先跑通 B…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 高德

多工具评分排序机制

匹配追问：…能体系统里，多个工具能完成同一个任务，你怎么选？……如果光靠匹配描述不够准，你会加什么维度？……比如历史成功率、调用成本这些，怎么融合成一个分数？直球架构设计一个多工具选择模块，要求对每个候选工具计算置信度分数，并支持动态调整。评分要考虑哪些因素？怎么实现？冷启动时新工具怎么处理？请描述整体架构和关键优化策略。

#高德#Agent#智能体工具选择

面试题·评估· 字节

ReAct vs 传统规划怎么选?

匹配口述回答：…flexion]] 机制，让Agent在每次执行完一个子任务后自我反思，把反思结果反馈回规划层动态调整。这其实就是把两种思路进一步融合了。所以我的判断是：ReAct和Planning不是互斥的，而是互补的。我更倾向根据任务复杂度、环境确定性和实时性要求来动态选择。比如简单任务直接用ReAct，复杂但稳定的任务用Planning，复杂且动态的任务就用混合架构。上线前我会特别关注一个风险：混合架构里规划层和行动层的反馈回路如果设计不好，容易出现调度死锁或者状态不一致，这个在系统…

#字节#百度#评估与监控

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配口述回答：…证，权衡创造力 RAG层面：知识锚定，但检索质量是瓶颈后处理与总结：多层防御，没有银弹约90秒 Self-RAG 把验证和生成融合，但实现门槛高，不是所有场景适用。面试官可能会追问 Self-RAG 的具体实现、与传统 RAG 的区别、以及适用场景的边界。

#阿里#幻觉治理#大模型幻觉缓解

面试题·模型微调· 美团

Reranker 训练数据怎么构造?

匹配口述回答：…d negative，形成数据闭环。核心原则：让模型学会区分相关性的细微差别正负样本策略：难负样本是关键数据来源与标注：多源融合+质量控制对RAG流程的影响：训练-推理一致性与闭环迭代约4分钟 Reranker 的训练集必须贴近线上召回器的候选分布，否则会有训练-推理鸿沟。 hard negative 怎么挖、点击日志怎么去偏、reranker 离线指标怎么和端到端答案质量对齐。

#美团#重排与优化#Reranker 训练数据

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…丢掉，不然就是垃圾进垃圾出。然后说Embedding选型。通用场景用BGE-M3、GTE这些没问题，但垂直领域一定要微调。比如金融合规文档，很多专业术语和上下文，通用模型根本抓不住。微调用对比学习，加In-batch Negatives和Hard Negatives，让模型学会区分相似但不同的条款。这里有个关键点：Query和Document要加不同的Prompt前缀，比如查询是'为这个句子生成表示'，文档是'为这段文本生成表示'，这样向量空间更对齐。索引构建，我一般不走…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 百度

RAG 向量模型怎么选?

匹配口述回答：…向量模型对字面匹配、专有名词比如订单号、错误码这些，效果很差，但BM25很擅长。所以我会同时建向量索引和倒排索引，检索时把两路结果融合，再用Rerank模型排序。这个方案能覆盖更多case，但代价是多维护一套索引和增加延迟。还有一个点值得注意：模型微调。很多开源模型比如BGE、E5都支持微调，但微调需要高质量的query-doc对，而且容易过拟合。我一般只在领域差距特别大，比如医疗、法律，才考虑微调，否则用通用模型加好的检索策略就够了。所以总结一下，我的选型思路是：先拿M…

#百度#评估与监控#向量检索

面试题·模型微调· 商汤科技

RAG 基本工作流程是什么?

匹配口述回答：…码，向量相似度往往不如 [[BM25]]。所以实际落地我会用 [[Hybrid Search]]，向量和关键词两条路同时走，结果再融合。举个例子，电商客服场景，用户问“我上次买的手机怎么还没到”，向量检索能理解“手机”和“物流”的语义，但如果用户说“订单号 12345 怎么退款”，关键词匹配更准。所以混合检索是标配。检索完，生成前还有一步：把搜到的文本和原始查询拼成一个 Prompt，扔给大模型。这里有个关键：不是所有搜到的块都有用。如果相似度低于某个阈值，我会直接过滤掉，…

#商汤科技#RAG 工作流#RAG 工作流程

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配口述回答：…RAG 和 GraphRAG 都部署上，查询时先判断意图，如果问题是具体的就走向量检索，如果是抽象的就走图检索，甚至可以把两者结果融合，比如先用图找相关社区，再用向量在社区内精搜。这里有个坑：GraphRAG 的索引成本很高，因为每一步都要调 LLM，而且图谱质量完全依赖抽取效果。如果文档噪声大、实体识别不准，后面的社区划分和摘要都会跟着错。常见的失败场景是社区粒度没调好，太粗了摘要笼统，太细了又退化回局部检索。上线前我会特别关注两点：一是用一批标注 query 评估社区划…

#字节#知识图谱#GraphRAG 原理

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配口述回答：…做兜底。具体用哪几层，要看场景对事实精度的要求和成本承受力。比如客服场景，RAG 加 Self-Consistency 就够；但金融合同场景，必须加上工具验证。我会把幻觉问题当成一个系统工程，而不是靠单一技术解决。幻觉本质是事实一致性难题，无法根除但要层层防御数据层面：高质量筛选与知识图谱注入，成本高但治本模型架构层面：RAG与约束解码，适合动态知识场景推理策略层面：Self-Consistency与Chain-of-Verification，做最后校验外部工具层面…

#海尔#幻觉治理#大模型幻觉缓解

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配口述回答：…，怎么把这些[[多模态]]信息检索出来并交给模型生成答案。多模态[[RAG]]不是简单把文本RAG换皮，它要解决的是跨模态的对齐和融合。我先说说主流框架。现在用得多的，一个是LlamaIndex，一个是LangChain。LlamaIndex原生就支持图像、PDF和表格解析，它的MultiModalVectorStoreIndex可以直接把图片和文本的向量存到同一个索引里，开箱即用，适合快速验证。LangChain的定位更灵活，它通过Unstructured库或者Multi…

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 淘天

伪 vs 真多模态 RAG 优劣在哪？

匹配口述回答：这道题其实是在问，当我们想让[[RAG]]理解图片的时候，到底是走一条捷径，还是硬着头皮做真正的[[多模态]]融合。说白了，伪多模态就是把图片强行转成文字，再走传统的文本检索；真正多模态呢，是让图片和文本在一个共享的向量空间里去匹配。先讲伪多模态，它的做法很直接：图片进来，先走[[OCR]]提取文字，或者用GPT-4V这种模型生成一段描述，然后把这些文本丢进普通的[[Vector Database]]去检索。它的本质是，输入是多模态的，但检索环节已经退化成了单模态。好处是…

#淘天#多模态#伪多模态RAG

面试题·RAG· 美团

分布漂移下外接数据库怎么增强模型?

匹配追问：…么平衡？直球架构设计一个外接数据库增强模型以应对分布漂移的方案。要求包括：漂移如何检测、知识如何更新（实时/批量）、检索时如何融合多源信息，以及落地中延迟和一致性的挑战怎么解决。

#美团#分布漂移#外接数据库增强

面试题·RAG· 小红书

新用户冷启动：生成式推荐与Embedding

匹配口述回答：…累多了以后，怎么平滑过渡到传统协同过滤？直接切换会不会导致推荐结果断层？这个我还没完全想透，但感觉可以用模型[[蒸馏]]或者渐进式融合来解决。所以整体来看，我会把生成式推荐看作冷启动的加速器，而不是终局方案。它解决了“从0到1”的问题，但“从1到100”还得靠传统模型和用户行为反馈。本质问的是无行为数据怎么推荐生成式模型的语义优势画像引导和热门兜底混合架构与落地风险故意留的延伸点约4分钟生成式推荐在冷启动后如何平滑过渡到传统协同过滤，避免推荐断层面试官可能会…

#小红书#新用户冷启动#生成式推荐

面试题·RAG· 小红书

生成式推荐系统未来怎么发展？

匹配口述回答：…线上A/B测试，先小流量验证，不然生成出离谱内容用户直接流失。其实还有一个有意思的方向是把用户长期兴趣和短期意图解耦，分别建模再融合生成。比如长期兴趣用离线大模型，短期意图用在线小模型，这样既保证个性化又满足实时性。这个解耦的思路在传统推荐里也有，但生成式框架下怎么做，值得深挖。所以整体上，我更倾向于把生成式推荐看成一种补充能力，而不是完全替代传统范式。在内容理解强、延迟容忍度高的场景优先落地，同时用混合架构兜底风险。生成式推荐的本质是范式转变模型架构走向统一生成训…

#小红书#生成式推荐趋势#生成式推荐系统

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配口述回答：…入噪声，得控制节奏。第二步是向量化。模型选型上，通用场景用 BGE 或 M3-Embedding 就够了，但如果是垂直领域比如金融合规，最好在领域语料上微调。这里有三个细节：一是截断长度，超了会丢信息；二是要不要加指令前缀，比如「Represent this sentence for retrieval」，加了能提升检索精度，但不同模型要求不一样；三是动态更新，如果用户反馈回流，可以做对比学习微调，让 Embedding 更贴合当前业务。第三步是向量检索。索引结构我常用 …

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…前再做去重、压缩、冲突处理和引用组织。这里没有哪个模块默认该上。比如正确文档没进候选，先修覆盖和召回；候选已有答案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。 Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评…

#淘天#重排与优化#Naive RAG