匹配正文：…取决于数据与优化启用adapter同样有回归风险；可停用未合并adapter与原基座对照决策建议先固定任务、训练token与评测集，以LoRA建立低成本基线，并调rank、学习率与挂载模块。基线不达标时，分别检查数据、优化和可训练容量，再与全参微调对照；样本几千或百万不是通用分界。 LoRA便于共享基座并按需加载小adapter；全参也能多任务训练或部署多个checkpoint，只是参数存储与切换成本不同。入门之后,可以继续深入 QLoRA(量化 + LoRA 进一…

#入门#基础概念#LoRA微调

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…更新、实体解析和质量控制成本更高。向量检索也能通过多查询、迭代检索或层次索引处理复杂问题，因此不能把它限定为“单点事实”。 4. 评测分别评估实体/关系准确率、证据 Recall@K、路径或社区命中、答案正确性、Faithfulness、构建成本和更新延迟，并与向量 RAG 及混合方案做同集对照。结论：GraphRAG 是对证据组织和检索方式的扩展，是否优于向量检索取决于查询类型、图质量和端到端评测。图解 GraphRAG 原理与构建方法图解

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…检索，处理复杂多跳推理 Self-RAG：模型自主判断是否需要检索，避免过度检索实际落地时，检索质量决定RAG上限，建议先做检索评测（Recall@K）再优化生成。

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配正文：…。跨不同请求复用视觉 KV Cache 只有在前缀完全兼容且实现明确支持时才安全。为补充视觉调用设置预算、超时和降级路径。 4. 评测分别评估感知准确率、OCR/定位质量、观察覆盖率、答案正确性、视觉忠实度、拒答质量、延迟和成本；同时保留端到端 bad case，区分感知错、信息传递丢失和文本推理错。图解弱多模态+强文本模型怎么协同?图解

#美团#多模态#Agent

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：…与延迟：视觉Encoder计算重、图片token占用长上下文 → 权衡用截图缩略图或分层检索评估困难：多模态答案的正确性难以自动评测 → 需构建多模态评测集实际落地中，建议先做文档类型路由（纯文本走轻量链路，复杂文档走多模态链路），逐步迭代。

#小鹏#多模态#RAG 表格处理

面试题·Prompt· 字节

Agent架构设计原则？

匹配正文：…终态，再决定哪些步骤由确定性代码执行，哪些步骤需要模型做语义判断。常见组件可以归为输入与上下文、决策与编排、工具网关、状态与记忆、评测与可观测性；它们不一定各自成为独立服务。一条受控执行链服务端认证用户，并按角色、对象和当前状态筛选可见数据与工具；模型基于当前任务状态提出 respond、tool_call、ask_confirmation 或 stop 候选；服务端重新校验 schema、对象归属、业务规则、预算和幂等键；工具在超时、限流和副作用边界内执行，返回结…

#字节#Prompt工程#Agent

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：真实性边界问题要求说明“使用过”的技巧和实际效果，因此只能填写真实任务、模型、Prompt 版本和评测结果。法务、客服等场景若未实际参与，只能作为明确标注的教学假设，不能写成个人业绩。回答框架任务：真实输入输出、风险、失败类型和评价指标。技巧：说明实际采用角色/边界、上下文分隔、Few-shot、检索增强、工具 schema、结构化输出或结果校验中的哪些。机制：解释每项技巧针对哪个可观察错误，而不是罗列名词。实验：固定模型、数据与解码参数，对 Prompt 版本做…

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配正文：… 这类题既考查 Prompt 机制，也会核验候选人是否真的做过迭代。先讲可复用原则，再用本人可核验的 bad case、版本记录和评测结果补充；不能把下面的教学框架直接说成个人经历。核心设计框架可以从任务、上下文、约束、输出契约四层分析：【任务】目标、输入和成功条件是什么【上下文】只提供完成任务所需的事实与工具结果【约束】权限、拒答、引用和不确定性边界【输出契约】Schema、字段含义及校验失败后的处理关键优化顺序先建立固定评测集和 bad case 分类，再…

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 阿里

Agent Prompt优化评估指标

匹配正文：…n/Observation各环节链路验证：端到端真实任务流对抗测试：构造易混淆、易循环的边界case 常见陷阱避免在训练集上评测导致过拟合警惕"指标提升但实际体验下降"的虚假优化多轮交互需评估状态漂移累积效应学习建议建议系统学习该知识点

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…本管理：用Git管理Prompt模板，记录变更与效果动态组装：按场景拼接System/User/Context模块，避免硬编码评测闭环：建立Prompt-level的单元测试（输入变体→输出断言）学习建议掌握Prompt基本结构，结合实例练习少样本学习与思维链技巧，理解其在RAG和Agent中的应用逻辑。

#阿里#Prompt工程#Agent

面试题·Prompt· 百度

RAG 改写与 Prompt 链路

匹配正文：…M调用查询分解多跳问题准确率提升延迟×N，需并行化长上下文重排序答案相关性提升受限于模型长度实际落地中，建议先做离线评测确定改写策略的收益，再逐步上线；提示词用A/B测试验证不同指令模板的效果。

#百度#小鹏#美团

面试题·Prompt· 蚂蚁

AI Agent 项目实战经验

匹配正文：…样本和窗口【】，副作用【】，失败案例【】。证据自检应能解释工具 schema、状态迁移、权限检查、一条 trace、一次故障、评测集和个人提交。金额、阈值和工具数量必须有真实配置；没有上线就明确原型范围。追问入口可继续追问工具选择错误、状态冲突、幂等、敏感操作、缓存一致性、人工接管、成本上限，以及单 Agent 拆成多 Agent 的依据。

#蚂蚁#Agent#AI Agent 项目

面试题·Prompt· 百度

意图识别 Prompt 如何设计与校准？

匹配正文：…，避免询问已经提供的信息或不必要的敏感数据。低风险、可撤销操作可以先执行安全部分；高风险动作在意图与槽位明确、权限通过后再执行。评测和发布报告 macro/micro F1、每类 precision/recall、混淆矩阵、unknown 检出、槽位准确、澄清率与澄清后的任务完成，并按语言、对话长度、渠道和新意图切片。冻结模型、Prompt、taxonomy 和数据版本。新 Prompt 先回放已知混淆与注入样本，再影子/灰度。线上新表达先进入待标注队列，核验后更新开发…

#Prompt#意图识别#分类体系

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配正文：…调整计划；但它也会增加延迟、成本、循环和提示注入风险。是否提高任务完成率或降低幻觉必须在目标任务上与单次调用、固定工作流等基线对照评测，不能宣称必然显著更好。结论：ReAct 是“决策—行动—观察”的有界反馈循环，可靠性来自真实工具结果、状态控制和安全边界。图解 ReAct 架构原理与失败场景图解

#字节#百度#Agent

面试题·Prompt· 字节

Agent任务规划:分解与ReAct机制

匹配正文：…级；真正执行退款属于有副作用动作，必须经过规则校验和用户/人工确认。每一步保存结构化状态，避免模型凭对话文本猜测已经执行的动作。评测构造正常、缺参、超时、重复请求、冲突状态和越权样本，测任务成功率、规划合法率、工具参数合法率、重复副作用、人工接管率、延迟和成本。

#字节#Agent#Agent 任务规划

面试题·RAG· 蚂蚁

增量式向量索引怎么更新?

匹配正文：…：Base 加 Delta 提供准实时可见性，版本化删除和影子索引负责一致性，是否原地更新、何时重建以及性能目标都必须按具体引擎和评测结果决定。图解增量式向量索引怎么更新?图解

#蚂蚁#增量式向量索引#向量索引更新

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late interaction、多向量索引提升细粒度匹配稀疏-稠密混合：BM25关键词 + Dense向…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· OPPO

搜索排序中时效性特征量化方法

匹配正文：…-λ·Δt) 新闻、热点，衰减快 Sigmoid衰减 score = 1/(1+e^(k(Δt-t₀))) 有一定保鲜期的内容（如评测）周期性特征提取小时、星期、是否节假日捕捉周期性用户行为 2. 相对时效性（意图感知） Query时效性分类：用模型判断query是否含时效意图（如"最新"、"2024"）动态权重融合：final_score = α(t)·时效分 + (1-α(t))·相关分，其中α根据意图强度动态调整 3. 行业特例手机/数码：发布会前后7天权重陡…

#OPPO#时间衰减#时效性特征设计

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…需GraphRAG）噪声干扰：检索到相关但误导性的内容，导致生成错误实际落地中，RAG的瓶颈往往在检索质量而非生成，需持续建设评测体系和Badcase分析。

#百度#RAG核心组件#RAG 技术原理

面试题·RAG· 百度

RAG 项目指标化复盘

匹配正文：…场景与目标：用户问题、知识来源、更新频率、权限、主指标和服务预算。个人职责：填写本人实际负责的模块，例如文档、检索、重排、生成、评测、服务或监控，并明确团队依赖。完整链路：采集与解析 → 分块和元数据 → 索引 → 查询处理 → 召回 → 重排 → 上下文 → 生成与引用 → 观测。选型取舍：稀疏/稠密/混合检索、RRF/加权融合、是否重排及参数依据。因果证据：固定评测集上的基线、单变量消融、延迟与成本变化、bad case 和上线边界。事实填空项目服务【真实场景…

#百度#RAG项目复盘#RAG 项目指标化复盘