匹配正文：…. 多跳推理任务阅读理解中需要整合多个文档信息因果链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性逐步生成中间状态。示例对比（数学应用题）：方式输入输出标准Prompt "小明有5个苹果，给了小红…

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配正文：…cy 多次采样取多数投票高确定性要求的推理任务 ReAct Thought → Action → Observation 循环 Agent工具调用场景三、RAG与Agent中的差异化设计 RAG场景【系统指令】你是领域专家，严格基于提供的参考资料回答。【参考资料】{retrieved_docs} 【约束】若资料不足，明确告知"根据现有信息无法确定"，禁止编造。 Agent场景工具描述：用Function Schema精确定义参数和返回值状态管理：在Prompt中维…

#阿里#Prompt工程#Agent

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：…理、多步骤决策局限：简单任务可能过度思考，增加延迟和成本 Tree-of-Thoughts (ToT) 让模型生成多个候选思路，评估后选择最优路径场景：创意写作、策略规划、需要探索的复杂问题代价：需要多次采样，推理成本显著增加三、Agent与工具增强 ReAct (Reasoning + Acting) 交替进行思考→行动→观察，直到完成任务场景：需要调用外部工具（搜索、计算、数据库）的动态任务小红书场景：结合笔记搜索API做个性化推荐，实时获取用户画像数据 Fu…

← 上一页第 10 / 10 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#小红书#提示工程方法#Prompt 技术

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…词匹配（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：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·RLHF与对齐· 美团

长视界任务怎么结合环境训练?

匹配正文：…器偏差，不能用一个组件包办。四类互补策略分层强化学习：高层按较长时间尺度选择 option/子目标，低层执行原子动作；高层奖励评估子目标进度，低层奖励评估局部控制。关键是子目标可达、option 终止条件和层间非平稳。课程学习：从较短任务、较少约束或较小环境开始，达到基于成功率、约束满足率和泛化集表现的门槛后提升难度；不能只看训练 loss。奖励塑形：优先使用 potential-based shaping：F(s,a,s')=γΦ(s')-Φ(s)，在相应条件下保持…

#分层强化学习#课程学习#奖励塑形

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配口述回答：…、业务价值和成长空间上。这道题本质是考察候选人对团队和业务的理解深度从技术方向、团队协作、个人成长三个维度展开重点讲RAG与Agent结合的技术探索及落地瓶颈可继续讨论推理成本优化总结：问问题要体现解决问题的心态约4分钟通过蒸馏小模型降低推理成本，同时大模型作为兜底，但前提是离线数据要覆盖长尾case 面试官可能会追问蒸馏的具体做法、小模型如何评估置信度、以及长尾case的覆盖策略

#面试技巧#职业规划#团队文化

面试题·RLHF与对齐· 美团

Long Horizon 训练环境怎么搭?

匹配正文：长视野环境的四层设计 1. 状态与观测定义真实状态、Agent 可见观测、动作、终止与截断条件。部分可观测时，允许策略使用历史、RNN/Transformer memory 或 belief state；记录随机种子与环境版本。 2. 奖励与信用分配先保留与最终任务一致的终局奖励，再谨慎加入势函数式 shaping 或可验证里程碑。提高近期奖励权重会改变优化目标，不能当作长期信用的标准修复。可按任务选择 n-step return、GAE、层级价值、return deco…

#Long Horizon RL#奖励塑形#课程学习

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配口述回答：…分块长度怎么选：短块适合事实查询，长块适合推理总结重叠策略：缓解边界丢失，但增加冗余语义完整性：边界检测与主题分割落地风险与评估约2分钟用Agent动态决定分块策略，但实现复杂且影响延迟，目前只在离线场景尝试过。面试官可能会追问Agent决策的具体实现、离线场景如何评估效果、以及在线部署的延迟优化方案。

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配口述回答：…s 非结构化的取舍知识结构化建模：实体关系抽取与归一化，解决指代歧义语义关联发现：多跳路径检索，例子：李彦宏→百度→文心一言→Agent 上下文连贯性：社区检测聚合，避免信息孤岛复杂推理能力：显式推理链与聚合查询，风险：图构建成本约4分钟 GraphRAG的图构建质量直接影响效果，常见失败场景是实体别名多或关系定义不统一导致图稀疏混乱面试官可能会追问：如何评估图构建的质量？或者有没有自动化的图质量校验方法？

#百度#知识图谱#GraphRAG 优势

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…在问检索和生成之间的耦合度是怎么演进的。我理解RAG不是一种固定的架构，它从最早的简单拼接，到后来加各种优化，再到最近模块化、[[Agent]]化，其实是检索和生成从硬耦合走向解耦的过程。先说最早的一代，[[Naive RAG]]。它的流程很简单：离线把文档切成块、做 [[Embedding]] 存进 [[Vector Database]]，用户提问时检索出最相关的几个块，直接拼到Prompt里交给LLM生成。这个架构最大的问题是检索和生成是硬耦合的，一次检索结果就决定了输…

#淘天#RAG架构分类#RAG 分类

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：…arch成本高且可能跑偏我的判断：RAG是基础，Deep Research是进阶，实际常结合使用约4分钟现在有趋势把RAG和Agent结合，比如Agentic RAG，让模型根据初步检索结果动态决定下一步是继续搜还是直接回答，这个方向的关键是平衡成本和准确性。面试官可能会追问Agentic RAG的具体实现，比如如何设计路由逻辑、如何控制检索轮数、如何评估召回质量与成本的关系。

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…么情况下该调用什么。所以我的总结是：RAG是个好工具，但不是 silver bullet。我更倾向把它看成知识外挂，需要和微调、Agent配合使用。上线前我会特别关注检索的召回率和生成的事实一致性，用 [[RAGAS]] 这类框架做评估，不达标的场景宁可降级也不让模型瞎答。一句话定位：RAG的本质是低成本知识外挂检索质量的坑与混合检索改进生成阶段的割裂与Self-RAG方案边界划分：RAG vs 微调 vs Agent 落地风险与工程师取舍约4分钟复杂多跳推理场…

#小红书#RAG局限性#RAG 局限性

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…决的是知识来源问题，但推理能力、上下文管理这些仍然需要模型本身的改进和工程上的精细调优。我更倾向根据业务场景，把RAG和微调、[[Agent]]这些方案组合起来用，而不是指望一个方案包打天下。本质是给大模型外挂知识库核心流程：检索+生成，关键在检索质量 RAG适合事实精度场景，纯模型适合创意场景落地风险：检索失败、上下文管理、多跳推理我的取舍：RAG是基础能力，不是银弹约4分钟 RAG在多跳推理场景容易断链，Self-RAG通过让模型自己决定是否检索和反思来缓解，但…

#淘天#阿里#RAG 架构

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…量要够好，如果文档本身就有错，RAG只会放大错误。常见失败场景是切分破坏了上下文，导致模型答非所问。所以上线前我会特别关注召回率的评估，用一套标准query跑一遍，看Recall@K有没有达标。如果召回率低，我会先调切分策略或者换Embedding模型。所以我的判断是，RAG不是万能的，它最适合知识库相对静态、答案有明确来源的场景，比如客服、合规、产品文档。如果知识库频繁变动，或者问题需要多步推理，那可能要上 [[Agent]] 或者 [[ReAct]] 方案。我更倾向把R…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…题：知识库如果一天一更新，用户问“今天有什么优惠”，模型还是拿昨天的政策回答。所以对于高频变化的数据，比如库存、价格，我会用 [[Agent]] 配合 [[Function Calling]] 实时查数据库，而不是走静态索引。还要看查询改写成本：用户 query 经常很短或者有歧义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引…

#美团#RAG架构#RAG 系统架构