匹配正文：…等任务中验证有效核心思想 ReAct = Reasoning + Acting，打破"先推理后行动"或"只行动不推理"的局限，让LLM在推理→行动→观察→再推理的循环中动态解决复杂任务。工作流程 Thought 1: 我需要先搜索X的信息 ↓ Action 1: Search[X] ↓ Observation 1: 返回结果... ↓ Thought 2: 基于观察，我还需要查询Y ↓ Action 2: Lookup[Y] ↓ ...循环直到得出最终答案三个关键元素：…

#美团#Agent#ReAct 框架

面试题·Prompt· 阿里

Prompt 性能上限评估指标

匹配题目：在大模型应用中，如何评估一个Prompt已达到性能上限？有哪些定量或定性的指标可以用来判断Prompt是否已经最优？

#阿里#Prompt工程#评估与监控

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化…

← 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

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 小红书

生成式推荐系统未来怎么发展？

匹配正文：…成式逐token解码 vs 推荐系统毫秒级延迟要求优化方向：投机采样（Speculative Decoding）：小模型草稿+大模型验证提前退出：置信度达标时终止生成缓存复用：用户长期兴趣KV Cache持久化 4. 应用场景：多模态生成推荐小红书特有优势：图文/视频内容可直接作为生成目标演进方向：从"推荐现有笔记"到生成个性化内容摘要、组合生成穿搭方案等关键挑战挑战应对思路 ID空间巨大采用语义ID或分层编码实时性要求边缘部署+云端大模型协同多样性…

#小红书#生成式推荐趋势#生成式推荐系统

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…Cross-encoder（如bge-reranker）精排，领域数据微调；法律场景加入引用频率和时效性作为手工特征查询改写：用LLM做Query2Doc扩展，医疗场景做症状标准化对齐四、生成融合：上下文组装与约束上下文压缩：用LLM对检索片段做摘要，控制token数引用锚定：强制生成时标注来源片段ID，法律场景需输出"依据《XX法》第X条" 后处理校验：领域规则引擎过滤（如药物禁忌冲突检测）五、端到端优化评估体系：检索用Recall@K，生成用答案相关性和事实准…

#字节#重排与优化#RAG 链路优化

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：… 上下文组装（按时间序/相关度融合）关键优化分块策略：256-512 tokens为甜蜜点，重叠滑动窗口防断句查询改写：利用LLM扩展同义表达，缓解query-doc语义鸿沟反馈闭环：记录"检索→使用→任务成功"链路，强化正例embedding 四、实战提升召回效果问题措施长对话上下文丢失引入摘要记忆（hierarchical memory）：短期raw对话 + 长期summarized记忆多轮指代消解失败检索时拼接历史3-5轮作为expanded que…

#高德#重排与优化#文档处理

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…，约束生成上下文拼接、引用标注、多文档融合策略三大优势的技术机制 1. 事实准确性提升机制：检索结果为生成提供"事实锚点"，LLM从参数记忆转向上下文引用效果：可追溯来源，降低事实性错误 2. 动态知识更新机制：知识库与模型解耦，新文档入库即可生效，无需重新训练场景：金融政策、产品手册等高频更新场景 3. 幻觉缓解机制：检索上下文约束生成空间，减少模型"自由发挥" 局限：检索失败时仍可能幻觉（需结合拒答策略）典型应用场景企业知识库：对接内部文档，解决大模型无…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…景）时效性标记：标注法律废止/修订状态，设置失效预警分块策略多粒度索引：原文段落（粗粒度）+ 法条拆解（细粒度）+ 问答对（应用层）语义完整性：按条款边界切分，避免"第X条"跨块断裂二、检索优化混合检索方式实现适用场景稠密向量领域微调Embedding（如法律BERT）语义相似、概念匹配稀疏向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配题目：请详细说明您在大模型项目中应用RAG（检索增强生成）的技术细节，包括检索器设计、知识库构建以及与生成模型的集成方式。

#美团#知识库构建#RAG 检索器设计

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配题目：在选择向量数据库用于大模型应用（如RAG）时，应综合考虑哪些关键因素？例如性能、可扩展性、支持的索引类型、集成难度等。

#京东#向量检索#向量数据库选型

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配题目：在大模型RAG应用中，请描述构建近似最近邻(ANN)索引的完整流程和关键技术选择

#拼多多#ANN索引构建#ANN 索引构建

面试题·RLHF与对齐· 美团

Environment-based 训练怎么用?

匹配追问：如果模拟环境与真实环境存在较大gap，如何解决sim-to-real transfer问题？在LLM的RLHF中，为什么通常不用真实环境交互，而是用偏好数据集进行离线训练？场景切入假设我们在做外卖订单调度系统，骑手实时接单、送餐，环境不断变化，你会怎么训练一个调度策略？是让它在仿真环境里跟模拟骑手交互迭代，还是直接拿历史订单数据离线学？层层追问强化学习里，智能体是怎么学会做决策的？……那它怎么获得训练数据？……如果数据是跟环境实时交互得来的，跟用预先录好的数据训练有…

#环境交互训练#在线学习#模拟器训练

面试题·Agent· 腾讯

Agent 核心定义与关键能力

匹配追问：…。你设计的系统是会直接调用API，还是得先理解上下文再执行？这背后其实就涉及Agent和传统模型的一个核心区别。层层追问你觉得大模型在应用中最大的局限是什么？……如果它不能调用外部工具，很多事就做不了，对吧？……那除了工具调用，一个真正的智能体还需要哪些能力才能自主完成复杂任务？比如规划、记忆什么的。直球架构请用一句话定义智能体Agent，并说明它相比传统大模型需要哪些额外的关键能力和架构特征。重点讲清工具调用、规划、记忆和交互闭环这几个点。

#腾讯#Agent#Agent 定义

面试题·Agent· 快手

Agent 系统实现流程与核心组件

匹配追问：…后根据结果决定下一步动作。你来说说这种Agent从收到消息到最终回复，整个流程是怎么串起来的？核心组件有哪些？层层追问你平时做大模型应用，怎么让模型自己去调用外部工具？……那如果任务比较复杂，比如要查好几个数据源再汇总，模型怎么一步步规划步骤？……再进一步，它怎么记住之前查过的信息，避免重复查询？直球架构请画出大模型Agent系统的整体架构图，详细说明任务规划、工具调用和记忆管理这三个核心模块的设计思路和交互流程，包括短期记忆和长期记忆如何区分、ReAct模式怎么落地…

#快手#Agent#Agent 系统实现

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：… 边界划分与策略选择：固定长度 vs 语义分块，递归分块+重叠是起步标配业务场景举例：企业合规文档检索，段落边界和重叠策略的实际应用落地风险与前提：embedding长度限制、LLM上下文窗口、评估驱动迭代工程师判断收尾：倾向递归分块起步，根据bad case逐步优化约4分钟 chunk之间的语义关联问题，比如定义和引用跨块，用Parent Document方式有上下文窗口压力，可考虑结合知识图谱。面试官可能追问如何解决跨块语义关联，或对比Parent Docume…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 百度

RAG 分块参数调优

匹配正文：…用于PDF、Markdown、HTML等结构化文档关键考虑因素因素建议块大小需结合Embedding输入限制、文档结构和LLM上下文预算提出候选重叠（Overlap）比较零重叠、短窗口与较长窗口，用同一评测集验证边界证据完整性边界对齐优先在句号、换行处切割，避免截断句子元数据保留记录来源位置、标题等，用于重排序和答案溯源实践选型建议通用文档：递归分块 + 适度重叠，平衡效果与成本问答场景：比较多组粒度与重叠窗口，联合验证命中率和证据完整性长文摘要…

#百度#RAG 分块参数调优#RAG 分块大小和 overlap 怎么调？指标与实验方法

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配口述回答：…代码有 bug，或者运行环境不兼容。所以 Coding 模块不能只生成代码，还要能捕获错误并自动迭代修复，比如把报错信息重新喂给 LLM，让它修改。另外，安全性也是个风险点，如果 Agent 能执行任意代码，那权限控制必须到位，比如限制在沙箱里运行，不能访问系统文件。然后是 GUI。这个模块负责视觉交互，比如操作网页、桌面应用。输入是屏幕截图或界面元素描述，输出是操作序列，比如点击坐标或元素 ID。举个例子，用户说“帮我把这个网页的表格导出成 Excel”，Agent 就需…

#美团#评估与监控#Agent

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配题目：在哪些应用场景下更适合使用GraphRAG而非传统RAG？GraphRAG相比传统基于向量检索的RAG有哪些核心优势和适用条件？

#腾讯#知识图谱#GraphRAG vs RAG

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配题目：请详细介绍提示工程的主要方法和技术，并说明它们各自的应用场景和优缺点。

#小红书#提示工程方法#Prompt 技术

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…过时这三个问题。我下面从架构、检索、生成、更新四个维度讲一下我的设计思路。先说整体架构。我一般会分四层：数据层、检索层、生成层、应用层。数据层不只是存文档，还包括用户交互日志，用来做后续的反馈闭环。检索层我坚持[[混合检索]]，不只用向量。生成层核心是让模型学会说「我不知道」，而不是瞎编。应用层负责权限、审核、对话管理。检索模块我重点讲。很多人一上来就用 Hybrid Search，但它的前提是你的标注数据够好，不然权重调不准。我的做法是：先做多路召回，向量检索和 [[B…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配口述回答：…掉那些低相关的。这招效果很稳，但计算成本高，一般只对 top 几十的候选做，不会全量做。还有一种做法是上下文压缩，用个小模型或者 LLM 对长文档做摘要，减少噪声信息占比。举个例子，企业 SOP 合规场景，文档里可能夹杂了历史版本说明和废弃流程，压缩之后只保留当前有效条款，生成准确率明显提升。再一个，我比较推荐搞 [[混合检索]]，就是向量检索加 [[BM25]] 关键词检索，甚至接[[知识图谱]]，多路召回之后做加权融合。这样能避免单一检索方式被噪声带偏。比如向量检索容易…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配题目：…型将查询和文档映射到向量空间，并结合相似度计算方法（如余弦相似度）实现相关文档的高效语义召回，要求阐述技术流程、关键组件作用及实际应用中的优化考量。

#字节#向量语义召回#Embedding 语义召回

面试题·Prompt· 哔哩哔哩

CoT 思维链由哪些部分构成?

匹配口述回答：这道题问的是[[思维链]]的核心构成，其实本质上是问：我们怎么让大模型从直接蹦答案，变成一步一步推理。说白了，CoT就是给模型搭一个显式的推理脚手架，让它把思考过程写出来。它的核心组成其实很简单，就三块：问题理解、中间推理步骤、最终结论。但我觉得真正重要的是中间那块，它不是随便写几个步骤就行，而是每一步都要依赖前一步的输出，形成一条因果链。举个例子，问一个农场有15只鸡，兔子比鸡多7只，共有多少条腿？标准提示可能直接给74，但CoT会这么写：鸡有15只，腿数等于15乘2等于…

#b站#Chain-of-Thought 结构#CoT 组成部分