匹配正文：…ngChain 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链：通过LCEL灵活组合…

#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：… 优先选LangChain 需要调用多个外部工具/API的复杂Agent 工作流涉及条件判断、循环、人工介入审批多模态任务编排（LLM+图像生成+代码执行）优先选LlamaIndex 企业知识库场景：海量文档（10万+）的高效检索需要精细控制检索策略（分层摘要、知识图谱增强）数据源多样且需要自动化解析（非结构化+半结构化混合）实际趋势生产环境中两者常组合使用：LlamaIndex负责数据层（索引+检索），LangChain负责应用层（Agent编排+工具调用）。L…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·模型微调· 美团

RAG 深度与局限怎么破?

← 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

匹配正文：…制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排…

#美团#RAG 局限性#RAG 优化方向

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配口述回答：这道题其实是在问，当你面对一个大模型时，怎么用提示词让它稳定、高效地完成你想要的输出。本质上，这是人和模型之间的沟通问题。我会从几个层次来讲：先是基础技巧，再是推理增强，然后是[[Agent]]模式，最后聊聊怎么选型和落地风险。先说基础技巧。最简单的就是 [[Zero-shot]]，直接给指令，比如“把这段翻译成英文”。它适合特别明确、不需要额外示例的任务，比如格式转换、简单分类。但一旦任务复杂一点，效果就不稳定了。所以更常用的是 [[Few-shot]]，给两三个例子，模…

#小红书#提示工程方法#Prompt 技术

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…ed RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone），可叠加倒排索引做混合检索 2. 检索阶段（在线） Q…

#字节#RAG应用场景#RAG 技术实现

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…AG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景下，RAG一次检索不够，需要Agent化，但Agent化有延迟和可控性风险。面试官可能会追问Agent化RAG的具体实现细节，比如ReAct循环如何设计、如何避免死循环、工具调用错误怎么处理。

#小红书#RAG局限性#RAG 局限性