匹配口述回答：…简单查询走缓存，复杂查询走RAG；而风控合同场景，我会更看重精度，哪怕多花点时间。最后，我始终认为RAG不是一个孤立的组件，它和 Prompt 设计、模型选择、甚至微调策略都要协同考虑。 RAG落地本质是检索和生成的权衡检索层的延迟与精度矛盾上下文管理中的信息丢失 Agent决策链的级联错误我的优化思路与取舍约4分钟知识库频繁更新时，增量索引的实时性和一致性平衡，以及双缓冲影子索引的实践面试官可能会追问增量索引的具体实现细节，比如如何处理删除、如何保证查询一致性、…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 百度

工具调用方法怎么选?

匹配口述回答：…。它的优点是透明可解释，容错性强，失败了可以重试，而且不需要特殊训练。但延迟高，token消耗大，需要精心设计 [[System Prompt]] 来约束行为。第三种是通用Tool Use，像 [[Toolformer]] 这类方案，模型在生成文本里内嵌特殊标记，比如 [TOOL: calculator] 2+2 [/TOOL]，后处理提取执行。这主要是给开源模型用的，它们没有原生Function Calling能力。好处是不用改模型架构，通过prompt加后处理就能实现。…

#百度#Agent#大模型工具调用

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…Act执行每一步，这样既保证逻辑连贯，又允许动态调整。然后是记忆。记忆分两种：短期记忆就是当前对话的上下文，靠[[System Prompt]]和多轮历史维护；长期记忆是跨会话的知识积累，比如用户的历史偏好或者企业政策，我一般用[[Vector Database]]加[[RAG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，…

← 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

#百度#Agent#Agent 规划记忆工具分工

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：…的最大长度，比如text-embedding-ada-002是8191 tokens，同时留足LLM的上下文空间，chunk大小加prompt加输出，不能超过context window。如果不满足，上线后你会发现长文档检索结果质量波动很大，因为embedding被截断或LLM拿不到完整上下文。还有就是元数据增强。存储chunk的标题、章节、页码，配合[[Rerank]]或过滤，能大幅提升精准度。比如搜索“报销流程”，如果chunk带章节号，可以优先返回对应章节的块。最后…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延迟，大规模知识库下，[[ANN]]检索可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Agentic RAG]]，让模型自主决…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配口述回答：…普通会员说明。把正确文档提到第一位后，如果模型回答正确，主要修 reranker；如果仍然回答固定数值，就要加引用约束、减少噪声、优化 prompt 或换更忠实的模型。最后我会看端到端指标，比如答案正确率、引用准确率、拒答率。因为检索指标提升不一定等于答案提升，必须确认优化真的改善最终回答。核心思路：隔离变量 + 对照实验症状快速分类关键实验：黄金文档替换实际案例：百度智能客服给出可延伸点：检索与生成的耦合问题约4分钟 RAG 错误经常是检索和生成耦合导致的，要…

#百度#评估与监控#RAG 错误定位

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：…模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否受证据支持。但 RAG 有个前提：检索质量必须高。如果检索出来的文档跟问题不相关，或者 chunk 切碎了导致信…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…堆不相关的。生成质量方面，意图识别能帮我过滤检索结果。比如用户问“有什么优缺点”，我优先保留带对比性的文本，而不是一堆基础介绍。Prompt路由也靠它：闲聊场景用宽松的[[System Prompt]]，专业问答得严格引用。还有[[幻觉]]防控，如果意图明显超出知识库范围，比如问“明年双十一满减政策”，系统得直接拒答或触发联网搜索，而不是瞎编。这里有个坑，就是意图识别的精度和召回怎么平衡。如果分类太粗，比如所有问题都走向量检索，召回率可能高但精确度差，生成时容易引入噪音。…

#OPPO#RAG 意图识别#RAG

面试题·模型微调

LLM 标签约束解码

匹配口述回答：…开销。所以总体来看，我会把这个问题看成系统工程，不是靠一个技巧解决，而是分层防御、各司其职。本质是可控生成问题，分层防御思路提示工程做软约束，场景与局限解码约束做硬约束，实现与工程细节后处理兜底，微调强化基础组合策略与风险意识约4分钟大标签集合下，约束解码效率下降，可以用分步解码或分层分类来优化。面试官可能会追问分步解码的具体实现，比如如何保证中间结果不丢失信息，或者聚类标签的粒度怎么定。

#约束解码#标签集合#LLM 标签约束解码

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配正文：… 权威性多源证据等级标注判例效力层级（指导案例>参考案例）风险管控风险提示+人工复核触发执业资质校验+边界拒答四、迭代优化闭环线上收集bad case → 归因（检索漏召/排序错位/生成幻觉）→ 针对性补充数据或调整策略

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…。我上线时会特别关注检索的召回率和精确率，用[[混合检索]]，比如[[BM25]]加向量搜索，来提高覆盖率，再配合查询重写、重排来优化。另外，多文档可能超出上下文窗口，这时需要做摘要压缩或分层检索。还有一个坑是模型过度依赖检索内容，或者干脆忽略它，我一般会在训练时加入'无相关信息'的样本，或者调整prompt里检索文档的权重。说到多跳推理，比如需要跨文档关联信息的问题，RAG很容易断链。我最近在看[[Self-RAG]]，让模型自己判断是否需要检索、检索什么，然后反思生成结…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

RAG 怎么提升事实准确性?

匹配口述回答：…化]]、存到[[向量库]]里，这叫索引；然后用户提问时，把问题也向量化，去库里搜最相关的几段，这叫检索；最后把问题和搜到的内容拼成提示词，让大模型基于这些信息来回答，这叫生成。流程不复杂，但真正落地的时候，这里有很多细节。先说边界划分。很多人会问，RAG和微调到底怎么选？我的看法是，它们不是二选一，而是互补。微调适合让模型学会某种风格或格式，比如把输出变成固定模板，但它很难注入新的事实知识，而且成本高、周期长。RAG正好相反，它特别适合知识频繁更新的场景，比如企业内部的SO…

#字节#RAG工作原理#RAG 工作原理

面试题·检索· 美团

RAG 完整工作流程怎么跑?

匹配口述回答：…。这块我觉得是RAG往更鲁棒方向演进的思路。所以我会把RAG看成检索和生成的分治协作：检索阶段容忍噪声保召回，生成阶段靠重排和Prompt约束保精度。如果让我选一个最值得投入的方向，我会优先优化检索质量，因为检索是RAG的天花板，生成只是把天花板之内的东西用好。 RAG本质是检索+生成的分治检索阶段重召回，多路并行与边界重排桥接检索与生成上下文构造与生成中的风险落地权衡与工程师判断约4分钟归因校验的演进方向，从外部规则到模型自判断（Self-RAG）面试官…

#美团#RAG全链路#RAG 工作流程

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：…回来之后，我会加一道 [[重排]]，用一个 [[Cross-Encoder]] 模型重新算一遍相关性，把最相关的3到5条挑出来拼到prompt里，最后丢给LLM生成答案。说到优化，我比较常用的是上下文压缩。检索回来的片段里可能有噪声，直接拼进去会干扰模型。我会先用一个小模型过滤一遍，只保留确实相关的句子。还有一个方向是 [[Self-RAG]]，让模型自己判断要不要检索，如果知识库里没有就直接说不知道，避免 [[Hallucination]]。举个例子，企业SOP合规场景…

#字节#RAG系统实现#RAG 实现

面试题·多模态· 小红书

Stable Diffusion 各版本怎么选?

匹配追问：…et的优势具体体现在哪里？ SDXL-Turbo的蒸馏训练细节和潜在缺陷是什么？如果要在移动端部署文生图，你会选择哪个版本并如何优化？场景切入假设你要做一个电商海报生成的AI工具，用户既想要快速预览图，又要求最终出图质量高、文字清晰。市面上有Stable Diffusion v1、SDXL、SD3、还有Turbo版本，你怎么给业务方推荐？它们到底差在哪儿？层层追问从SD v1到SD3，Stable Diffusion的架构发生了哪些主要变化？……那SDXL的双模型级…

#扩散模型#文生图#UNet架构

面试题·Agent· 美团

多智能体系统核心技术难点

匹配追问：场景切入我看你简历里提到做过外卖调度系统，假设现在有几百个骑手和动态订单，你打算用多智能体架构来优化。那你会怎么设计他们之间的通信和协调？比如骑手发现路况变了，他怎么告诉其他骑手或者派单中心？层层追问多智能体系统你了解吧？如果让你设计一个多智能体协作方案，你最先考虑什么……那通信开销和一致性你怎么平衡……如果任务分解不均衡，智能体能力不匹配，你怎么调整…… 直球架构请从技术原理角度分析多智能体系统的核心难点，包括架构选型（集中、分布、混合）的rationale、数据构…

#美团#Agent#多智能体系统

面试题·Agent· 百度

为何拆解任务给多Agent协作?

匹配口述回答：…代码生成场景，我可以让一个Agent专门写代码，另一个专门做代码审查，第三个负责测试。每个Agent只关心自己的领域，可以针对性地优化提示词和工具集，质量自然更高。故障隔离也很关键，单一Agent如果某个环节出错，整个任务就崩了；多Agent下，一个子任务失败可以重试或降级，不影响其他部分。举个例子，电商客服退款流程。用户发起退款请求，我不会让一个Agent处理全部。我会拆成几个子任务：先由一个意图识别Agent判断用户是退货还是换货，然后一个信息提取Agent从对话中抓取…

#百度#Agent#多Agent架构

面试题·Agent· 蚂蚁

Agent项目经验怎么突出亮点?

匹配口述回答：…解能力面试官可能会追问：Self-Refine具体怎么用？或者你提到理想方式是用模型内化，那有没有尝试过fine-tuning或prompt优化来提升规划准确率？

#蚂蚁#AI Agent 项目经验#大模型业务落地

面试题·Agent· 同花顺

Agent 开发技术栈怎么选?

匹配口述回答：…分与泄漏检查；指标不能只报分类准确率，还要看错工具的风险、参数合法率和端到端任务成功率。若只是 Few-shot、检索工具描述或 Prompt 调优，应如实称为推理侧优化。线上部分我会用一条真实 trace 说明截止时间怎样向子调用传播，哪些错误允许重试，哪些必须立即失败，重试是否使用幂等键，何时熔断或转人工。最后报告版本、硬件、并发、P95/P99、错误率和单请求成本。只有这些证据齐全，技术栈清单才会变成工程经验，而不是框架名词表。这道题本质在问技术选型与落地的权衡先…

#同花顺#Agent#Agent 技术栈

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配口述回答：…果的排名倒数求平均，更偏向首个命中的排序质量。如果MRR低，说明正确答案虽然召回了但排在很后面，生成模型可能压根没用到它，那就需要优化排序。再就是生成层。传统NLP指标像BLEU、ROUGE，在RAG里参考意义有限，因为答案可以措辞不同但意思对。我更关注[[Faithfulness]]，也就是忠实度，说白了就是生成内容有没有被检索文档支持。它与Answer Correctness关注不同问题：忠实于错误资料仍可能不符合现实事实，不能给二者排通用名次。宁可答得少，不能瞎编。比…

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…注的是 Recall@K，就是相关文档有没有被捞回来。很多系统上线后效果不好，一查，问题出在召回率只有百分之六七十，那后面再怎么调prompt都补不回来。具体到业务场景，比方说电商客服处理退款纠纷，用户的订单号和退款原因五花八门，纯向量检索可能因为拼写差异漏掉关键记录。这时候我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，先用[[BM25]]兜底高频实体，再靠向量语义召回，这样Recall才能拉上去。再说生成端，核心指标是 [[Faithfulne…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配口述回答：…faithfulness 和答案正确率。这样才能判断问题到底是“没找回来”“排得太后”，还是“找回来了但模型没用好”。如果要落到优化动作上，MRR 低通常说明排序链路有问题，可能是 [[embedding]] 不适合、query 改写不准，或者 reranker 没把真正有用的文档顶上来。这个时候我会先看 TopK 列表，而不是直接改 prompt。 MRR定义：所有查询倒数排名的平均值 RAG首位相关性决定生成质量需配合Recall@K使用实际阈值与注意点约4分钟 …

#百度#评估与监控#MRR 定义

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配追问：…引用？直球架构聊一下RAG的技术细节。你从检索器选型、知识库分层、到生成模型集成，整个链路怎么设计的？比如双路召回、混合排序、Prompt组装这些，具体怎么落地？

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配口述回答：…型看到的上下文质量。第四层是生成器集成。这里不是简单把 TopK 拼进去，而是要做上下文治理：去重、截断、压缩、排序、保留来源。Prompt 里我会明确要求模型基于资料回答，资料不足就说不足，关键结论要带引用。对于低置信检索结果，可以直接拒答或转人工，而不是让模型自由发挥。最后是评估和监控。检索侧看 Recall@K、MRR、NDCG；生成侧看答案正确率、[[忠实度]]、引用准确率；线上还要看延迟、成本、拒答率和用户反馈。没有这层闭环，RAG 很容易变成“感觉效果还行”，…

#美团#RAG工程实现#RAG 系统实现