匹配正文：…索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Generation）：将检索结果拼入Prompt→LLM生成答案关键洞察：检索质量决定RAG上限，生成能力决定下限。二、系统架构用户Query → Query理解/改写 → 多路检索（向量+关键词+图谱） ↓ 重排序（Rerank）→ 上下文压缩 → 构建Prompt ↓ LLM生成 + 引用溯源 ← 答案后处理核心组件选型： Embedding：BGE、M3E（中文）、OpenAI te…

#字节#RAG 最佳实践#RAG 技术原理

面试题·Agent

Function Calling 是什么?

匹配正文：答案要点 Function Calling 让大模型能"使用外部工具":查数据、调 API、执行动作模型本身不执行任何代码,它只输出"我想调哪个函数、参数是什么"的结构化 JSON 三步流程:声明工具 schema → 模型出参 → 程序执行后把结果回灌给模型解决了纯文本模型"只会说不会做"、拿不到实时/私有数据的问题是 Agent(智能体)的地基能力核心概念 Function Calling 是一种让大模型以结构化 JSON 的形式"表达调用意图"、由外部程序真正执…

#入门#基础概念#Function Calling

面试题·知识图谱· 字节

知识图谱怎么动态更新?

…D保证，或采用Saga模式补偿关键取舍：强一致性牺牲可用性（如两阶段提交阻塞查询），生产环境通常采用最终一致性+冲突可读策略，让Agent感知到"数据可能过期"并自主处理。学习建议建议系统学习该知识点

← 上一页第 11 / 13 页下一页 →

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：

#字节#知识图谱#Agent

面试题·知识图谱· 字节

向量库 vs 知识库 vs 符号记忆？

匹配题目：在大模型Agent系统中，长期记忆通常采用哪些存储形式和技术方案？请比较向量数据库、结构化知识库和外部符号记忆等方法的优缺点，并说明适用场景。

#字节#Agent#Agent 长期记忆

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配题目：在智能Agent系统中，规划能力是完成复杂多步任务的核心。请系统介绍当前主流的提升大语言模型规划能力的方法，如思维链（CoT）、思维树（ToT）、图思维（GoT）等，深入分析它们的原理、适用场景，并对比各自的优缺点与实际应用中的局限性。

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 阿里

JSON 输出怎么保证稳定可靠?

匹配正文：…rkdown标记、补全缺失括号（regex+启发式） 2. 字段校验：Pydantic校验 → 缺失字段用默认值/重试填充 3. LLM自修复：将错误JSON+错误信息再次输入，请求修正（1次重试上限）成本意识：L3重试触发率应控制在<2%，否则回退到提示词优化实际场景选型场景推荐组合原因实时Agent工具调用 Schema约束 + 轻量后处理延迟敏感，容忍偶发重试批量数据生成 Grammar-based + 完整后处理准确率优先，可并行多租户SaaS 动…

#阿里云#Prompt工程#Agent

面试题·Prompt· 高德

ReAct 核心思想与多步推理优势

匹配正文：…："张三的父亲的妻子是谁" → 需先查"张三父亲"，再查其配偶实时信息：股价、天气等模型训练后变化的数据精确计算：数学运算避免LLM算术错误一句话总结 ReAct把LLM从"闭卷考试"变成"开卷考试+允许使用计算器"——推理负责策略，行动负责获取事实，两者互补解决复杂任务。学习建议建议系统学习该知识点

#高德#Agent#ReAct 框架

面试题·Prompt· 阿里

Prompt优化评估指标有哪些？

匹配正文：核心思路 Agent系统的Prompt优化评估需区分单步效果与端到端链路效果，建立分层评估体系。自动评估指标类型具体指标适用场景规则-based 正则匹配、JSON合法性、工具调用格式正确率结构化输出验证，如Function Calling参数格式模型-based LLM-as-Judge（GPT-4/Claude打分）、NLI entailment 语义正确性、回答相关性，需设计明确评分维度执行反馈任务完成率、步骤数、工具调用成功率、端到端延迟真实业务闭…

#阿里云#Prompt工程#评估与监控

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配追问：场景切入假设我们在做一个智能客服系统，用户问‘帮我查一下上个月的订单’，然后又说‘再帮我退掉其中那件红色的’。这时候模型需要先查订单，再根据结果执行退款。你怎么让模型在思考的同时还能调用工具，并且根据结果调整下一步动作？层层追问你了解大模型Agent的常见范式吗？……比如CoT和直接调用工具各有什么问题？……那有没有一种方式能把推理和行动结合起来，让模型边想边做？……具体是怎么循环的？直球架构讲一下ReAct范式的完整工作流程，包括Thought、Action、Ob…

#商汤科技#Agent#ReAct 范式

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配正文：…以下格式思考并行动： Thought: [你的分析] Action: [工具名, 参数] Observation: [工具返回，由系统自动填充] ...（重复直到解决问题）优势：可解释性：完整轨迹可追溯错误恢复：某步失败可从Thought调整策略动态规划：根据观察实时调整，非固定流程典型应用：LangChain的AgentExecutor、AutoGPT、各类客服/数据分析Agent。

#美团#评估与监控#Agent

面试题·Prompt· 美团

ReAct 如何提升复杂任务？

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· 阶跃星辰

ReAct 各模块输入输出是什么？

匹配正文：…：查询"2024年诺贝尔物理学奖得主的主要贡献" 【Round 1】用户输入: 2024年诺贝尔物理学奖得主的主要贡献是什么？ LLM输出: Thought: 我需要先查询2024年诺贝尔物理学奖得主是谁 Action: search Action Input: {"query": "2024年诺贝尔物理学奖得主"} 系统执行search → Observation: 2024年诺贝尔物理学奖授予John J. Hopfield和Geoffrey E. Hinton，以表彰…

#介跃星辰#Agent#ReAct 工作流程

面试题·Prompt· 字节

Policy 模型错误决策怎么防?

匹配正文：…束阶段：硬规则围栏+输出格式校验+工具调用沙箱监控阶段：实时指标告警+人工审核闭环+快速回滚机制核心思路动态Prompt生成系统的Policy模型本质是Agent的"大脑"，需从训练-验证-约束-监控四层构建安全防线。一、训练阶段：行为对齐 RLHF/Constitutional AI：用人类反馈或宪法原则约束策略，避免有害输出对抗训练：注入噪声输入、边缘案例，提升Policy对异常请求的鲁棒性课程学习：从简单场景逐步过渡到复杂动态生成，稳定收敛二、验证阶段：多…

#字节#Agent#Policy 模型

面试题·RAG· 华为

逻辑引导怎么用？

匹配追问：场景切入假设你做个风控客服系统，用户问“我账户被冻结了”，模型直接答“余额不足”就出错了。你怎么引导它先查日志、再判断原因、最后给解释？层层追问你处理过需要多步推理的任务吗？……比如数学题，模型容易跳步骤出错，怎么让它按逻辑走？……那要是用在agent决策场景呢？怎么保证它思考-行动-观察不跳步？直球架构说下大模型推理时为什么需要逻辑引导？在哪些情况下必须用？具体有哪些实现方式，比如结构化prompt或输出约束，相比自由生成有什么优势？

#华为#逻辑推理引导#逻辑引导

面试题·检索· 快手

RAG 延迟与准确率优化

匹配口述回答：…既有长文本又有精确字段的场景；但如果你的知识库全是结构化表格，那不如直接用[[Knowledge Graph]]配合NL2SQL。Agent规划阶段用轻量模型，执行阶段再上大模型，也是类似思路，不同环节用不同工具，别一把抓。落地时有个常见失败场景：你辛辛苦苦把优化全上了，结果用户问的问题太简单，比如“你好”，系统却走了一遍完整检索加推理，延迟白白浪费。所以上线前我会特别关注query分类，简单问题直接命中缓存或走轻量模型，复杂问题才走全链路。另外，我最近在关注[[Agen…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答二、关键技术组件组件作用常用方案 Embedding模型语义编码 BGE-large、GTE、OpenAI text-embedding 向量数据库高效相似度搜索 Milvus、Weaviate、PGVector Reranker 精排提升准确率 BGE-Reranker、Cohere Rerank 分…

#百度#RAG技术架构#RAG 工作流程

面经·项目面试

SFT 样本有答案，训练目标却可能被截掉

匹配正文：…台上发现完整答案落在长度挡板之外日志里的0，从哪里来？ SFT让模型学习给定上下文中的示范回答。对于多轮对话，输入里可能同时放着系统说明、用户问题和assistant回答，训练时需要区分哪些位置承载上下文，哪些位置作为学习目标。这里承担标记职责的是loss_mask。在这份训练包的多轮数据集中，每条消息先经过聊天模板处理。assistant消息对应的掩码先置为1，再把回答开头的生成提示部分置为0；其他角色的消息置为0。各条消息的编号、掩码和注意力标记随后拼接，形成同一条序…

#SFT#数据处理#截断

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…漂移指标和回归看板发布门禁、阻断条件与灰度观察记录门禁失败后的版本回退和评测恢复记录下一步：extension。配套学习：大模型应用怎么保障可靠性?。 11. extension · extension 如果业务新增多语言和多租户，怎样保持不同切片可比，同时避免客户数据进入错误评测集？考察重点：测试约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：Agent 如何防越权与隐私泄露?。评分与复盘 dimen…

#模拟面试#简历项目#连续追问

求职指南·RAG

多轮对话、引用与权限隔离项目模拟面试

匹配正文：…上的旧方案结果多轮、错引、越权和权限变更样本的版本记录租户、用户和文档级权限对抗测试证据下一步：failure。配套学习：大模型输出怎么做真实性验证?、Agent 如何防越权与隐私泄露?。 7. failure · failure 给出一次指代错误、引用错页或跨租户召回的失败链路，系统在哪里发现并阻断？考察重点：确认候选人见过方案边界，并能完成证据驱动的失败复盘。可复现的输入、链路证据和错误输出根因验证与修复后的固定样本回归需要追加追问时：failure_ca…

#模拟面试#简历项目#连续追问

项目实战·RAG

第 8 章:多轮对话与记忆管理

匹配正文：…ory = [] # [(用户问, 助手答), ...] self.summary = "" # 挤出窗口的旧对话,压成摘要(真实系统用 LLM 概括) def add(self, user, bot): self.history.append((user, bot)) # 新一轮先进历史 while len(self.history) > self.window: # 超出窗口 → 最旧一轮挤出 old_user, _ = self.history.pop(0) self.…

#RAG#检索#项目实战

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…始卡点 RAG 项目怎么改反馈结果可借鉴点 211 金融本硕跨专业有金融知识,但没有大模型项目做金融知识库问答和智能风控 Agent,把业务知识转成文档检索、规则解释和风险判断链路拿到蚂蚁金融大模型算法岗 offer 行业背景要落到文档、规则、问答和评估上,不要只写"懂金融" 985 控制本硕,原 Java 后端方向简单后端项目和目标岗位不匹配用金融业务场景重做 RAG 项目,补检索、引用、评估和服务化表达拿到金融行业相关双 offer 后端项目要换成模型系统…

#求职#职业转型

求职指南·求职

要不要做微调 / Post-Train 项目,轻量版怎么做

匹配正文：…题库,把概念和取舍题过一遍就够。决定做一个轻量微调:按本页的"最小证据链"五环走,重点补上评估和收益说明两环。想看训练在真实 Agent 项目里怎么用:读 Deep Research 的训练章,理解 Post-Train 在系统里的位置。主线其实该放在 RAG/Agent:回去先把怎么做一个 RAG 项目或怎么做一个 Agent 项目做透。常见问题转大模型应用开发,必须做微调项目吗? 不必须。多数应用开发岗(RAG/Agent 工程)看重的是你知不知道何时该…

#求职#职业转型

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：大模型面试里最能分辨真假的环节,就是项目深挖。面试官不会随机提问,而是顺着一条几乎固定的追问链,从"你解决的是什么业务问题"一路问到评估、badcase 和上线成本,哪一环你只有话术、没有证据,他就在哪一环停下判你"水"。所以准备项目不是把讲法背顺,而是提前把这条链上的每一环都补一条"问题+方案+取舍+数字"。这一篇拆开 RAG 和 Agent 两条最常被追的链,逐环告诉你面试官想验证什么、你该怎么带着证据答。作者:吴师兄 | 适合:项目主线能讲顺、但被往深追第二层就卡住的…

#求职#职业转型

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