匹配追问：场景切入假设你做一个金融分析助手，用户说‘帮我分析最近三个月财报，再写个摘要’。这个任务涉及数据查询、计算、写报告好几步，你会怎么设计？如果中间某步错了，后面全崩了怎么办？层层追问你了解智能体系统吗？……它相比普通对话模型有什么好处？……那坏处呢，比如出错、成本、安全方面有什么问题？……你觉得未来它会朝哪个方向发展？直球架构请从架构上分析Agent系统的主要优缺点，并结合当前技术趋势，聊聊它的发展前景和核心挑战。包括稳定性、效率、安全等方面，还有多Agent协作、规…

#字节#评估与监控#Agent

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…提：事实性标注成本很高，否则奖励模型本身会学歪。推理侧优化是性价比最高的。先说解码策略，约束解码强制关键事实来自输入上下文，适合摘要、问答这种输入里就有答案的场景。自我验证是生成后让模型自己检查“这个陈述有依据吗”，可以迭代几轮，但要注意别死循环。多采样投票就是多次采样取一致答案，能降低随机性带来的幻觉，但成本翻倍。举个例子，企业 SOP 查询场景，员工问“报销流程是什么”，我会用 [[Chain-of-Thought]] 让模型一步步推理，每步都引用文档。如果置信度低，…

#海尔#外部知识集成#大模型幻觉

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配口述回答：…权威性、文档版本和更新时间处理，无法判断时把不确定性告诉用户。需要跨文档推理时，要保留实体关系和各步引用，不能压缩成一段失去来源的摘要。文档里即使出现“忽略前文”之类文字，也只能作为数据，不能获得新的工具权限。上线后我会记录证据 ID、版本、排序、截断位置、Prompt 哈希、模型版本和校验结果，让错误能够重放。监控不仅看答案评分，还看引用缺失、无证据作答、冲突处理、权限泄漏、token 与尾延迟。模型或 Prompt 升级前，用冻结候选集回归它利用证据的能力，再做端到端灰…

← 上一页第 11 / 11 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配口述回答：…-shot 示例的价值不在数量，而在覆盖边界。正常、模糊、拒绝和格式异常都要有样本，并且不能让示例泄露评测答案。Query 改写、摘要记忆和长上下文压缩也不是默认开启，要用 bad case 证明它们解决了什么问题，同时记录新增的延迟和信息损失。迭代时先固定评测集，将错误分成事实性、指令遵循、格式、拒答和安全等类型。每次只改有限变量，记录 Prompt、模型和评测集版本，再跑回归测试。结构化输出失败可以有限重试，但重试仍失败时必须进入明确的降级路径。评测集还要包含历史回归样…

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 字节

电商Prompt设计陷阱

匹配口述回答：…G]] 或微调？我的看法是：RAG适合知识密集但不需要模型理解的任务，比如政策问答；微调适合风格固定、输出格式统一的任务，比如评论摘要。但电商场景复杂，往往是混合的。比如商品推荐，既需要实时库存（RAG），又需要个性化风格（微调），我会先用微调让模型学会推荐逻辑，再注入实时数据做 RAG。说白了，没有银弹，落地时我会优先用prompt工程，成本低迭代快，只有prompt搞不定才考虑微调。总结一下，我的核心思路是：用结构化和少样本稳住输出，用规则校验兜住幻觉，用检索压缩控制成…

#字节#Prompt工程#电商 Prompt 设计

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配追问：场景切入假设我们做一个智能客服助手，用户问“帮我查一下上周的订单”，然后系统需要自己规划步骤、调API、摘要结果。你感觉这类系统里该有哪些核心模块？各自管什么事？层层追问一个AI Agent能自主完成任务，你觉得它内部得有几个基本部分？……那它怎么知道先做什么后做什么？……记忆和工具又分别起什么作用？……能不能串起来讲讲它们怎么配合？直球架构请直接说说一个AI Agent系统的核心组件，至少四个，每个组件的功能是什么，以及它们之间的协作流程。

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 字节

Agent任务规划:分解与ReAct机制

匹配口述回答：…。工具返回为空、格式错误、业务拒绝和超时未知要进入不同状态，因为它们的重试策略完全不同。监控层同时看节点和整条任务。节点记录输入摘要、权限结论、工具耗时、重试次数和结果校验；任务层记录当前目标、已完成事实、剩余预算和人工接管原因。线上出现问题时，可以从 trace 恢复到最近的安全检查点，而不是从头执行。若用户中途修改目标，还要判断哪些未执行节点可直接取消，哪些已产生副作用需要补偿。这个机制能回答面试官常追问的两件事：Agent 为什么没有无限循环，以及服务重启或外部系统超…

#字节#Agent#Agent 任务规划

面试题·Prompt· 美团

Agent 四大基础能力详解

匹配口述回答：…款异常处理，风险和取舍约4分钟多轮交互中，如何在保持上下文的同时避免记忆过载面试官可能追问记忆管理的具体策略，比如滑动窗口、摘要压缩、或结合检索的混合记忆方案

#美团#评估与监控#Agent

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配口述回答：…。这样每层能独立优化，比如记忆层出问题不会拖垮整个流程。记忆这块我特别看重分层设计：短期记忆就是对话窗口管理，用[[滑动窗口]]或摘要压缩；长期记忆走[[向量数据库]]存历史经验，配合[[RAG]]检索；工作记忆是当前任务的临时状态，像栈一样推入弹出。这里有个坑：不要所有记忆都塞进向量库，短期和工作记忆放内存，长期才持久化，否则延迟受不了。推理策略上，我一般用[[ReAct]]，因为Agent场景需要交替推理和行动。复杂任务我会加[[Chain-of-Thought]]显式…

#百度#Agent#Agent 性能优化

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配口述回答：…原文片段、文档版本和页码，让用户能点回去核实。权限控制也要做，不同角色看到的内容可以不同，比如医生能看到完整临床指南，患者只能看到摘要。审计闭环必须完整，用户查询、检索片段、生成结果全链路日志留存，方便事后追溯。最后加个边界提示，明确说这是辅助参考，不构成专业建议。效率方面，增量更新是必须的，只重索引变更的章节，避免全量重建。高频查询可以做缓存，预计算热点片段。检索时我会用HyDE先生成假设文档再检索，能提升召回质量。不过话说回来，即使流程再完善，专业领域RAG还是会遇到…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·检索· 小鹏

RAG文本分段策略与重叠机制

匹配口述回答：…界。固定长度分段，比如每256个token一刀切，优点是简单可控、上线快，适合那种对时效要求高、内容又比较规整的通用场景，比如新闻摘要。但缺点也很明显，它不管语义边界，很可能从句子中间切开，导致大模型收到半截话。语义分段就好很多，用 [[Embedding]] 做聚类或者检测主题转折点，能保住段落完整性，适合长文档、高质量要求，比如法律文书或学术论文。但计算成本高，而且依赖 Embedding 的质量，如果模型不好，反而会切出一堆奇怪的边界。结构感知是专门对付结构化文档的，比…

#小鹏#文本分块优化#RAG 文本分段