匹配口述回答：…eering 是说话的艺术，Context Engineering 是选材的艺术。具体到上下文工程，我一般把它拆成三层。第一层是检索，这里不能只用一种方法，我会把向量检索和 [[BM25]] 这种关键词检索结合起来做，也就是 [[Hybrid Search]]，能覆盖语义相似和精确匹配两种需求。第二层是[[重排序]]，因为初步召回的结果往往有噪音，我会用 [[Cross-Encoder]] 做一次精排，把真正相关的文档提到前面，同时用 MMR 算法控制多样性，避免一堆相…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配口述回答：…相对最基础的线性词频 TF-IDF，BM25 的改进是词频边际收益下降，并显式控制长度效应。但 TF-IDF 也可以使用对数词频和向量归一化，所以“TF-IDF 完全不考虑长度”并不严谨。在 RAG 里，BM25 适合编号、错误码、实体名和专业术语；同义改写或无共享词项时需要稠密检索补充。两路可用 RRF、校准加权或重排融合，最后在包含长尾术语与无匹配查询的目标集上评估召回和误召。 BM25由IDF、词频饱和和长度归一化组成 IDF存在多种实现需明确检索引擎 TF-IDF也…

#美团#BM25#BM25 算法原理

面试题·检索· 小红书

多路召回 vs 排序模型怎么分工?

← 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

匹配口述回答：多路召回解决候选覆盖问题。协同过滤利用行为共现，双塔向量处理可学习的用户与物品匹配，内容或图召回补充语义和关系信号，热门与规则提供冷启动或兜底。它们各有盲区，但“多路”本身不保证多样性，还需要去重、配额、权限过滤和分数校准。排序阶段在候选上统一估计点击、转化、观看或满意度等目标。可以使用线性模型、GBDT 或深度多任务模型，选择取决于样本量、特征和延迟预算。日志来自旧排序策略，因此位置偏差、选择偏差和特征延迟都可能让离线分数失真。完整系统常包含可选粗排和约束重排。多样性既…

#小红书#多路召回与排序#多路召回

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配口述回答：…解决了这个问题。所以BM25对长文档更友好，而且有参数可调，落地时能根据场景适配。应用场景上，我主要说[[RAG]]里的[[混合检索]]。BM25做粗排召回，向量模型做精排[[重排]]，这是现在比较成熟的做法。为什么需要两条腿走路？因为BM25擅长精确匹配，比如法律条文、医学术语、订单号、错误码这些场景，语义模型反而容易跑偏。而向量模型擅长语义理解，比如同义词、近义表达。所以真正落地时，我会把BM25和向量检索一起上，用Hybrid Search做融合。这里有个风险点：B…

#高德#BM25评分公式#BM25 算法原理

面试题·RAG

资料里没有答案时，RAG 怎么避免强行生成？

匹配正文：…不够，并避免强行生成？很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问：向量库几乎总能返回结果，相关和足够怎样区分？阈值应该怎么定，换模型后还能不能继续用？有答案却被拒绝，和没答案却强答，哪个更严重？检索分数过关后，生成阶段为什么仍可能编造？为什么“搜到了”仍然可能没有答案？向量检索做的是相对排序。给它一个问题，它会在当前索引里找出语义上最接近的若干片段。即使整座知识库都没有正确答案，仍然可以排出第一名、第…

#RAG#生成与对话#RAG 无答案检测

面试题·模型训练· 美团

合成数据怎么系统构建?

匹配口述回答：…实现时要保留来源、生成模型、prompt和过滤版本，防止同一模板无限扩张。质量控制应按可验证性分层。代码运行测试，数学重算结果，检索型答案检查权威资料和引用，结构化任务用schema与业务规则，主观写作用盲标gold和成对人评。多个模型给出相同答案只能作为弱信号，因为它们可能共享训练数据、知识盲点和表达捷径。困惑度可以反映文本在某个语言模型下的可预测程度，却不是通用质量分数。低困惑度可能只是模板重复，高困惑度也可能来自专业术语。它可以用于异常筛选，但不能代替事实、相关性与…

#数据合成#Self-Instruct#指令微调

面试题·多模态· 快手

视频切帧优化：语义+动态采样

匹配正文：…下的覆盖与相关性选择可采用分层流程：先按时间均匀采样建立覆盖基线，保留开头、结尾与最小时间密度。用镜头边界、感知哈希、视觉 embedding 距离或光流去除近重复，并在快速运动、场景切换和字幕变化处提高采样率。根据用户问题或任务，用 CLIP/SigLIP 等跨模态相似度评估语义相关性，同时加入时间覆盖和多样性，防止只选同一镜头。使用两阶段模型反馈：低成本预览后，让模型指出证据不足的时间区间，再局部追加帧；设置总帧数、轮次和延迟上限。若端到端训练选择器，可使用可…

#视频理解#时序采样#多模态预训练

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配口述回答：…nt]]组合起来之后，为什么延迟和正确率的问题会变得更棘手，以及怎么去解决。核心在于Agent的多步决策会把RAG的缺陷放大，比如检索慢一点或者错一点，后面每一步都会跟着慢或错，像滚雪球一样。具体说一下延迟。延迟主要来自三个环节：检索、Agent决策、还有服务间的编排。先说检索，最常见的问题是[[向量库]]冷启动，比如新知识刚加进去，还没建好索引，第一次查就很慢。还有就是跨地域查询，比如库在北京，服务在上海，网络开销就上去了。我的做法是，预加载热数据到内存，比如高频的客服退…

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 小红书

长序列行为数据怎么处理?

匹配口述回答：…用户刷了三个月，浏览记录几万条。我会这样搭：热记忆保留最近一天的所有行为，全量放进prompt；冷记忆把更早的历史按周做摘要，同时向量化存起来，按需检索。这样既保证了实时反馈，又不丢失长期偏好。但这里有个坑，就是摘要的质量。如果你压缩得太狠，比如把一个月的浏览缩成三个标签，可能会丢掉细粒度的兴趣变化。所以前提是你的摘要模型得足够好，而且要做在线评估，比如定期用摘要回放历史行为，看召回率有没有掉。另外，实时性也是个挑战，新发布的笔记得在几分钟内进入用户记忆。我会给冷记忆建一个…

#小红书#Agent#长序列行为数据

面试题·文档处理· 字节

医学论文与法律条文切块

匹配口述回答：…要根据文档类型、查询场景和模型能力持续调优。如果面试官想问，我可以再聊聊怎么用[[Rerank]]来提升召回后的排序质量，或者怎么评估chunk策略的好坏。这道题本质问的是语义完整性与检索效率的平衡先讲通用分块策略，划清边界：固定长度 vs 结构感知 vs 语义分块重点讲专业领域特化：法律条文按条款硬切，医学按IMRAD结构切落地风险：重叠窗口、chunk大小与embedding模型匹配收尾取舍：我会把chunk策略看成检索质量的基础设施约4分钟 chunk策略需…

#字节#医学论文与法律条文切块#医学论文和法律条文为什么要用不同的切块策略

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…回答实时、专业、可溯源的问题。[[RAG]]的核心思路很简单：不把知识全塞进模型参数里，而是动态拉取相关文档作为上下文，让模型基于检索结果来生成。你可以把它理解成给模型配了个外挂知识库，模型负责推理和表达，知识库负责提供事实。具体架构分三块：索引模块、检索模块、生成模块。先说索引，离线阶段要把原始文档切成小块，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里。这里有个关键取舍：切分策略直接影响召回质量。固定长度切分最简单，但容…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配口述回答：…部署上，查询时先判断意图，如果问题是具体的就走向量检索，如果是抽象的就走图检索，甚至可以把两者结果融合，比如先用图找相关社区，再用向量在社区内精搜。这里有个坑：GraphRAG 的索引成本很高，因为每一步都要调 LLM，而且图谱质量完全依赖抽取效果。如果文档噪声大、实体识别不准，后面的社区划分和摘要都会跟着错。常见的失败场景是社区粒度没调好，太粗了摘要笼统，太细了又退化回局部检索。上线前我会特别关注两点：一是用一批标注 query 评估社区划分的合理性，二是监控查询延迟，全…

#字节#知识图谱#GraphRAG 原理

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配口述回答：…版本，观察答案正确性、引用支持率、faithfulness、覆盖率、拒答、token 和延迟。再换一组固定 Prompt 比较不同检索结果，才能区分是检索问题还是生成问题。一个常见追问是“检索到了为什么仍答错”，我会沿证据冲突、上下文位置、指令覆盖和模型忽略证据这几条路径逐项排查。上下文构造里还有几个很容易被忽略的点。如果多个片段重复、互补或互相冲突，去重不能只看向量相似度，否则可能把关键时间、数字和否定条件删掉。冲突证据要结合来源权威性、文档版本和更新时间处理，无法判断时…

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配正文：…Memory）类型存储内容实现方式短期记忆当前对话上下文直接放入prompt 长期记忆历史会话、用户画像、领域知识向量数据库（RAG检索）工作记忆当前任务的中间结果变量/缓存存储协作示例（ReAct循环）用户问："深圳明天天气怎么样？适合穿什么？" [思考] 需要查询天气 → [行动] 调用天气API(深圳, 明天) → [观察] 结果：25°C，多云有雨 → [思考] 有雨需要带伞，温度适中可穿薄外套 → [最终回答] ... 关键设计：每轮只执行…

#百度#Agent#Agent 核心组件

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…它理解成，给一个很聪明但可能记错事的助手配一本随时可查的参考书。具体流程上，标准的三段式：先有一个知识源，比如文档库，要预先[[向量化]]建好索引；然后用户提问时，检索器把问题也向量化，去库里做相似度搜索，召回最相关的Top-K文档；最后生成器把原始问题和这些文档拼在一起，作为上下文让LLM生成答案。中间还可以加[[重排]]步骤，让召回结果更精准。 RAG解决的核心问题，说白了就是三个：一是事实[[幻觉]]，因为回答有检索文档支撑，可以溯源验证；二是知识时效性，不用重新训练…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配口述回答：…先保证检索召回率和引用可溯源，其他花哨功能往后放。本质是领域知识落地与不确定性管理边界划分：RAG vs 微调，关键词 vs 向量业务场景：以医疗为例讲知识库与检索风险前提：引用置信度与人工兜底工程师取舍：更看重可溯源与反馈闭环约4分钟反馈闭环中如何自动化区分错误来源（检索 vs 生成），并触发知识库更新。追问可能会围绕 Faithfulness 评估方法、Corrective RAG 的具体实现、或者如何设计自动化归因流水线。

#字节#高精度RAG#高精度 RAG

面试题·RAG· OPPO

搜索评分如何融合点击与停留?

匹配正文：…减因子 e^{-\lambda \Delta t} 个性化扩展：引入用户画像特征，用 Wide & Deep 架构分别记忆和泛化评估验证离线：NDCG@10、MAP 在线：AB测试对比人均点击次数、搜索成功率学习建议掌握信息检索基础，学习排序模型中多特征融合方法，理解点击率与停留时长等行为特征的归一化与加权逻辑。

#OPPO#评分函数归一化#Scoring Function 设计

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：面试官你好，这道题问[[RAG]]的分类，其实本质是在问检索和生成之间的耦合度是怎么演进的。我理解RAG不是一种固定的架构，它从最早的简单拼接，到后来加各种优化，再到最近模块化、[[Agent]]化，其实是检索和生成从硬耦合走向解耦的过程。先说最早的一代，[[Naive RAG]]。它的流程很简单：离线把文档切成块、做 [[Embedding]] 存进 [[Vector Database]]，用户提问时检索出最相关的几个块，直接拼到Prompt里交给LLM生成。这个架构最大…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：Query改写的核心目标将用户原始Query转化为检索友好的形式，解决语义鸿沟、歧义、上下文依赖等问题，提升召回率和相关性。三类创新方法及优势 1. 同义扩展（Lexical Expansion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语…

#京东#Query改写#Query 改写

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配口述回答：…知识，也容易编造，所以RAG的思路就是把外部知识库当成一个随时可查的参考书，生成的时候先查书再回答。具体来说，它分三大块：索引、检索、生成。索引就是把文档切成小块，比如按段落或者固定512个token切，然后用 [[Embedding]] 模型转成向量存到 [[Vector Database]] 里，像[[Faiss]]或者Milvus。检索就是拿到用户问题后，也转成向量，去库里找最相似的Top-K个块。生成就是把找回来的上下文和问题拼成提示词，交给大模型生成答案。但这里…

#百度#RAG核心组件#RAG 技术原理

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配口述回答：…辑。但微调成本高，数据要清洗标注，算力也要钱，而且模型知识是静态的，政策文档一更新就得重训。RAG 正好补这个短板，它外挂知识库，检索加生成，知识可以实时更新，回答还能溯源。比如智能客服，政策文档三天两头改，用RAG就能保证回答永远是最新版本，而且用户问为什么这么赔，你可以直接翻到原文。但RAG也有坑，检索质量决定了效果上限，如果 [[Embedding]] 做不好、[[Chunk]] 切得不合理，模型拿到一堆噪音，生成的结果反而更差。所以我的经验是，如果知识更新频繁或者需要…

#滴滴#模型微调#Agent

面试题·模型微调

LLM 封闭标签如何强约束?

匹配口述回答：…大，比如上千个，约束解码的性能会下降，因为每一步要过滤的 token 太多。这时候我会考虑用分层标签，先输出大类再输出小类，或者用向量检索先缩小候选集，再让模型从候选中选。这其实变成了检索加精排的思路。所以总的来说，我的做法是多层防护：提示工程打底，约束解码做核心保障，微调提升能力，后处理兜底。具体用哪几层，取决于你对可靠性的要求、标签的规模和动态性。我更倾向于在解码层下功夫，因为它最可控，不依赖模型“自觉”。一句话定位：封闭标签输出本质是可控生成问题提示工程：基线手段…

#Agent#LLM 输出限定#封闭标签集

面试题·知识图谱· 淘天

GraphRAG 增量更新策略与挑战？

匹配口述回答：这道题其实是在问，当知识持续更新时，怎么在实时性、一致性和检索质量之间做平衡。我理解的核心不是能不能更新，而是更新后检索效果不崩、系统还能稳定跑。先说策略。我习惯分三层来看：节点层、关系层和索引层。节点层最简单，新实体或属性变更直接走图数据库的事务写入，比如Neo4j或Neptune，这个秒级就能搞定。关系层稍微麻烦一点，比如边的增删或权重调整，不能每次都全量跑PageRank，得用增量图算法，只重新计算受影响的那部分子图。最关键的其实是索引层，包括向量索引和社区摘要。向量…

#淘天#GraphRAG 增量更新#知识图谱动态维护

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：…触发人工审核。这里有个坑：自我验证如果模型本身知识不足，会越检查越错，所以要结合外部知识。外部知识集成，[[RAG]] 是核心。检索相关文档作为上下文，把生成约束在检索内容里。但 RAG 不是万能的，检索失败时生成会崩。所以我会做两件事：一是提升检索质量，用 [[Hybrid Search]] 结合 [[BM25]] 和 [[Embedding]]，再加 [[Rerank]] 精排；二是优雅降级，检索不到就明确说“没有相关信息”，而不是瞎编。 [[Knowledge Gra…

#海尔#外部知识集成#大模型幻觉