匹配正文：… / 结构化输出定义工具schema，让模型生成可解析的调用参数是Agent落地的工程基础，保证与后端系统的可靠对接四、高阶优化方向方法核心思想适用阶段 Prompt Tuning 学习软提示向量，冻结模型大量相似任务，需降低推理成本 Auto-CoT 自动聚类生成多样化推理示例缺乏人工标注时提升Few-shot效果选型建议简单任务（分类、摘要）：Zero-shot + 清晰指令复杂推理（数据分析、决策）：CoT/ToT，权衡效果与成本工具集成（搜索、…

#小红书#提示工程方法#Prompt 技术

面试题·Prompt· 百度

AI Agent 架构与框架怎么选?

匹配正文：…：组件作用规划（Planning）拆解任务、制定执行策略、自我反思修正记忆（Memory）短期上下文 + 长期知识库（向量存储）工具调用（Tool Use）与外部API、数据库、计算资源交互主流框架对比 1. ReAct（Reasoning + Acting）核心机制：推理(Thought) → 行动(Action) → 观察(Observation) 循环特点：显式展示思考过程，行动有依据，可解释性强适用：需要多步工具调用的场景，如问答、数据分析局…

← 上一页第 11 / 15 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

#百度#Agent#AI Agent 架构

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…为可执行的子步骤推理策略：支持CoT（思维链）、ReAct（推理+行动交替）、ToT（思维树）等模式动态调整计划，根据反馈迭代优化 3. 记忆系统（Memory）短期记忆：当前对话上下文、会话窗口内的信息长期记忆：向量数据库存储的历史经验、用户画像、领域知识通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action）工具注册：外部API、数据库、计算引擎等工具选择：根据规划结果动态选择合适工具参数解析：将自然语言转化为结构化调用参数…

#百度#Agent#AI Agent 核心组件

面试题·RAG· 淘天

RAG vs 传统检索生成怎么选?

匹配正文：一、架构设计差异维度传统"先检索后生成" RAG 流程关系流水线式分离：检索→拼接→生成，各模块独立优化端到端融合：检索作为可微分模块嵌入生成流程训练方式检索器固定或独立训练，生成模型无法反馈优化检索联合训练，生成loss可回传优化检索编码器知识存储检索结果作为硬提示（hard prompt）拼接检索向量通过注意力机制软融合（soft fusion）核心区别：RAG将检索从"前置预处理"转变为"模型内部运算"，典型如Dense Passage Retri…

#淘天#RAG信息融合#RAG与传统检索生成对比

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：…编码对齐、药品相互作用图谱构建法律：法条层级关系（上位法/下位法）、时效性标记三、检索系统：多路召回+领域精排召回阶段稠密向量（领域Embedding微调，如MedEmbed/LawEmbed）稀疏向量（BM25 + 领域同义词扩展）图谱召回（实体链接→子图遍历）精排阶段交叉编码器（领域数据微调）时效性/权威性加权用户画像过滤（科室/执业地域）四、生成优化：领域适配与可控性模型选择：基座模型+领域SFT（如Huatuo/LawGPT），非从零训练 Pr…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…这些证据进行生成。标准工作流程索引阶段：文档切分 → Embedding模型编码 → 存入向量数据库检索阶段：用户Query向量化 → 相似度检索Top-K相关片段生成阶段：将"检索结果 + 原始Query"拼接输入LLM → 生成最终回答解决的核心问题问题传统LLM RAG方案知识幻觉参数化记忆，容易"编造" 检索提供事实依据，可溯源知识时效性训练后无法更新知识库动态更新，无需重训模型领域适配微调成本高零样本接入私有知识关键优化点检索质量：…

#字节#外部知识检索#RAG 原理

面试题·RAG· 字节

RAG 怎么提升生成质量?

匹配正文：…/固定长度）、向量化模型选型检索 Query向量化→相似度搜索→TopK召回向量数据库（Milvus/Faiss）、多路召回（向量+关键词）生成拼接Prompt→LLM生成答案上下文压缩、引用溯源、拒答机制为什么能提升质量？事实准确性：知识库可维护、可溯源，直接引用原文降低幻觉知识时效性：不用重新训练，更新文档即可领域适配：低成本接入私有知识，比微调便宜10-100倍可解释性：答案从哪来一目了然关键优化点（加分项）检索侧：Query改写、多轮检索、重排…

#字节#大模型幻觉#RAG 原理

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…/律师可见层级不同）审计闭环：用户查询→检索片段→生成结果全链路日志留存边界提示：明确标注"辅助参考，不构成专业建议" 效率优化要点增量更新：仅重索引变更章节，避免全量重建缓存策略：高频查询预计算热点片段检索增强：HyDE（假设文档嵌入）+ RRF融合排序学习建议建议系统学习该知识点

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 哔哩哔哩

CTR/CVR/ROI 冲突怎么协调?

匹配口述回答：…的。我一般会从模型和策略两个层面来搭方案。模型层面，核心是多任务学习。因为CTR、CVR、ROI共享用户和广告的特征，但各自的优化目标不一样。我会用 MMoE 或者PLE这种结构，底层共享[[embedding]]，上层每个任务有自己的专家网络和门控。这样模型能学到通用表示，又不会让某一个任务主导梯度。不过这里有个坑：如果直接不加约束地联合训练，ROI这种稀疏目标很容易被CTR这种密集目标带偏。所以我会加一个动态任务权重，比如用不确定性加权或者Pareto优化，让模型在…

#哔哩哔哩#CTR/CVR/ROI多目标#CTR CVR ROI 冲突

面试题·RAG· 小红书

RAG 检索噪声怎么处理?

匹配正文：…er替代Bi-Encoder做精排，过滤低相关性文档上下文压缩：用LLM或专用模型对长文档摘要，减少噪声信息占比多路召回融合：向量检索 + 关键词检索 + 图谱召回，取交集或加权融合降低单路噪声动态阈值：根据查询难度自适应调整top-k数量，难查询多召回、易查询严过滤二、生成阶段：增强鲁棒性置信度引导生成：让模型输出引用来源并给出相关性评分，低置信度时主动降权或拒绝回答反事实训练（Counterfactual Training）：SFT阶段注入噪声文档，训练模型学…

#小红书#检索噪声过滤#RAG 噪声处理

面试题·RAG· OPPO

查询文档相关性怎么算?

匹配正文：… Doc [SEP] 输入 BERT 取 [CLS] 输出过 MLP 得相关性分数效果最优但计算昂贵，仅用于 Top-K 重排优化方向： ColBERT：延迟交互，token 级相似度，平衡效率与效果 Poly-encoder：多向量表示查询，兼顾速度与精度四、RAG 场景的特殊考量阶段方法职责召回向量检索（双塔）+ BM25 混合高召回、低延迟精排 Cross-Encoder / LLM 重排高精确、可接受延迟关键权衡：RAG 的检索延迟直接影响用户…

#OPPO#查询文档相关性#语义匹配

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 淘天

现代 RAG 架构怎么变?

匹配正文：… 信息融合位置输入层融合（早期）：检索文档直接拼接到prompt，受限于上下文长度，容易信息淹没中间层融合（现代）：检索得到的向量通过cross-attention注入decoder各层，如Fusion-in-Decoder (FiD) 输出层/自适应融合：Self-RAG让模型自己决定何时检索、用多少检索结果 3. 端到端训练传统：检索器固定（Elasticsearch）→ 生成器固定（GPT-3）→ 零梯度流动现代：检索编码器 + 生成器联合优化 - 挑战：检索…

#淘天#RAG端到端训练#现代 RAG 架构

面试题·RAG· 小红书

生成式推荐的序列原理

匹配正文：…的核心区别维度判别式（传统）生成式建模目标点估计：P(y=1|x) 或打分分数分布建模：P(y|x) 完整序列分布优化方式独立样本的BCE/MSE损失序列级别的交叉熵（MLE）物品关系隐式通过Embedding学习显式通过自注意力捕获长程依赖输出形式 Top-K排序列表可直接生成ID、解释文本、甚至推荐理由灵活性任务特定模型统一架构处理多种推荐任务关键优势与挑战优势：天然融合内容信息（标题、图文），缓解ID冷启动统一框架支持多任务（…

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 小红书

用户兴趣模型：数据与特征取舍

匹配正文：…方式"标签体系（穿搭、家居、旅行等细分类目）三、算法选型：召回→粗排→精排召回层双塔模型（User塔+Item塔）：用户兴趣向量实时更新，Item向量天级更新多路召回：兴趣标签召回、协同过滤、图神经网络（社交关系）精排层多目标优化：点击+互动+关注+时长，用MMoE或PLE结构序列建模：DIN/Transformer捕捉短期兴趣，长期兴趣用记忆网络冷启动策略新用户：基于相似人群（Lookalike）+ 热门兜底新内容：内容理解模型（图文多模态）预打标签，快…

#小红书#用户兴趣建模#用户兴趣模型

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配正文：…层级校验机制（语法、语义、业务规则）内容安全过滤（敏感词、合规检测）异常处理与降级策略（重试、兜底、人工审核）反馈闭环与持续优化一、输出结构化约束（源头控制） Function Calling / JSON Mode 强制模型按指定Schema输出，减少格式错误设置response_format={"type": "json_object"}或工具调用接口 Prompt工程在Prompt中嵌入Few-shot示例，明确输出格式要求添加"请确保输出为合法JSON，…

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配正文：…PT-4、文心等生成最终回答引用溯源：输出参考文档编号，增强可信度标准工作流程用户Query → Query理解/改写 → 向量检索（Top-K）→ 重排序 → 上下文组装 → LLM生成 → 后处理（溯源/拒答）核心优势维度说明时效性知识库实时更新，无需重新训练可解释性答案可溯源到具体文档成本比全量SFT低几个数量级领域适配快速接入私有/专业文档关键挑战检索精度：语义Gap导致"找不准"，需迭代优化Embedding和切分策略上下文窗口：多…

#百度#RAG核心组件#RAG 技术原理

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…结构化研究报告（带引用）技术原理差异 RAG 架构：Retriever → Reranker → Generator 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 …

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-5…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：…段毫秒级响应，重排阶段只处理小候选集精度可扩展：重排序能捕捉细粒度语义交互（如query词与doc的精确匹配）灵活解耦：可独立优化召回策略（换embedding模型）或重排策略（换reranker）缺点误差累积：召回漏掉的优质文档，重排阶段无法挽回（recall天花板）系统复杂：需维护两套索引和模型，增加运维成本延迟叠加：两阶段串行，总延迟 = 召回延迟 + 重排延迟工业界典型配置 Query → 向量检索（HNSW索引，Top-1000）→ Cross-Enc…

#字节#两阶段检索#RAG 重排序

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配正文：答案要点离线知识库构建（文档解析、分块、向量化）检索阶段的双路召回策略（向量+关键词）重排序优化上下文拼接与提示模板设计生成阶段的引用溯源与幻觉控制 RAG完整工作流程一、离线知识库构建（预处理）文档解析：处理PDF/Word/网页等多格式，提取结构化文本知识分块（Chunking）：按语义/固定长度/递归分割，通常512-1024 token，块间保留重叠防止断句向量化：用Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：答案要点 RAG的完整流程：索引、检索、生成三阶段 Embedding模型的作用和选择向量数据库的构建与检索算法（HNSW/IVF）检索策略：稠密检索、稀疏检索、混合检索 RAG的优化方向：查询改写、重排序、多路召回 RAG核心架构：索引-检索-生成三阶段 1. 索引阶段（离线）文档切分：按语义/固定长度分块，chunk size通常256-512 token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：答案要点离线索引流程（文档解析、分块、向量化、存储）在线检索流程（查询改写、向量检索、重排序、上下文组装）关键技术组件（Embedding模型、向量数据库、Reranker）核心挑战（检索精度、上下文长度限制、知识更新、幻觉问题）一、RAG基本工作流程离线索引阶段文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块（Chunking）：按语义或固定长度切分，通常512-1024 tokens，需保证语义完整性向量化（Embedding）：用B…

#百度#RAG技术架构#RAG 工作流程

电商Prompt设计陷阱

提示工程有哪些核心方法?

AI Agent 架构与框架怎么选?

AI Agent组件如何协同工作?

RAG vs 传统检索生成怎么选?

垂直领域 RAG 完整架构

RAG 怎么提升生成准确性?

RAG 怎么提升生成质量?

医疗 RAG 索引如何保合规?

CTR/CVR/ROI 冲突怎么协调?

RAG 检索噪声怎么处理?

查询文档相关性怎么算?

RAG 模型分类有哪些?

现代 RAG 架构怎么变?

生成式推荐的序列原理

用户兴趣模型：数据与特征取舍

大模型输出怎么检测和过滤?

RAG 技术原理与核心组件详解

Deep Research vs RAG 怎么选?

RAG 流程：检索、融合、生成

两阶段检索 vs 直接重排?

RAG增强与生成如何衔接？

RAG 工作原理与核心组件

RAG 工作流程与关键技术组件