匹配正文：…y识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· OPPO

排序模型初始权重怎么设?

匹配正文：核心思路搜索排序的初始权重设定本质是多目标权衡的冷启动问题，需要在数据不足时给出合理先验，再逐步迭代优化。常用方法 1. 人工先验法（最常用）业务专家根据场景设定：如新闻搜索时效性权重 > 通用搜索规则化公式：如 score = 0.6*rel + 0.3*hot + 0.1*time 优点：快速上线、可解释；缺点：主观性强 2. 统计启发法分析历史点击数据，计算各特征与CTR的相关系数作为初始权重参考对特征做min-max或z-score归一化，消除量纲影响 3…

#OPPO#排序初始权重#排序模型权重设定

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，…

← 上一页第 11 / 14 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

#字节#大模型输出过滤#大模型输出检测

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：这道题问的是为什么[[RAG]]里要分召回和[[重排序]]两步走，而不是让重排序一步到位。其实本质就是在问计算成本和精度之间的权衡。如果直接用 [[Cross-Encoder]] 这种重型模型去扫百万级文档，计算量会大到没法接受，延迟和成本都扛不住，所以必须拆成两阶段，先快速捞一把，再精细排一遍。具体说一下。召回阶段，比如用 [[BM25]] 或者向量检索，目标是快，从海量文档里筛出几百上千个候选，这个阶段模型很轻量，延迟能控制在毫秒级。重排序阶段，候选集已经很小了，就可…

#字节#两阶段检索#RAG 重排序

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找I…

#安克科技#混合知识库存储#向量数据库

面经·项目面试

Reranker 的上限，藏在候选集里

匹配正文：…排分成前后两步，也提出扩大候选供重排处理。这个设计给了后者选择空间，同时提醒我们：减少候选量是在改入口范围，不能只把它记为一项省时优化。同样四条候选，64字符窗口裁掉尾句第二种状态把N扩大到四，D终于在名单里了。但名单里有D，还不等于Reranker看到了D的完整信息。标题、问题和正文如何拼接，长度上限作用在哪一侧，都会影响实际输入。为了把可见性单独拿出来检查，我设置了一个人工字符预算。每对输入由问题、固定分隔符和候选正文组成，上限64个字符；问题与分隔符占17个，留给…

#RAG#Rerank#候选召回

项目实战·Agent

Deep Research Agent

匹配正文：…答强在哪可以改成：在[真实任务集]对比[基线]，记录工具调用、引用支持度和 token，结果为[实测值] 精通 Agent / RAG / 强化学习 / 大模型微调问题：「精通」是大坑词，面试官会追问到你露馅可以改成：我实际负责[模块]，能用[日志 / 实验]解释 ReAct 与[候选方案]的取舍使用强化学习训练 Agent，性能大幅提升问题：哪个指标、提升多少？空泛等于没说可以改成：在[真实数据]上用[训练方法]对比[基线]，按[指标]复核，得到[实测结果与失败…

#项目实战#Deep Research Agent

系统教程·模型微调

大模型微调与训练面试题大全

匹配正文：应用岗不一定天天训练模型，但一定会被问到什么时候该微调、和 RAG / Prompt 怎么取舍、LoRA 怎么做、DPO 和 RLHF 有什么区别。这一页把微调、训练、对齐三类题连成一条线。配套教程要不要做微调 / Post-Train 项目，轻量版怎么做 Deep Research 第 6 章：训练数据与多阶段训练知识模块轻量微调、LoRA 与应用场景轻量微调、LoRA 与应用场景训练流程、数据与稳定性训练流程、数据与稳定性 RLHF、DPO 与偏好对齐 RL…

#专题学习#大模型微调与训练面试题大全

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…败案例技术决策为什么这么切块、这么检索、这么评估方案对比表、参数选择依据量化反馈做完到底有没有变好小评估集、错误样例、优化前后对比追问准备出问题时你是否知道边界失败原因、替代方案、下一步优化站内两条项目线对应两种简历打法: RAG 智能问答系统:适合大多数后端、Java、信息系统、企业知识库方向。它覆盖文档切分、向量检索、重排、Query 改写、记忆、引用、评估。 Deep Research Agent:适合想冲 Agent、研究助手、自动化调研、工具调用…

#求职#职业转型

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…练大模型,但要知道模型层有哪些按钮,每个按钮什么时候值得碰。面试准备差异:刷题也不能刷错方向目标岗位重点题库模块项目准备 RAG 应用开发 RAG 基础、向量检索、重排与优化、评估与监控 RAG 智能问答系统做深 Agent 开发 Agent、Prompt 工程、工具调用相关题 Deep Research Agent做深应用算法/微调模型微调、RLHF 与对齐、模型训练轻量微调项目 + RAG/Agent 应用场景推理部署/LLMOps 推理优化、模型架构、评…

#求职#职业转型

求职指南·求职

2026 大模型岗就业市场:招聘量、城市、薪资档位、哪些公司在招

匹配正文：…站内题库模块分布看,题量最高的几个模块分别是 Agent 154 题、评估与监控 121 题、Prompt 工程 77 题、重排与优化 70 题、RAG 基础 62 题。这和应用落地趋势一致:企业不是只问“你知不知道大模型”,而是追问“你能不能让它稳定工作”。能力为什么重要对应准备 RAG 工程企业知识库、客服、文档问答最常见 RAG 智能问答系统 + RAG 基础题 Agent 工程工具调用、自动化流程、研发助手需求增加 Deep Research Agent +…

#求职#职业转型

求职指南·求职

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…项目证据和面试题模块是否匹配你的背景。作者:吴师兄 | 适合:看 JD 看晕、不知道自己该投哪类大模型岗位的人 | 前置:知道 RAG、Agent、微调、推理部署的基本含义先拆掉一个误区:同名岗位可能完全不同招聘软件里“大模型应用工程师”“LLM 工程师”“AI 应用开发”“大模型算法工程师”这些名字经常混着用。同一个标题,在不同公司可能对应四类工作: 做企业知识库问答,核心是 RAG。做自动化流程和工具调用,核心是 Agent。做模型服务、推理部署和成本优化,核心…

#求职#职业转型

求职指南·求职

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…链路小系统有前后端和问答功能看起来能用,但没质量证明加评估集、badcase、引用溯源可面试项目有真实文档、错误分析、优化对比能支撑 20 分钟追问准备方案对比和取舍强项目有业务背景、上线约束、指标闭环能和实习/JD 对齐加权限、监控、成本、部署说明研一/研二不需要一开始做巨大的平台。先把一个 RAG 做深,比同时做 RAG、Agent、多模态、微调四个浅 demo 更有效。等 RAG 能讲透后,再用 Agent 项目补“工具调用和长程任务”能力。 …

#求职#职业转型

项目实战·Agent

第 5 章:训练数据构造,种子 → 轨迹 → 增强

匹配正文：…迹数据数据构造分两层,先有「问题」,再有「做这些问题的完整过程」: 种子数据(seed):一批高质量的调研问题。比如「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」。它是整个数据的源头。轨迹数据(trajectory):针对每个种子问题,一条完整的「怎么一步步做出来」的过程:Thought → Action → Observation → … → Final。这才是模型真正要学的东西。概念 2:一条「轨迹」长什么样轨迹就是把第 …

#Agent#Deep Research#项目实战

求职指南·求职

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…Agent 主线目标岗位清单 + 20 个 JD 第 2-3 周补最小模型链路调 LLM API、流式输出、工具调用、最小 RAG 3 个可运行小 demo 第 4-7 周做完整项目跟RAG 智能问答系统或Deep Research Agent做主项目项目代码 + README + 架构图第 8 周加评估和 badcase 做 30-50 条评估样例,记录错误分类评估表 + 优化记录第 9 周写简历按简历项目追问模板补齐项目描述的证据一版可投简历第…

#求职#职业转型

求职指南·求职

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：…ng 第 1 章上下文窗口模型单次能读进去的 token 上限知道超窗会截断或报错,知道 RAG 存在就是为了绕开窗口限制 RAG 为什么需要温度 / top_p 控制输出随机性的两个采样参数能说出什么场景调低(抽取、分类)、什么场景调高(创作) /ai-coding 第 2 章推理成本与延迟每次调用按 token 计费、按 token 生成耗时能算清一个请求的成本量级,知道流式输出改善的是体感延迟 /questions?module=推理优化幻觉模型一本…

#求职#职业转型

求职指南·求职

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：…研一/研二:你的处境特殊,因为你可能要发论文、可能导师做的就是算法方向。如果你的毕业和方向绑定训练/算法,那数学(线性代数、概率、优化)是硬门槛,该补就补,这时候花时间在数学上不算浪费。但如果你只是想毕业后找一份应用开发岗,别把研究生阶段的数学要求当成入行门槛——那是两套标准。判断自己该走哪条,看大模型应用岗和算法岗到底怎么选。工作约 3 年的 Java/后端:你最大的优势是工程经验和现金流,最大的敌人是"我数学早忘光了,得先补一补"这种拖延。事实是,你做一个企业知识库 R…

#求职#职业转型

项目实战·Agent

第 8 章:评估:调研类任务没标准答案,怎么定义「好」

匹配正文：…:「它做得好不好?」你怎么回答? 如果是分类任务,简单:有标准答案,算个准确率就行。但调研型 Agent 面对的是**「中小规模 RAG 项目,向量库选 Milvus、Qdrant 还是 pgvector」这种开放问题,它产出的是一份几百字、带十几条引用的选型报告**。这份报告好不好? 没有唯一标准答案。两份结论相近的报告,可能一份引用扎实、一份在编数据;一份覆盖全面、一份漏了关键维度(比如只比性能,没提运维成本)。「跑通了」不等于「做得好」,流畅漂亮的报告可能恰恰在一本正经…

#Agent#Deep Research#项目实战

求职指南·求职

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：… 行写一个最小 Agent。从零拼一个最小 RAG,把「检索 + 拼 prompt」跑通,再决定要不要上向量库:从零拼一个最小 RAG。已经有后端经验的,看整体迁移路径怎么规划:后端工程师转大模型,已有经验怎么迁移。想补大模型的基础概念 (token、embedding、上下文窗口这些术语),看:转大模型必须先搞懂的基础概念。做完前三步,你手里就有三个能跑、能讲、能写进简历的最小项目。之后再按题库分模块查漏补缺,RAG 基础 62 题、Agent 154 题、推理…

#求职#职业转型

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：后端工程师是转大模型应用开发最有优势的人群。服务化、数据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的…

#求职#职业转型

求职指南·求职

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…维度(为谁解决什么)、结果维度(用什么指标证明有效)。三维齐全、数字可追问,面试官才信你真做过,一面才不会穿。反过来,只写"熟悉 RAG / Agent / LangChain"而没有一个场景、一个数字,HR 和面试官都无法判断你是做过还是背过,直接归到"背名词"那一档。作者:吴师兄 | 适合:准备投大模型岗、卡在项目怎么写的在校生和转行后端 | 前置:手上已有或正在做一个 RAG / Agent 项目为什么大模型简历一写就穿:名词堆得越多越像假的结论先行:面试官不看你…

#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：…gent 工程) 低知道何时该微调、和 RAG/Prompt 怎么取舍;有余力做一个轻量 LoRA/SFT 加分,但别为它挤掉 RAG/Agent 主线应用算法 / 偏模型的算法岗高值得做深:自己构造数据、跑 SFT/LoRA、设计评估、能拿出实验证据说明收益和代价研究生算法向(想进模型团队) 高在应用算法基础上再往 Post-Train 深水区走一点:DPO/GRPO、对齐、训练数据设计,最好有一段相关实习或课题平台 / 推理工程岗低重点在服务化、推理优化…

#求职#职业转型

求职指南·求职

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…证什么,单开了一篇细讲:面试官怎么一层层追问。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /que…

#求职#职业转型