匹配正文：RAG检索方法主要分为稀疏检索和稠密检索两类，实际生产环境常采用混合方案。一、稀疏检索：BM25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Ret…

#小红书#稀疏与稠密检索#中文知识库检索选型

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：….5，就认为可以放到同一张成绩单上。检索分数当然不是米或摄氏度，这个类比强调的是：不同机制产生的数值，缺少天然统一的解释。企业级RAG项目把混合召回列在检索链路中。要把这一步讲清楚，先不用搬出很长的架构图。固定两张候选名单，改一次分数尺度，就能看见直接相加到底依赖什么。开发者阻止把米尺与温度计的读数直接相加，类比两路分数尺度不同把向量分数乘十，第一名换了我做了一组人工候选。BM25一路依次是A、B、C、D，分数分别为50、49、2、1；向量一路依次是B、C、E、A，分…

#RAG#混合检索#RRF

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：…偏。你不需要先推完 Transformer 公式,也不需要把所有论文看一遍。应用岗面试更关心这些问题: 为什么通用大模型会编答案,RAG 怎么降低幻觉? 上下文窗口装不下时,切块、摘要、检索、记忆各自解决什么? Prompt、Function Calling、Agent、MCP 分别在哪一层? RAG 和微调怎么选,什么时候组合使用? 检索召回率、重排、引用溯源、离线评估为什么决定上线质量? 学习方式建议很朴素:每个概念先写一句人话定义,再写一个工程场景,最后找 2-3 道真…

← 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

#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：…训练或实验经验更接近高薪样本,但门槛也明显提高如果你是研究生,第一份实习的含金量通常比短期薪资更重要。能进真实 AI 团队做 RAG、Agent、评估或数据闭环,对后面秋招帮助很大。如果你是 3 年 Java/后端,不要为了“AI 岗薪资更高”仓促跳槽,先把项目和简历打到能解释“为什么你不是传统后端改个标题”。 2026 年市场更偏好哪类能力从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…

#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：…,要先问“它每天解决什么问题”。下面按真实工作形态拆。四类岗位画像总览岗位类型一句话解释日常任务更适合谁面试高频模块 RAG 工程让模型基于企业资料回答问题文档处理、切块、Embedding、检索、重排、引用、评估后端、数据、企业系统、知识库项目背景 RAG 基础、向量检索、重排与优化 Agent 开发让模型调用工具完成多步任务工具 schema、任务规划、状态机、记忆、异常兜底后端、全栈、自动化、研发工具背景 Agent、Prompt 工程推理部署…

#求职#职业转型

面试题·Agent

Deep Research 报告有引用就可信吗？多个来源互相矛盾怎么办？

匹配正文：…个来源口径相反，Agent 没有解释，直接选了更符合自己结论的那一个。这说明“报告带引用”和“结论可以核验”不是一回事。普通 RAG 的引用通常围绕一次回答和几段检索证据展开。Deep Research 的报告更长，结论更多，来源横跨多个网站和时间点，还会经历多轮搜索、摘要和综合。引用链一旦在中间断掉，最终报告仍然可以写得很顺，却很难知道哪一句是事实、哪一句是推断。所以这道题真正考的是： Deep Research 怎样让每个关键结论都回到原始证据？多个来源相互矛盾时，…

#Deep Research#问题边界与研究闭环#Deep Research 引用溯源

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：…真实做过系统。研一到研三的时间轴阶段主目标该做什么不该做什么研一上建立方向感读路线图,跑通 LLM API、最小 RAG、最小 Agent 一头扎进论文和公式,不写代码研一下做第一个完整项目按RAG 智能问答系统做出可展示项目,开始写简历草稿同时开太多项目,每个都停在 demo 研一暑期尝试第一轮实习投递投 RAG/Agent/AI 应用实习,用面试反馈修项目等“准备完美”再投研二上项目升级 + 面试题补评估、引用、重排、记忆;刷851 道…

#求职#职业转型

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：…负责订单系统接口开发和 AI 岗关联弱负责模型问答服务接口、鉴权、日志和异常兜底设计使用 Redis 提升性能太通用为 RAG 检索结果和模型响应增加缓存,降低重复查询延迟处理 MQ 异步任务没有模型场景将长文档解析、Embedding 和索引构建拆成异步任务,支持失败重试做系统监控告警没有质量闭环增加回答质量 badcase 采集、延迟和成本指标监控写了一个 AI demo 太浅构建企业文档 RAG,覆盖切块、检索、重排、引用溯源和评估集简历不是…

#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：…存向量、用近似最近邻快速找相似知道为什么用近似而非精确,知道它牺牲一点召回换速度 /questions?module=向量检索 RAG 先检索相关资料再让模型基于资料回答能画出"切块-向量化-检索-重排-生成"整条链路 RAG 架构 Agent 与工具调用让模型自己决定调哪个工具、按结果再决策能说清一次工具调用的请求-执行-回填闭环 /ai-coding 第 3 章 Prompt 与结构化输出用提示词约束任务,并要求返回 JSON 等固定格式能写出让下游能解析的稳…

#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：…工程能力和产品判断,不是数学推导能力。一个更实际的检验:你去读大模型应用岗的 JD 和面经,会发现追问集中在文档切块策略、召回和重排、评估集怎么构造、badcase 怎么修、Agent 步骤怎么控制,几乎没有人让你现场推导梯度或证明一个定理。数学在这里是"看得懂别人为什么这么做"的底座,不是"自己从零推一遍"的技能。如果你还在纠结自己该走应用还是算法,先看大模型应用岗和算法岗到底怎么选,这决定了你数学到底要补到什么程度。一张表:哪些要补、哪些不用死磕下面这张表是本篇的…

#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：…最容易踩的四个坑先说结论:后端转型翻车,几乎都不是因为工程不行,而是因为把大模型系统当成了熟悉的老系统来对待。四个高频坑: 把 RAG 当普通 CRUD 拼接:以为「查库 + 塞进 Prompt + 调接口」就是 RAG,忽略切块策略、检索召回、重排、查询改写这些真正决定效果的环节。结果 demo 能跑,一上真实文档就答非所问。忽略评估直接上线:后端习惯了「测试绿了就发」,于是大模型功能也不建评估集就上线,线上出了 badcase 无从归因,改一版好一版坏全靠感觉,没有回…

#求职#职业转型

求职指南·求职

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…。一个技术点如果只经得起一层提问,说明你只是用了它、没有理解它。写进简历前,自己先把每个名词的三连问过一遍。两条项目路线怎么选:RAG 还是 Agent 别贪多。选一条主线做深,比三条都做浅强得多。两条路线的差异不在难度,在你想证明什么、以及你的时间预算。维度 RAG 路线 Agent 路线适合谁首选,尤其后端转行、想快速出证据链的人已有 RAG 基础、想主打自主决策/工具编排方向的人能证明什么检索工程能力:切块、嵌入、混合检索、重排、评估闭环任务规划、工具调…

#求职#职业转型

求职指南·求职

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…Agent 项目多了"自主决策 + 多步 + 工具 + 失败恢复",工程复杂度和不确定性都更高,面试更看你对稳定性和可控性的把握。RAG 里模型基本是"给定检索结果作答";Agent 里模型要自己决定下一步调哪个工具、什么时候停、失败了要不要重试换路。这就是为什么 Agent 项目更难讲清、也更值钱。维度 RAG 项目 Agent 项目主链路检索 → 重排 → 拼上下文 → 作答观察 → 决策 → 调工具 → 再观察(循环 N 步) 控制流基本线性,一次调用出结果 …

#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：… 结果如何(结果)"。下面用站内两个教程项目做示范,数字均为示意口径(标注为经验值),你要换成自己真实测出来的。三维该写什么 RAG 智能问答系统示例 Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放…

#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

求职指南·求职

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…也不同,投前一定先从关键词分辨。用错力气准备,是转行阶段最贵的浪费。岗位画像 JD 高频关键词实际在干什么谁对口、怎么准备 RAG 应用工程检索、知识库、向量库、召回、rerank、问答把企业文档接进大模型做问答/助手转行主战场,吃透 RAG 教程全链路选型 Agent 开发 Function Calling、工具编排、ReAct、工作流、MCP、多轮让模型自主调工具完成多步任务后端逻辑强的人对口,练 Agent 项目偏算法的应用算法 SFT、LoRA、数…

#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：…楚的人,一定亲手做过;只会重复功能描述的人,大概率是抄的。所以深挖环节的本质是一次"真做过"的验伪,而验伪的方式就是顺链下探。【RAG 项目追问链·核心】面试官会顺这条链一层层问一句话:面试官从业务问题问起,顺着"文档→切分→检索→重排→溯源→评估→badcase→成本"往下走,每一环都在验证一件具体的事。下表逐环拆开,照这个顺序把自己的证据补齐,你就知道链会断在哪。追问点面试官想验证什么你该怎么答(带证据) 站内哪里补业务问题你是不是为真问题做的,还是为做而做…

#求职#职业转型

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…少钱""模型挂了怎么办"就卡壳。把这三块讲扎实,你就已经赢过多数候选人。常见的大模型系统设计题型有哪些结论:题型不多,核心是 RAG 问答、Agent 工作流、高并发推理服务这三类,以及在它们之上的评估和成本变体。不同题型考察重点不同,准备时对号入座,把每类的关键权衡点和对应的站内深挖章节过一遍。题目考察重点站内承接设计一个企业知识库问答系统(RAG) 切块/检索/重排、防幻觉、引用、评估闭环 RAG 系统怎么从零搭起设计一个多步 Agent / 工作流(如深…

#求职#职业转型

求职指南·求职

转行大模型最常见的 12 个坑

匹配正文：…,没有它前面所有工作都讲不实、经不起追问补评估集和 badcase 复盘,刷评估与监控题库 7 只追最热的 Agent、忽略 RAG 和评估地基看到 Agent 火就只学 Agent,RAG、检索、评估基本没碰 Agent 建在检索和评估地基上,地基空的 Agent 一追就露怯按题量补齐地基,方向分布看大模型技术栈全景 8 把 RAG 当普通 CRUD 拼接觉得 RAG 就是"存向量、查向量、拼 prompt",套后端惯性搭一遍面试考的是分块、召回、重排、忠实度…

#求职#职业转型

面试题·项目与经历· 商汤科技

项目局限性与改进方向

匹配正文：…尝试【方案】，结果【】，副作用【】；下一步以【最小实验】验证。若无法在预算内解决，采用【回退、拒答、人工或权限限制】控制风险。 RAG 项目要拆分 retrieval recall/precision、证据进入上下文、context utilization、faithfulness、最终任务成功和延迟成本。召回提高可能带来更多噪声，但并不存在“召回和幻觉天然此消彼长”的定律。top-k、重排、上下文组织、模型能力和任务分布共同决定结果，必须用同一评测集做曲线。不得补写候选…

#项目复盘#技术债务#系统优化

面试题·项目与经历· 美团

项目难题怎么定位与解决?

匹配正文：…果写【有记录的指标及统计口径】。如果没有对应经历，应明确说没有直接做过，再给出会采用的排查方案，不能借用公司名、期限或收益。以 RAG 质量问题为例，Top3 检索结果差只能说明端到端链路出现了坏样本，不能直接证明 embedding 负样本不足。定位时要按查询类型和文档类型切片，先查知识覆盖率、切分与元数据，再分别测候选召回、重排排序、上下文组装、引用支持和最终答案。召回层至少看 Recall@k 或命中率，排序层看 MRR、NDCG 或人工偏好，生成层看答案正确性、证据…

#问题定位#工程实践#跨团队协作

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…生成-判别协同" 方向具体思路判断依据 Diffusion+LLM混合 Diffusion负责候选集生成（多样性），LLM负责重排序（个性化）可作为候选生成研究方案；多样性、质量和延迟需与自回归及判别基线实测多模态统一生成图文视频统一token化，端到端生成推荐理由+封面+标题小红书内容形态丰富，模态对齐能提升种草转化率隐式反馈显式化将停留时长、滑动速度等连续信号编码为生成条件解决当前序列建模只依赖点击ID的稀疏问题 2. 训练策略：推荐专用的RL优化 Re…

#小红书#Agent#生成式推荐系统

面试题·Agent· 高德

旅行Agent怎么拆解任务?

匹配口述回答：…t必须做冲突检测，比如推荐路线经过修路路段，就自动换方案。所以整体上，我会把多Agent架构看成一种「分工但又互相校验」的机制，RAG是它的感知器官。我更倾向于在验证阶段做[[重排]]，而不是在编排阶段做大量检索，因为先粗筛再精排效率更高。如果面试官感兴趣，我可以聊聊具体怎么设计版本化快照的回滚机制。本质问的是多Agent拆解与动态知识融合三层Agent架构：需求解析、行程编排、验证优化 RAG增强：静态库+动态库，嵌入ReAct推理链状态管理与回环迭代落地风险与取…

#高德#Agent#旅行Agent