匹配正文：答案要点明确区分闲聊与功能意图的判定标准提示工程中引入Few-shot示例和明确边界定义模型侧采用分类器或双模型架构后处理层设置置信度阈值和二次校验机制实际业务中结合上下文多轮判断核心思路本质是意图边界模糊问题，需在"能调"和"该调"之间建立多层过滤。一、模型设计层 1. 显式意图分类器在Function Calling前加二分类/多分类模块，输出chat/tool_call/uncertain三档可用轻量模型（如BERT级）或LoRA微调，降低主模型负担…

#介跃星辰#Agent#闲聊误判

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…hain、SequentialChain）固定步骤的流水线任务 Agents 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入多轮对话、长期个性化关键集成机制工具绑定（Tools）工具 = 函数签名描述（name/description）+ 实际执行体 LLM通过Function Calling或ReAct提示解析用户意图，输出工具调用JSON Agent循环：Thought → Action → Obser…

#快手#评估与监控#Agent

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配追问：场景切入假设你在做一个多客服Agent协助下单的系统。用户说“帮我改一下昨天那个地址”，结果两个Agent都去改了，一覆盖，搞出订单错误。你会怎么用反思和记忆来避免这种冲突？层层追问多智能体系统里，Agent们是怎么从自己的错误里学习的？……那如果两个Agent同时犯错，比如都记错了库存，怎么防止它们互相强化这个错误？……再具体点，反思的结果怎么存到记忆里，让下次其他Agent也能用上？直球架构请从原理上对比Reflection和Memory在多智能体协同中的作用。…

← 上一页第 12 / 16 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#多智能体系统

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配正文：…可控性要求：高合规场景优先RAG（可追溯来源）第二步：成本权衡数据成本：微调 > RAG > ICL > 提示工程推理成本：Agent > RAG > 微调 > 提示工程维护成本：Agent > RAG > 微调 > 提示工程第三步：滴滴场景示例实时定价：微调（历史订单数据训练，延迟敏感）司机答疑：RAG（政策文档频繁更新+需准确引用）异常处理工单：Agent（需调用订单系统+地图服务+规则引擎）关键认知工业落地的核心是分层架构：基座模型+轻量适配层。多数…

#滴滴#模型微调#Agent

面试题·模型微调· 百度

Tool Calling 技术路径怎么选?

匹配追问：…哪个工具、传什么参数？如果工具很多，怎么保证它不出错？层层追问你怎么让大模型去调用外部工具？……提示工程够用吗？……如果工具一多就不稳定了，你怎么办？……那再进一步，要是涉及多步推理，比如先查库存再下单，你打算怎么设计整个流程？直球架构请系统说一下大模型实现工具调用的几种技术路径，比如提示工程、微调、代理框架，每种的核心流程、适用场景和优缺点，以及它们在构建Agent中的作用和关键挑战。

#百度#模型微调#Tool Calling 实现

面试题·模型微调· 字节

大模型输出JSON怎么保正确?

匹配正文：…裹用json...标记或强制以{开头负向指令 "不要输出markdown，不要解释，只返回JSON" 三、后处理：兜底与修复多层校验链原始输出 → 提取JSON块（正则/栈匹配）→ json.loads() → Pydantic校验 → 业务规则校验失败恢复策略语法错误：必要时尝试格式修复，修复后重新校验；截断输出不可被当作完整业务结果。字段缺失：只有协议明确允许的默认值才可补；金额、决策、身份等关键字段应有界重试或失败/人工复核。类型错误：避免静默强转掩盖错…

#字节#Agent#大模型 JSON 输出

面试题·Agent

MCP 模型上下文协议是什么?

匹配正文：…据" 解决 M×N 集成爆炸:M 个 AI 应用接 N 个工具,原来要写 M×N 套对接代码,有协议后只需 M+N 客户端-服务器架构:工具方实现 MCP Server 暴露能力,应用方实现 MCP Client 统一调用与 Function Calling 不冲突:FC 是模型"表达调用意图"的能力,MCP 是工具"如何被发现和接入"的标准常被比作"AI 世界的 USB-C 接口" 核心概念 MCP(Model Context Protocol,模型上下文协议)是一个开…

#入门#基础概念#MCP 协议

面试题·知识图谱· 字节

知识图谱怎么动态更新?

匹配正文：…听MySQL binlog 对非结构化数据源，采用滑动窗口比对embedding差异 2. 事件触发（Event-Driven）架构：消息队列（Kafka/RabbitMQ）+ 流处理（Flink/Spark Streaming）典型事件：文档上传、人工标注修正、LLM抽取结果置信度低于阈值支持复杂规则：如"同一实体属性冲突时触发人工审核" 3. 版本管理多版本共存：用版本号标记三元组，查询时指定版本或默认最新快照隔离：写操作创建新快照，读操作指向固定版本回滚能力…

#字节#知识图谱#Agent

面试题·知识图谱· 高德

知识图谱实时性怎么保证?

匹配正文：答案要点区分静态知识图谱与动态事实的更新策略增量更新与全量重建的权衡多源数据同步机制版本控制与一致性保障实时性与查询性能的折中方案核心思路：分层解耦 + 增量流水线 1. 架构分层：区分"慢变知识"与"快变事实" 本体层（Schema）：相对稳定，人工维护，季度级更新实体关系层：T+1或小时级增量更新，如商户信息动态事实层：分钟级流式更新，如实时路况、库存状态 2. 增量更新机制变更数据源 → CDC/消息队列 → 图谱差分计算 → 局部子图重建 → 向量索…

#高德#知识图谱实时性#RAG 知识图谱

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配正文：…话存对象存储（低成本），语义向量存索引库（快速检索），关键实体关系抽成知识图谱（复杂推理）。大规模记忆的优化策略 1. 分层索引架构时间分区：按时间窗口分片索引，优先检索近期，冷数据下沉多粒度索引：对话级（粗粒度）→ 句子级（细粒度）→ 实体级（精准），逐层过滤 2. 摘要压缩（Summarization）增量摘要：每N轮对话生成运行摘要，替代原始记录层次摘要：日摘要 → 周摘要 → 主题摘要，形成树状结构关键信息提取：用SLM提取"用户偏好、决策结论、待办事项"…

#字节#Agent 长期记忆#向量索引

面试题·Prompt· 字节

动态Prompt怎么保证策略对齐?

匹配正文：答案要点解码层面的可控生成机制（如约束解码、logits处理器）反馈循环与自我校验架构（验证器+重试机制）形式化验证与符号接地方法多智能体交叉验证与红队测试任务目标的形式化表征与对齐度量核心思路：三层防御体系动态Prompt驱动的策略生成面临"提示漂移→行为失控"的风险，需从生成前约束、生成中控制、生成后校验三层构建防护。一、解码控制层（生成中）技术作用约束解码用CFG/正则约束输出结构（如JSON Schema），拒绝非法格式 Logits处理器动…

#字节#Prompt工程#Agent

面试题·Prompt· 百度

Reflection 机制怎么提升协作?

匹配追问：场景切入假设你在做电商客服的多智能体系统，有售前、售后、物流三个智能体协作。用户抱怨物流慢，售后说退款，物流说已签收，两方吵起来了。在没有外部仲裁的情况下，你怎么让它们自己发现并纠正这种冲突？层层追问多智能体系统里，智能体之间是不是经常各说各话、甚至互相矛盾？……那你怎么让它们意识到自己错了？……比如某个智能体输出后，系统怎么让它回头检查并修正？核心机制叫什么？直球架构请直接设计多智能体系统中的Reflection机制。说清楚它的核心功能是什么，以及它如何提升协作效…

#百度#Agent#Reflection 机制

面试题·Prompt· 哔哩哔哩

CoT 提示怎么写?

匹配正文：…案正确示例必须准确，错误示例会误导模型格式一致统一分隔符和书写风格，降低解析成本作用与边界有效场景：数学推理、符号逻辑、多步决策、代码调试等需要显式路径的任务局限性：简单任务可能增加token消耗而无收益事实性问答不需要CoT，直接回答更高效模型能力不足时（如小模型），CoT可能产生幻觉推理链在Agent中的应用：CoT是ReAct、Plan-and-Solve等Agent架构的基础组件，支撑任务分解与规划能力。

#b站#Agent#Chain-of-Thought 提示

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…在目标任务上验证。四、外部工具集成工具调用架构 ReAct循环：Thought → Action → Observation，多轮交互获取精确信息多工具编排：搜索引擎+计算器+代码解释器，按场景路由知识库构建向量检索（Dense）+ 关键词匹配（Sparse）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集…

#百度#对话模型准确性#模型架构优化

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…缩/摘要）→ 生成核心改进：查询优化：HyDE（假设文档嵌入）、Query2Doc 精排策略：Cross-encoder重排、多路召回融合上下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思toke…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…e Rerank 分块策略平衡粒度与语义递归切分、语义切分、Agentic切分三、核心挑战检索精度：语义鸿沟导致召不准，需多路召回+重排序上下文瓶颈：长文档超出窗口，需摘要压缩或层级索引知识时效性：静态索引难更新，需增量索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…步：extension。配套学习：大模型应用怎么保障可靠性?。 11. extension · extension 如果业务新增多语言和多租户，怎样保持不同切片可比，同时避免客户数据进入错误评测集？考察重点：测试约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：Agent 如何防越权与隐私泄露?。评分与复盘 dimension：ownership 0：只会复述团队目标，无法说明本人职责。 1：能说出参与模块，但…

#模拟面试#简历项目#连续追问

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：…监控、限流、灰度,这些都是大模型应用上线时的硬需求。数据处理能力:文档解析、清洗、索引、数据库、消息队列,正好对应 RAG 和 Agent 的底层管线。排障能力:线上问题定位、性能瓶颈、用户反馈闭环,比“调一个 demo”更接近真实岗位。业务理解:知道需求怎么变、用户怎么提问、系统怎么接入现有流程,这是很多纯算法背景候选人反而缺的。这也是为什么后端工程师转大模型应用开发:已有经验怎么迁移要单独写一篇:后端不是从零转行,而是在原有工程底座上叠一层模型能力。但不要把应用…

#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：…快手 16 内容生产、推荐、Agent 应用这张表最重要的用法不是“只投前几家公司”,而是反推准备方向:字节、美团、百度这类题源多的公司,更容易连续追问项目细节;云和企业服务类团队,更在意稳定性、权限、成本和交付;内容社区和电商,会更关注多模态、推荐、搜索和生成质量。薪资档位怎么读:不要拿高阶均值套自己薪资是最容易被误读的部分。公开报告里的高均值往往来自中高端岗位,里面包含算法负责人、资深研究员、架构师和头部公司核心岗。转行者更应该按“你能证明的能力层级”估算,下面只给…

#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：…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/LLMOps 让模型服务稳定、便宜、跑得快模型服务、并发、显存、KV Cache、监控、灰度后端、SRE、平台工程、基础架构背景推理优化、模型架构应用算法/微调让模…

#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：…不能靠热情,要靠固定机制: 工作日只做小任务:读一节教程、写一个函数、改一个 badcase、整理一道题口述。周末做长任务:项目架构、评估集、简历复盘、模拟面试。每周只追一个主目标:不要同时学 RAG、Agent、微调、推理、前端页面。每两周产出一个可见成果:代码、文档、评估表、简历版本、投递反馈。如果连续两周没有任何产出,不是你不适合转型,而是计划太散。把目标缩小到“本周把文档切块和向量检索跑通”,比“我要学完大模型”有效得多。看一篇真实案例再校准预期可以读RA…

#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：…间充裕,可系统过一遍全部概念已有工程直觉,时间紧,只补缺口补的顺序按上表从上到下走一遍,建立完整地图直接跳到 RAG / Agent / 评估这三块补直觉深度取向可往下多探一层(Embedding 怎么训、注意力机制),为要不要走应用算法留口子不必深挖原理,重点是"这概念影响我哪个设计决策" 里程碑能对着一张架构图把每个概念讲 20 分钟能把概念挂到自己的项目和后端经验上别做的事别只刷概念不动手,概念会飘别从头学深度学习数学,那是浪费时间在校生多出来…

#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：…,哪些要重训直觉这是最关键的一节:后端的能力不是等价迁移,有的原封不动能用,有的要把脑子里的默认假设卸载重装。看不清这条线,是很多后端转型卡壳的根因。你的能力直接复用还是要重训直觉说明系统设计 / 分层架构直接复用 RAG、Agent 系统的模块切分和你画的服务架构图是同一种思维数据管线 / 批处理直接复用文档清洗、切块、向量化就是一条新的 ETL,链路你熟性能 / 成本优化大部分复用换成 token 成本、首 token 延迟、并发批处理,方法论一致…

#求职#职业转型

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…者或学员的客户项目记录。前面九章一路在"优化":换切分、上混合检索、加重排……每次改完都有人说"感觉更准了"。这时应该追问:"准了多少?你怎么知道是真变好,不是错觉?" 如果回答不出来,说明团队仍在凭感觉调参。改了 A 觉得好,改了 B 也觉得好,可到底哪个真有用、提升多少,谁也说不清,因为没有一把客观的尺子。正确做法是建立评估集:从目标资料与使用场景中抽样问题,每道事先人工标好"正确答案应该来自哪个 chunk"。每次改动都在同一套题上运行,比较 Recall、MRR、延…

#RAG#检索#项目实战