匹配口述回答：…。这四层下来，基础质量就稳了。但实际落地不能只靠静态模板，得动态调整。举个例子，做客服退款场景，用户问为什么退款没到账，模型需要理解政策、查订单状态、给出解释。这时候我会用[[Chain-of-Thought]]让模型逐步推理，先分析用户意图，再匹配政策规则，最后生成回复，这样逻辑更清晰。如果遇到低资源任务，比如新业务刚上线，历史数据少，我就用[[Few-shot]]给3到5个输入输出对，覆盖边界情况。更常见的场景是[[RAG]]，比如企业做合规文档问答。这时候有个关键边…

#脉脉#评估与监控#Agent

面试题·Prompt· 高德

ReAct 如何结合推理与工具使用？

匹配标题与标签：ReAct 如何结合推理与工具使用？相比单纯 Prompting,ReAct 在推理与工具使用任务中的优势 Prompt 高德 Agent ReAct 框架 ReAct vs Prompting 大模型推理与工具使用高德

#高德#Agent#ReAct 框架

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…的典型场景 1. 复杂数学/逻辑推理多步计算、符号运算、几何证明需要显式展示推导过程，而非直接给答案 2. 多跳推理任务阅读理解中需要整合多个文档信息因果链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性…

← 上一页第 12 / 12 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

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 商汤科技

ReAct 之外还有哪些规划方法?

匹配口述回答：这道题其实是在问，当我们让模型做多步任务时，是每一步都结合工具反馈决策，还是先想清楚再动手，或者走一步看三步。我理解考察的是对不同规划范式的理解深度，以及能不能根据场景做取舍。先说最经典的 [[Chain-of-Thought]]，它就是让模型显式写出推理步骤，但只限于文本，不调用任何外部工具。它的强项是纯推理，比如数学题或者逻辑推导。但有个明显的边界：一旦任务需要跟外部系统交互，比如查数据库或调用API，CoT就完全不行。所以它只适合封闭的推理场景。再一个就是 [[Tr…

#商汤科技#Agent#ReAct 替代方案

面试题·Prompt· 美团

ReAct 框架核心思想与流程

匹配标题与标签：ReAct 框架核心思想与流程 Reasoning+Acting 如何提升大模型代理任务效果 Prompt 美团 Agent ReAct 框架 Reasoning and Acting 大模型代理 ReAct 工作流程美团

#美团#Agent#ReAct 框架

面试题·Prompt· 美团

ReAct 框架怎么用?

匹配标题与标签：ReAct 框架怎么用? 核心思想与工作机制,Agent 任务中对比纯推理/动作模型优势 Prompt 美团 Agent ReAct 框架 Reasoning+Acting Agent 任务 ReAct vs 纯推理美团

#美团#Agent#ReAct 框架

面试题·Prompt· 美团

ReAct 如何提升复杂任务？

匹配题目：请详细介绍ReAct（Reasoning + Acting）框架的基本思想、工作流程及其在AI Agent任务中的应用，举例说明其如何通过交替推理与行动提升复杂任务的解决能力。

#美团#Agent#ReAct 框架

面试题·Prompt· 阶跃星辰

ReAct 各模块输入输出是什么？

匹配正文：…是... 设计要点总结 Plan是隐式的：通过Thought的链式累积实现动态规划 Observation是瓶颈：工具质量直接决定Agent效果格式约束是关键：必须用结构化分隔符（如Observation:）让模型区分内外信息

#介跃星辰#Agent#ReAct 工作流程

面试题·Prompt· 字节

Policy 模型错误决策怎么防?

匹配口述回答：这道题我觉得本质是在问，动态Prompt生成系统的Policy模型，作为[[Agent]]的决策大脑，怎样保证它不犯错，或者犯了错能兜住。我理解这不是单一手段能搞定的，得从训练、验证、约束、监控四个层面搭一套安全防线，而且每个层面都有适用场景和前提条件。先说训练阶段。核心是行为对齐，我会用 [[RLHF]] 或者 [[DPO]] 把策略模型跟人类偏好对齐，避免输出有害或者不靠谱的Prompt。同时得做对抗训练，就是故意喂一些边缘案例、噪声输入，让模型见过这些异常之后，遇到类…

#字节#Agent#Policy 模型

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…链（CoT）数据增强推理能力知识边界标注：明确标注"已知/未知"样本，训练模型识别知识盲区对齐训练 DPO 与 GRPO 分开理解：DPO 用偏好对直接优化策略，无需另训显式奖励模型；GRPO 是基于组内奖励计算优势的强化学习方法，省去的是 critic/value 模型，奖励仍需来自奖励模型或可验证规则。二者都不会自动保证事实准确性。事实性约束RL：在奖励函数中加入事实核查分数，惩罚幻觉输出三、推理优化层面解码策略 Self-Consistency：多路径采样投票…

#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：…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token）、FLARE（动态检索）代表：Self-RAG、ReAct、RAG-Fusion 适用：科研分析、多跳推理、开放域复杂任务架构差异对比维…

#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：…ilvus/Pinecone/Elasticsearch等向量数据库，可结合稀疏索引（BM25）做混合检索在线检索生成阶段查询理解：用户query可能需改写/扩展（HyDE、Query2Doc）向量检索：Top-K相似度召回，常用ANN算法（HNSW、IVF）重排序（Rerank）：用Cross-Encoder精排，提升相关性上下文组装：将检索结果注入Prompt模板，限制在上下文窗口内 LLM生成：模型基于检索上下文作答二、关键技术组件组件作用常用方案 E…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：答案要点能清晰描述RAG的完整技术链路（索引-检索-生成）理解Embedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embeddin…

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：…时效性本质价值：将LLM从"闭卷考试"转为"开卷考试"，用显式检索弥补隐式记忆的不可靠性。学习建议建议先掌握RAG基本流程，理解检索与生成的协同机制，结合实例分析其在减少幻觉和提升准确率中的作用，多练习实际场景的应用解释。

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配口述回答：…觉得这道题本质上在问：[[RAG]] 到底是不是一个拿来就能用的银弹？答案显然不是。它有很多坑，而且不同场景下坑还不一样。所以我的理解是，RAG 适合知识密集但不需要深度推理的场景，比如客服退款政策查询，而微调适合模型需要内化某种能力的场景，比如翻译。真正落地的时候，往往是 RAG 和微调配合着来，或者 RAG 内部几种检索策略混着用。先说检索阶段最大的问题，召回质量不稳定。向量检索有个所谓的语义鸿沟，query 和文档的 [[Embedding]] 空间可能没对齐，比如用…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…。[[RAG]]的核心思路很简单：把模型的参数化记忆，就是它训练学到的权重，和非参数化记忆，也就是外部知识库，结合起来。你可以把它理解成，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。…

#淘天#阿里#RAG 架构

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：一、整体架构：四层分离设计用户层 → 网关层（权限/审计）→ 编排层（Agent/Router）→ 服务层（检索+生成+知识管理）核心原则：检索与生成解耦、领域知识分层管理、全链路可追溯二、数据源与知识库构建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…，LlamaIndex是数据检索框架，它们不是替代关系，而是互补关系。具体说一下。LangChain的设计核心是Chain和[[Agent]]，它擅长把多个步骤串起来，比如先调个API查数据，再让LLM分析，最后发邮件。你可以把它理解成一个调度中心，负责协调各种工具和模型。它的强项是Agent系统，像[[ReAct]]模式，能自主决策，还有LCEL这种灵活的组合方式。但它的数据检索能力相对薄弱，要自己做很多拼接。 LlamaIndex正好反过来。它一上来就聚焦文档索引和检索…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配口述回答：这道题其实在问一个核心问题：当你要做一个AI应用的时候，你的重心是在编排多个工具和模型的工作流，还是在高效地检索和理解私有数据。这两个框架的出发点完全不同。先说LangChain，它的设计目标很明确，就是把LLM、工具、API、记忆这些东西串成一个可编程的工作流。你可以把它理解成一个乐高积木盒子，里面有各种零件，你用它搭出复杂的[[Agent]]系统。举个例子，比如一个客服退款场景，用户说“我订单超时了，要退款”，LangChain可以这么搭：第一步，让LLM理解意图，提取…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配正文：答案要点理解召回阶段的核心作用是快速缩小候选集（从百万级到千级）明确重排序模型计算成本高，无法直接作用于大规模语料能对比单阶段vs两阶段在延迟、精度、成本上的权衡提到实际工业中的常见配置（如向量召回+Cross-Encoder重排）核心原因：计算成本与精度的权衡为什么必须分两阶段？阶段处理规模模型特点核心目标召回（Retrieval）百万~亿级文档轻量、快速（如向量相似度、BM25）快速筛选，从海量中捞出Top-K候选重排序（Rerank）百~…

#字节#两阶段检索#RAG 重排序