匹配正文：…接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、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/de…

#快手#评估与监控#Agent

面试题·评估· 百度

MRR vs NDCG vs Precision 怎么选?

匹配口述回答：这道题其实是在问，当你评价一个[[RAG]]系统的排序质量时，不同指标到底在衡量什么，以及怎么选。我理解核心不是背公式，而是搞清楚每个指标的适用边界，因为实际落地中，指标选错了，优化方向就偏了。先说MRR，Mean Reciprocal Rank。它只关心第一个正确答案排在第几位，取倒数，然后对所有查询平均。比如用户问“退款流程是什么”，系统第一个返回的就是退款步骤，那排名1，倒数就是1；如果第一个返回的是退货政策，第二个才是退款流程，那倒数就是0.5。MRR只看第一个，后…

#百度#MRR 计算方法#NDCG 与 Precision 区别

面试题·评估· 淘天

LangGraph 适用边界与替代

匹配正文：答案要点明确LangGraph的核心定位（基于图结构的Agent编排框架，非RAG专用）列举3个以上典型应用场景并说明优势对比说明与传统Agent框架（如LangChain、AutoGen）的差异体现对状态持久化、循环控制等核心特性的理解 LangGraph是LangChain团队推出的基于图结构（Graph）的Agent编排框架，核心解决复杂Agent工作流的状态管理和循环控制问题。主要适用场景： 1. 需要循环/条件分支的复杂工作流传统DAG（如Airflow）…

← 上一页第 12 / 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

#淘天#评估与监控#LangGraph 适用边界与替代

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配正文：…幻觉循环、MetaGPT复杂场景适配）三类框架核心定位框架核心定位本质区别 LangChain 编排工具链开发者显式定义流程 AutoGPT 自主执行体大模型自主决策循环 MetaGPT 多智能体协作模拟软件公司SOP分工关键差异对比 LangChain 架构：模块化组件（Models→Prompts→Chains→Agents），链式组合特点：高度灵活，生态丰富（100+集成），但抽象层过厚适用：快速原型、可控流程的RAG/工具调用场景局限：调试困难，…

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配正文：…）影响调用成功率错误恢复机制：超时、异常、幻觉结果的兜底处理应用场景与适配性场景适配度原因智能客服/运维 ⭐⭐⭐⭐⭐ 流程明确、工具标准化、容错可控数据分析助手 ⭐⭐⭐⭐☆ 代码解释器+可视化工具链成熟复杂任务自动化（如旅行规划） ⭐⭐⭐☆☆ 需要多轮决策，但幻觉风险较高高 stakes 决策（医疗/金融） ⭐⭐☆☆☆ 容错极低，需人机协同兜底核心局限性模型层面幻觉传导：规划错误会级联放大，传统RAG难以解决推理链幻觉上下文瓶颈：复杂任务超出窗口，关…

#字节#Agent#大模型 Agent 优缺点

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供事实依据，支撑决策的准确性 3. GUI 模块 —— 图形界面交互功能定位：实现与操作系统、网页、APP的视觉化交互输入：屏幕截图/界面元素描述、操作指令（点击/输入/滑动）输出：预测的操作序列（坐标或元素ID）、执行后的界面状态架构作用：打通Agent与真实数字世界的"最后一公里"，适用于自动化办公、网页操作等场…

#美团#评估与监控#Agent

面试题·评估· 安克科技

评估集防泄漏与复现

匹配口述回答：这道题问的其实是，你怎么用一个评估数据集来模拟真实用户反馈，让[[Agent]]或[[RAG]]系统上线前就暴露问题。说白了，评估数据集就是系统的镜子，镜面不平，照出来的全是扭曲的。先说边界划分。RAG和Agent的评估重点完全不同。RAG更关注检索质量，比如召回率、NDCG，还有生成内容是否忠实于检索结果，有没有[[Hallucination]]。Agent则更看重工具调用，比如[[Function Calling]]参数解析对不对、任务规划是否合理、多轮对话状态能不能记…

#安克科技#评估与监控#Agent

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配追问：场景切入假设你现在做客服系统，用户问了一个复杂问题，比如退款流程，你是直接让大模型回答，还是先去知识库查一下再回答？这两种方案各有什么优劣，实际中你怎么选？层层追问大模型落地一般有哪些主流技术路径？……提示工程、微调、RAG这些你了解吧？……那如果需求是实时更新知识，你选哪个？为什么？直球架构请系统比较提示工程、上下文学习、微调、RAG和Agent这几种技术范式，从原理、适用场景、优缺点到典型应用，再给一个选型决策框架。

#滴滴#模型微调#Agent

面试题·模型微调· 快手

Agent 系统怎么调优优化?

匹配正文：…nAI GPTs/Assistant API Function Calling原生支持，结构化输出强制JSON schema，内置RAG检索 Claude Computer Use 多模态感知+GUI操作，截图理解+鼠标键盘控制，长上下文（200K）支撑复杂任务智谱AutoGLM 手机端Agent，通过UI元素理解实现"说一句话订外卖"，端到端训练而非规则拼接快手快意Agent 视频理解+创作闭环，从素材检索、脚本生成到剪辑渲染的全链路自动化 MetaGPT 多Agent…

#快手#Agent#Agent 调优

面试题·模型微调

生成模型回答不准怎么调?

匹配口述回答：…文组织微调与系统级方案落地风险与前提约4分钟当检索和生成都调优后，瓶颈可能在于模型内部知识与检索内容的矛盾，需要Self-RAG或Chain-of-Verification让模型自己反思验证。面试官可能会追问Self-RAG的具体实现或Chain-of-Verification的流程，以及如何平衡模型内部知识与外部检索的权重。

#生成模型调优#上下文利用#RAG 生成不准确

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配正文：答案要点 Agent与RAG的本质区别（主动规划vs被动检索）核心优势：任务分解、工具调用、多轮交互、自主决策主要局限：可靠性不稳定、延迟高、成本不可控、安全边界难定义技术趋势：Multi-Agent协作、Agent即服务(AaaS)、与具身智能结合潜在挑战：评估体系缺失、长期记忆机制、多模态工具生态核心优势 1. 从"问答"到"执行"的跃迁 RAG是"知识检索+生成"，Agent是"理解→规划→执行→反思"的闭环能调用外部工具（API、代码执行、数据库），完成复…

#字节#Agent#Agent 优势与局限

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配正文：…（Tool Use / Function Calling）实现方式：模型输出结构化JSON（函数名+参数），外部执行后返回结果流程：模型生成调用 → 系统执行 → 结果回传 → 模型继续推理工具类型：搜索引擎、代码解释器、数据库、API、计算器等 3. 记忆模块（Memory）类型存储内容实现方式短期记忆当前对话上下文直接放入prompt 长期记忆历史会话、用户画像、领域知识向量数据库（RAG检索）工作记忆当前任务的中间结果变量/缓存存储协作示例…

#百度#Agent#Agent 核心组件

面试题·Prompt· 百度

AI Agent组件如何协同工作?

匹配正文：…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（Function Calling）结果处理：解析工具返回，决定继续规划或输出结果 5. 执行与反馈循环观察→思考→行动的闭环执行异常处…

#百度#Agent#AI Agent 核心组件

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：…ct把两者结合起来，用思考指导行动，用观察修正思考，所以比单独用哪个都好。但真正落地的时候，我一般不会只用ReAct，还会结合[[RAG]]或者微调。比如RAG适合知识密集型任务，ReAct适合需要多步推理和工具调用的场景，很多时候是两者一起上，先用RAG检索知识，再用ReAct做推理和行动。举个例子，客服退款场景。用户说“我买了个商品，订单号是12345，但没收到货，我要退款”。模型先Thought：用户要退款，我需要查订单状态和物流信息。然后Action：查询订单系统，…

#美团#评估与监控#Agent

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…召回的是真正相关的内容；二是Agent的指令约束，要明确告诉Agent“只基于检索结果回答，不要自己发挥”，必要时用[[Self-RAG]]让模型自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的判断是，我更倾向数据驱动的思路。因为LLM应用的核心瓶颈往往不是流程复杂，而是数据质量和检索精度。我会把LlamaIndex作为数据底座，LangChain作为上层…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配标题与标签：LangChain vs LlamaIndex 场景怎么选？核心设计理念与适用场景对比,技术侧重点分析 RAG 阿里云 AI框架选型 LangChain vs LlamaIndex RAG框架对比阿里

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 字节

豆包等产品多轮一致性挑战与方案?

匹配口述回答：…户说“我要退昨天买的那个红色T恤”，状态表里就记下“订单号、退款原因、商品属性”。这样后面再问“什么时候能到账”，模型能关联到退款流程，而不是当成新问题。但状态表有个问题，它只适合结构化场景，像客服、订票这种领域明确、槽位固定的任务。如果用户聊得很开放，状态表就不好维护了。这时候会用 [[RAG]]，检索历史相关片段，动态找回上下文。比如用户突然问“那刚才说的满减政策还适用吗”，RAG能去历史里把之前讨论的政策片段捞出来。训练层面，[[SFT]] 和 [[RLHF]] 也…

#字节#多轮对话一致性#大模型多轮对话

面试题·RAG· OPPO

搜索评分如何融合点击与停留?

匹配标题与标签：搜索评分如何融合点击与停留? 融合相关性、点击率、停留时长的加权与归一化方法 RAG OPPO 评分函数归一化 Scoring Function 设计搜索评分函数相关性点击率停留时长 OPPO

#OPPO#评分函数归一化#Scoring Function 设计

面试题·RAG· OPPO

推荐不精准怎么诊断?

匹配标题与标签：推荐不精准怎么诊断? 电商场景下通过用户行为分析发现推荐问题,常见诊断方法 RAG OPPO 推荐精度诊断推荐不精准诊断用户行为分析电商推荐系统 OPPO

#OPPO#推荐精度诊断#推荐不精准诊断

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配口述回答：…但重试次数要有限制，不然延迟会爆炸。第三层是业务层，比如用户权限、场景约束。比如只有 VIP 用户才能申请加急退款，普通用户走普通流程。这一层校验不通过，我会直接拦截并返回友好提示，而不是重试，因为业务规则是硬约束。再一个重点是内容安全过滤。敏感信息，像手机号、身份证号，我会用正则加模型识别来检测。合规方面，可以调用第三方审核 API，比如阿里云绿网。对于 [[Hallucination]] 检测，在 [[RAG]] 场景下，我会对比生成内容与检索片段，计算语义相似度，如果…

#字节#大模型输出过滤#大模型输出检测

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配追问：场景切入假设你在做一个电商客服的RAG系统，用户问“这个手机多少钱”，你从商品库检索后回答。现在用户又追问“那拍照怎么样”，你肯定要结合前文。但问题是，你的检索库可能有上百万个商品，如果每个都拿去做深度匹配，延迟根本扛不住。你怎么设计这个检索流程？层层追问 RAG系统里，query来了之后，你怎么从海量文档里找到相关的？……直接用最精准的模型去全文搜一遍行不行？……为什么实际工业界都分成召回和重排两步？这样设计有什么好处和坏处？直球架构 RAG里为什么通常采用召回+重排…

#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？

匹配口述回答：这道题其实问的是[[RAG]]系统里知识库怎么存，本质是语义相似度检索和精确条件过滤怎么配合的问题。不是单纯比较哪个数据库好，而是要看场景做组合。先说[[向量数据库]]和传统数据库的定位。向量库的核心是存 [[Embedding]]，用 [[ANN]] 算法比如 [[HNSW]] 或者 [[IVF]] 做近似检索，擅长找相似内容，比如用户问“退货政策”，它能召回语义相近的文档。但它不擅长精确匹配，比如查“订单号123”或者“价格大于100”这种，它搞不定。反过来，传…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 百度

向量召回原理与实现?

匹配正文：…相似度计算常用余弦相似度或内积 ANN索引（HNSW、IVF）解决高维向量检索效率问题大规模系统采用分片、量化、缓存等工程优化 RAG中需平衡召回率与延迟向量召回核心流程 1. 向量嵌入（Embedding）用预训练模型（BERT、Sentence-BERT、OpenAI Embedding等）将文本编码为稠密向量关键：语义相似的文本在向量空间中距离相近维度通常 256-1536 维，需权衡表达能力与存储成本 2. 相似度计算余弦相似度：衡量向量夹角，归一化后等价…

#百度#向量召回#向量召回原理

面试题·检索· 百度

向量检索 4 种范式怎么选?

匹配正文：…图）的核心思想和适用场景掌握1-2种代表性算法的细节（如HNSW、PQ、LSH）理解各方法的时空复杂度权衡能结合实际场景（如RAG中的百万/十亿级检索）给出选型建议了解工业界的优化手段（如乘积量化+图索引的混合方案）向量相似度检索的核心矛盾是精确性与效率的权衡。高维空间下精确最近邻复杂度O(n)，必须依赖近似最近邻（ANN）算法。四大范式如下：一、基于树结构：空间划分思想代表算法：KD-Tree、Ball Tree、Annoy（随机投影树）核心思想：递归划分空…

#百度#ANN索引#向量检索方法