匹配口述回答：…息会像谣言一样在团队里扩散，而且越传越真。这个问题在面试里经常被问到，我自己倾向于引入一个独立的验证智能体，或者用 [[Self-RAG]] 让每个智能体先自我校验再输出。总结一下，单智能体简单可控，但能力有天花板；多智能体扩展性强，但引入协调成本和通信开销。我更倾向先评估任务复杂度，能用单智能体解决就不用多智能体，非用不可就选混合架构，并且把冲突解决和幻觉防控作为设计重点。本质是单兵 vs 团队，选型看场景单智能体：ReAct循环 + 分层记忆，适合边界清晰的任务多…

#百度#评估与监控#Agent

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配口述回答：…ain看成是快速验证想法的好帮手，但真要上线，得想清楚复杂度是否值得。如果面试官感兴趣，我可以再聊聊它跟LlamaIndex在[[检索增强生成]]场景下的具体对比。一句话定位：编排框架，解决模型能力串起来的问题 Chain是静态管道，Agent是动态决策，Tool是外部接口业务例子：客服退款场景，Chain处理流程，Agent做复杂决策风险：过度抽象，调试困难，性能损耗工程师取舍：快速原型用LangChain，生产环境谨慎评估约4分钟 LangChain的Agent…

#快手#评估与监控#Agent

面试题·评估· 快手

LangChain 链式调用原理

匹配标题与标签：LangChain 链式调用原理模块化设计原理与核心组件解析,支持 LLM 应用开发评估快手评估与监控 Agent LangChain 原理 LangChain 链式调用 LLM 应用开发框架快手

#快手#评估与监控#Agent

面试题·评估· 淘天

偏好感知系统架构怎么选?

匹配口述回答：…在对话中的落地数据构建：显式排序+隐式反馈，注意一致性模型架构：SFT+Reward Model+PPO/DPO，选型看场景评估：胜率、安全、业务指标，坑是奖励黑客我的取舍：DPO优先，数据质量是前提约4分钟 Self-RAG是另一种偏好对齐路线，适合事实性要求高的场景面试官可能会追问Self-RAG和RLHF的对比，以及如何选择

#淘天#偏好感知对话系统#对话系统训练数据

面试题·评估· 蚂蚁

Agent项目挑战与解决方案怎么讲?

匹配标题与标签：Agent项目挑战与解决方案怎么讲? 大模型落地项目背景、技术方案与挑战应对评估蚂蚁评估与监控 Agent 项目经验大模型落地技术方案蚂蚁

#蚂蚁#评估与监控#Agent 项目经验

面试题·评估· 蚂蚁

Agent 项目踩坑与恢复

匹配口述回答：…么场景该上、什么场景不该上项目背景：售后客服，意图交织+多系统技术方案：架构分层，ReAct+工具调用核心挑战：幻觉、超时、评估边界划分与反思：规则与LLM混合，多Agent取舍约4分钟工具描述让大模型自己生成比人写更稳定，背后涉及Self-RAG思想追问Self-RAG的具体实现和对比实验细节

#蚂蚁#评估与监控#Agent 项目踩坑与恢复

面试题·评估· 美团

Agent 哪个方向最易落地?

匹配口述回答：…漏洞。所以我会把当前阶段看成「补全增强」，而不是真正的Agent。这里其实有个很有意思的延伸：如果编程助手真的走到端到端，那它的评估方式也要变，不能只看生成代码的通过率，而要引入类似[[Self-RAG]]的自反思机制，让Agent自己检查自己的输出。这个我做过一些调研，如果你感兴趣我们可以细聊。总结一下，我更倾向于把编程助手看作Agent落地的第一块试验田，因为它任务闭环、数据好、风险低、ROI可量化。其他方向不是没机会，但至少还需要3-5年去解决那些更本质的问题。这…

#美团#评估与监控#Agent 商业落地

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配正文：…> GUI）应用场景广泛性分析（Coding覆盖开发全流程，Search覆盖通用信息需求，GUI受限于交互稳定性）工程实现难度评估（GUI的DOM解析/视觉感知最难，Coding的确定性输出最易）短期落地判断需结合ROI、可靠性、生态成熟度综合考量明确给出Coding或Search作为首选并论证三种能力对比分析维度 Coding Search GUI 技术成熟度 ⭐⭐⭐ 最高 ⭐⭐⭐ 高 ⭐⭐ 较低场景广泛性开发者群体，但渗透率高通用需求，人人可用理论上最…

#美团#Agent#Agent 能力对比

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配口述回答：…程，能用提示工程解决的，别急着上Agent。一句话点明本质：选型不是比谁好，是看场景和成本五大范式按原理和边界拆开讲，重点对比RAG和微调落地选型三步走：需求拆解、成本权衡、组合使用给出可延伸点：Agent的稳定性问题约4分钟 Agent的自我反思机制（如Reflexion）能提升稳定性，但推理成本高且反思质量不可控面试官可能会追问Reflexion的具体实现、与ReAct的区别、以及如何评估反思效果

#滴滴#模型微调#Agent

面试题·模型微调· 华为

Few-shot vs Zero-shot vs Fine-tuning 怎么选?

匹配正文：…长文档分析场景需权衡示例质量敏感：错误示例会误导，边缘案例覆盖不足时泛化差推理成本上升：输入token增加，昇腾/NPU场景需评估吞吐影响无法学习新知识：仅做"模式迁移"，示例外的知识盲区仍存在（此时需结合RAG）华为场景实践典型如网络故障诊断：用Few-shot定义"故障现象→根因→处置建议"的输出格式，同时RAG注入实时告警知识库，既保证格式合规，又解决知识时效问题。学习建议建议系统学习该知识点

#华为#Few-shot 提示#Zero-shot 对比

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：…e-BERT、M3E、BGE等）的优劣对比理解维度、上下文长度、多语言能力的权衡知道领域适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模型（如CodeBERT、CLIP） 2. 关键性能指标因素权衡要点维度 768/1024维效果好，…

#百度#向量检索#Embedding 模型选型

面试题·RAG

大模型幻觉是什么？怎么缓解？

匹配口述回答：…我们能做的是把幻觉率压到业务可接受的范围。所以高风险场景，比如医疗、法律、金融，一定要保留人工审核兜底，不能让模型单独拍板。另外，RAG 也有前提，知识库质量要靠谱，检索结果要准，否则只是把脏数据更快喂给模型。真正落地时，我会同时管知识库质量、检索质量和生成约束。如果面试官追问，我会说：幻觉评测也是个关键方向，比如怎么量化幻觉率。我倾向用 [[RAGAS]] 框架里的 [[Faithfulness]] 和 Answer Relevance 指标，结合人工抽检来评估。不过评测…

#入门#基础概念#大模型幻觉

面试题·Prompt

什么是 Prompt 工程?

匹配正文：…case 迭代改写——像调试代码一样调试 prompt。入门之后，可以往思维链（CoT）、结构化输出、prompt 效果的自动化评估，以及 prompt 与 RAG/微调的选型边界深入。

#入门#基础概念#Prompt工程

面试题·知识图谱· 澜舟

LLM 事实准确性怎么保证?

匹配正文：答案要点区分幻觉类型（事实性vs推理性）并针对性治理 RAG与知识图谱结合的检索增强方案多模型交叉验证与一致性约束机制金融领域特有的监管合规与可审计性设计量化评估与持续监控体系核心挑战分析金融领域幻觉代价极高，需区分两类：事实性幻觉：利率、股价、法规条款等可验证事实错误推理性幻觉：逻辑推导过程中的隐含假设偏差技术方案分层 1. 检索增强层（RAG+）结构化知识优先：对接金融知识图谱（实体关系如"公司-财报-指标"），而非纯文本向量检索多源检索融合：同时查…

#澜舟#LLM 事实准确性#知识图谱 LLM

面试题·知识图谱· 字节

GraphRAG 原理与构建方法

匹配正文：…解析和质量控制成本更高。向量检索也能通过多查询、迭代检索或层次索引处理复杂问题，因此不能把它限定为“单点事实”。 4. 评测分别评估实体/关系准确率、证据 Recall@K、路径或社区命中、答案正确性、Faithfulness、构建成本和更新延迟，并与向量 RAG 及混合方案做同集对照。结论：GraphRAG 是对证据组织和检索方式的扩展，是否优于向量检索取决于查询类型、图质量和端到端评测。图解 GraphRAG 原理与构建方法图解

#字节#GraphRAG 实现原理#知识图谱构建

面试题·知识图谱· 淘天

GraphRAG 知识图谱构建有哪些挑战?

匹配正文：…略以及可回滚索引。安全与治理：跨租户图合并、敏感实体、删除请求和提示注入都可能导致越权或污染，授权必须在检索与证据读取层执行。评估要分层覆盖实体链接准确率、关系精确率与召回率、路径及证据命中、答案忠实度、更新新鲜度、延迟和成本，并与向量 RAG、关键词检索及无图基线在同一查询集比较。GraphRAG 能提供全局主题和关系视角，但不能保证自动获得正确知识图谱或可靠推理。图解 GraphRAG 知识图谱构建有哪些挑战?图解

#淘天#知识图谱#GraphRAG 挑战

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配口述回答：…是粗放一点覆盖全局，还是精细到每个子社区，这直接影响召回质量，我还在实验不同策略。本质在问：如何让大模型拥有结构化知识推理能力 RAG基础与瓶颈：切块导致的语义碎片化 GraphRAG改进：从向量相似到关系推理落地风险：图构建成本高，适用场景要选对工程师取舍：RAG+GraphRAG混合，优先解决多跳推理约4分钟 GraphRAG社区摘要的粒度选择直接影响召回质量与延迟，需要实验调优面试官可能会追问社区摘要粒度如何设置，以及如何评估不同粒度下的效果

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配口述回答：…着错。常见的失败场景是社区粒度没调好，太粗了摘要笼统，太细了又退化回局部检索。上线前我会特别关注两点：一是用一批标注 query 评估社区划分的合理性，二是监控查询延迟，全局搜索如果遍历太多社区，速度可能扛不住。所以我的判断是：GraphRAG 不是替代传统 RAG 的，而是补充。我更倾向于把它看作一个"全局分析工具"，用在需要高层洞察的场景，比如竞品分析、技术趋势研判。而传统 RAG 是"精确问答工具"，两者配合才能覆盖更多查询。不过这里有个值得深挖的点：查询路由怎么设…

#字节#知识图谱#GraphRAG 原理

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配口述回答：…一般会根据文档数量和查询复杂度动态调整层数，但具体怎么做最优，其实跟具体的图结构有关。所以整体上，我会把GraphRAG看作传统RAG的增强插件，而不是替代品。我更倾向在需要聚合推理的场景里引入它，同时保留传统RAG做快速响应。如果让我选，我会先评估业务里全局性问题占比，超过30%才值得上GraphRAG，否则性价比不高。 GraphRAG的本质是结构化推理而非文本匹配构建流程：实体抽取到社区摘要与传统RAG的边界：局部vs全局业务场景举例与落地风险工程师的取舍判断…

#淘天#知识图谱#GraphRAG 原理

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· 美团

ReAct 框架怎么实现推理+行动?

匹配标题与标签：ReAct 框架怎么实现推理+行动? Agent 中 ReAct 工作机制与实现流程,结合搜索工具举例 Prompt 美团评估与监控 Agent ReAct 框架 Agent 推理行动 ReAct 实现流程美团

#美团#评估与监控#Agent