匹配正文：大模型面试里最能分辨真假的环节,就是项目深挖。面试官的顺序因岗位和项目而异,但常会沿实现与证据继续追问,从"你解决的是什么业务问题"一路问到评估、badcase 和上线成本,缺少证据时,项目范围和个人贡献会变得难以判断。所以准备项目不是把讲法背顺,而是提前把这条链上的每一环都补一条"问题+方案+取舍+数字"。这一篇拆开 RAG 和 Agent 两条最常被追的链,逐环告诉你面试官想验证什么、你该怎么带着证据答。作者:吴师兄 | 适合:项目主线能讲顺、但被往深追第二层就卡住的人…

#求职#职业转型

面试题·项目与经历· 京东

面试反问怎么问才加分?

匹配正文：面试结束前，我会选两到三个与前面交流最相关的问题，而不是背一串技术名词。第一个可以问：团队现在最希望大模型解决的具体用户问题是什么，成功主要看哪些指标，当前基线和最大失败类型分别是什么？这个问题能判断项目是在做展示、内部提效还是承担真实业务结果。如果面试官提到知识库或Agent，我会继续问：线上错误通常来自召回、生成、工具执行还是数据更新，团队怎样收集失败样本并决定下一轮优先级？这比直接问是否使用某个向量库更有信息。若对方说召回问题多，再追问文档版本、权限、评测集和引用支持…

#面试技巧#职业规划#团队沟通

面试题·RLHF与对齐· 美团

Environment-based 训练怎么用?

匹配追问：如果模拟环境与真实环境存在较大gap，如何解决sim-to-real transfer问题？在LLM的RLHF中，为什么通常不用真实环境交互，而是用偏好数据集进行离线训练？场景切入假设我们在做外卖订单调度系统，骑手实时接单、送餐，环境不断变化，你会怎么训练一个调度策略？是让它在仿真环境里跟模拟骑手交互迭代，还是直接拿历史订单数据离线学？层层追问强化学习里，智能体是怎么学会做决策的？……那它怎么获得训练数据？……如果数据是跟环境实时交互得来的，跟用预先录好的数据训练有…

← 上一页第 13 / 14 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

#环境交互训练#在线学习#模拟器训练

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配正文：技术方向类（推荐） "咱们团队在RAG和Agent的结合上有什么探索？比如外卖/到店场景的多轮对话规划" "大模型在美团核心场景（如智能客服、推荐解释）的落地，目前最大的技术瓶颈是推理成本还是效果稳定性？" 团队与协作类 "团队的技术分享和论文跟进机制是怎样的？比如最近有没有跟进DeepSeek-R1或Kimi的long-context工作" "算法和工程团队的协作模式如何？模型上线后的A/B实验和监控体系是怎么设计的" 个人成长类 "对于校招/社招新人，团队有怎样的培养路径…

#面试技巧#职业规划#团队文化

面试题·Agent· 蚂蚁

多用户Memory隔离：LangChain改造方案

匹配口述回答：…了Redis原子操作，还要考虑读写锁，虽然Redis单线程模型已经解决了一部分。举个例子，比如电商客服场景，用户问退款政策，[[Agent]]查了知识库后给出回答，这段对话要记住。如果另一个用户同时问满减规则，两个会话的Memory必须完全隔离。用Redis方案，两个用户的记忆分别存在不同key下，互不干扰。而且Redis可以设TTL，比如7天，到期自动清理，防止存储膨胀。另外，还有个延伸点，就是当记忆体量特别大的时候，比如一个用户积累了上千轮对话，直接全量加载到prom…

#蚂蚁#Agent#LangChain Memory 隔离

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk …

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…键证据在prompt中间时被忽略改进：重排序把关键文档放首尾、压缩/摘要减少长度、显式引用机制 4. 知识冲突与幻觉检索内容与大模型参数知识矛盾时，模型可能"固执己见"或随机选择改进：置信度校准、检索内容高亮标记、source attribution强制引用三、系统层面局限 5. 延迟与成本检索+重排+生成链路长，首token延迟高改进：检索缓存、预计算embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时…

#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·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…合）的权衡实际落地中的关键挑战（幻觉、时效性、多跳推理） RAG与微调的结合思路一、技术原理 RAG的核心思想：用外部知识弥补大模型的知识截止和幻觉问题，把LLM从"闭卷考试"变成"开卷考试"。标准流程三步走：索引（Indexing）：文档切分→Embedding编码→向量库存储检索（Retrieval）：Query向量化→相似度搜索→Top-K召回生成（Generation）：将检索结果拼入Prompt→LLM生成答案关键洞察：检索质量决定RAG上限，生成能力…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排…

#美团#RAG 局限性#RAG 优化方向

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配口述回答：这道题问的是什么时候要用[[思维链]]，其实本质是在问：大模型的推理能力什么时候需要显式地拆成中间步骤，而不是直接给答案。因为模型天生是黑盒，你问它5+3它直接蹦出8，但问它一个多步问题，比如‘小明有5个苹果，给了小红2个，又买了3个，现在有几个？’它可能直接猜6，但中间跳步就会错。CoT就是让模型把‘5-2=3，3+3=6’这一步一步写出来，把隐式推理显式化。那什么场景下必须用呢？先说边界。简单问题，比如‘今天天气怎么样’，直接回答就行，不需要CoT。但遇到复杂数学推理、…

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 商汤科技

ReAct 范式核心思想与工作流程

匹配追问：…。这时候模型需要先查订单，再根据结果执行退款。你怎么让模型在思考的同时还能调用工具，并且根据结果调整下一步动作？层层追问你了解大模型Agent的常见范式吗？……比如CoT和直接调用工具各有什么问题？……那有没有一种方式能把推理和行动结合起来，让模型边想边做？……具体是怎么循环的？直球架构讲一下ReAct范式的完整工作流程，包括Thought、Action、Observation怎么循环，以及它对比纯推理或纯行动的优势。另外，在实际Agent系统中，ReAct怎么解决工…

#商汤科技#Agent#ReAct 范式

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：…它对工具调用的质量要求很高。如果工具返回的信息噪声大或者延迟高，ReAct 的实时反馈反而会引入错误。而且 ReAct 每一步都调LLM，成本高、延迟大。所以落地时我通常会组合使用：Plan-and-Execute 做骨架，ReAct 做局部微调，Reflexion 做离线优化。我最近在关注一个方向：当任务依赖多个外部系统时，比如既要查数据库又要调API，ReAct 的规划能力会受限于模型的上下文窗口，这时候怎么分治？我倾向于引入 [[Multi-Agent]] 架构，每个…

#商汤科技#Agent#ReAct 替代方案

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配口述回答：…决的是知识来源问题，但推理能力、上下文管理这些仍然需要模型本身的改进和工程上的精细调优。我更倾向根据业务场景，把RAG和微调、[[Agent]]这些方案组合起来用，而不是指望一个方案包打天下。本质是给大模型外挂知识库核心流程：检索+生成，关键在检索质量 RAG适合事实精度场景，纯模型适合创意场景落地风险：检索失败、上下文管理、多跳推理我的取舍：RAG是基础能力，不是银弹约4分钟 RAG在多跳推理场景容易断链，Self-RAG通过让模型自己决定是否检索和反思来缓解，但…

#淘天#阿里#RAG 架构

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：核心定位差异维度 LangChain LlamaIndex 设计目标通用LLM应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：RAG 的三代演进架构 1. Naive RAG（基础架构）架构：离线建索引 → 向量检索 → 直接拼接Prompt → LLM生成核心特征：检索与生成硬耦合，一次检索即生成无反馈机制，检索错误直接传导到输出代表：早期DPR+GPT-3方案适用：事实性问答、内部文档查询等单跳、确定性场景 2. Advanced RAG（优化架构）架构：检索前（查询改写/扩展）→ 检索中（重排序/混合检索）→ 检索后（上下文压缩/摘要）→ 生成核心改进：查询优化：HyDE（假…

#淘天#RAG架构分类#RAG 分类

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…Deep Research 本质检索→生成的一次性流程多轮"检索-分析-再检索"的自主循环决策主体预定义流程，无自主规划 LLM自主决定下一步检索什么检索次数通常1-2次数十次甚至上百次输出形态直接回答结构化研究报告（带引用）技术原理差异 RAG 架构：Retriever → Reranker → Generator 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Plan…

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…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 Embedding模型语义编码 BGE-large、GTE、OpenAI text-embedding 向量数据库高效相似度搜索 Milvus、Weaviate、PGVector Reranker 精排提升准确率 BGE-Reranker、Cohere Rerank 分…

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…ed 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-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone），可叠加倒排索引做混合检索 2. 检索阶段（在线） Q…

#字节#RAG应用场景#RAG 技术实现

面试题·RLHF与对齐· 美团

环境训练 vs 监督学习怎么选?

匹配追问：环境反馈延迟或稀疏时如何设计奖励函数或训练策略基于环境的训练样本效率低，有哪些改进方法（如模型-based RL、离线RL）在LLM Agent场景中，如何构建"环境"进行训练场景切入假设现在优化一个连续决策系统，动作会改变后续状态，反馈还可能延迟。你会怎样判断它应使用监督学习、contextual bandit、offline RL 还是受控 online RL？层层追问监督数据和策略交互数据的来源差在哪？……只有日志时如何处理分布外动作？……bandit 与完…

#环境交互#在线学习#探索与利用

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…如果知识库本身混乱或检索策略粗糙，效果反而比纯模型更差。我更倾向先用混合检索加Rerank打好基础，再根据业务需求决定是否引入[[Agent]]或微调。一句话定位：RAG本质是给LLM开卷考减少幻觉：显式证据约束生成事实准确：可追溯+多源交叉上下文相关：动态适配+长尾覆盖落地风险与工程取舍约4分钟 RAG处理多跳推理吃力，可考虑Agentic RAG或ReAct框架让模型自主规划检索步骤。面试官可能会追问Agentic RAG的具体实现、与普通RAG的对比、以及…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…无来源输出。同时用约束解码，禁止生成索引里没有的信息，比如设一个医学安全词表，拦截不存在的药品名。另外，检索结果有时很长，我会用 LLM 自己做上下文压缩，去冗余，只保留关键证据链。评估不能只看常规指标。检索质量我关注 Recall@K，生成质量我关注事实准确性，用 NLI 模型检测有没有 [[Hallucination]]。但更重要的业务指标是可追溯性，看生成内容是不是每句话都能追到源文档，还有专家满意度，请领域专家盲评。我的取舍是：宁可回答不了，也不瞎回答。如果检索结…

#字节#RAG 全链路#RAG 技术链路

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配口述回答：…直接让模型说“不确定”，避免胡编。所以整体上，我更倾向于把[[RAG]]当成一个可解释、可更新的外挂，而不是把所有理解能力都压在大模型本身。纯多模态模型虽然也能看图，但解释的来源是黑盒，出了问题没法排查；RAG至少能溯源到具体文档，内部术语和业务逻辑也能通过知识库灵活注入，不用每次改个文案就重新微调模型。当然，如果界面非常复杂、组件间交互很多，RAG也扛不住，那就得结合[[Agent]]或者多步推理了。一句话定位：本质是让大模型看懂界面并解释功能视觉理解与组件解析：用检…

#淘天#多模态#多模态 RAG