匹配正文：…景 1. 多步复杂推理数学计算、逻辑谜题、因果推断等需要严格步骤验证的任务模型容易跳步或中间结果出错，导致最终答案偏差 2. 工具调用与Agent决策 ReAct/Function Calling场景：思考→行动→观察的循环必须按序执行防止模型"幻觉"调用不存在的工具或跳过观察直接结论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： […

#华为#逻辑推理引导#逻辑引导

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分类判定人工回流：低置信度样本进入人工标注队列，反哺训练人工反馈的闭环设计反馈类型应用场景技术实现实时干预直播/客服场景运营人员一键打断、话术注入离线标注内容审核标注平台+主动学习…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RLHF与对齐· 美团

Long Horizon 训练环境怎么搭?

搭建长视野训练环境时，我会先保证问题定义正确，再谈算法。第一层是状态和观测：真实环境状态是什么，Agent 实际能看到什么，动作是否合法，什么时候是正常终止，什么时候只是超时截断。若任务部分可观测，就不能假设单帧观测包含完整决策信息，应让策略使用历史、memory 或 belief state，并记录环境版本和随机种子。第二层是奖励。我会先保留一个真正反映任务完成的终局奖励，再考虑是否加入可验证里程碑或势函数式 shaping。不能为了“缓解 gamma 衰减”就额外提高近…

← 上一页第 13 / 13 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

匹配口述回答：

#Long Horizon RL#奖励塑形#课程学习

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配口述回答：…：动态知识、可溯源、低成本关键局限：检索噪声、碎片化、推理弱优化方向：混合检索、查询改写、上下文工程边界判断：RAG与微调、Agent的协作落地风险与收尾约4分钟 RAG作为Agent的工具，由模型自主决定检索时机和策略，突破多跳推理瓶颈面试官可能会追问Agent与RAG的具体交互模式、工具调用机制、以及如何保证检索决策的可靠性

#美团#RAG 局限性#RAG 优化方向

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…AG的本质是低成本知识外挂检索质量的坑与混合检索改进生成阶段的割裂与Self-RAG方案边界划分：RAG vs 微调 vs Agent 落地风险与工程师取舍约4分钟复杂多跳推理场景下，RAG一次检索不够，需要Agent化，但Agent化有延迟和可控性风险。面试官可能会追问Agent化RAG的具体实现细节，比如ReAct循环如何设计、如何避免死循环、工具调用错误怎么处理。

#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：…检索结果会稀释注意力演进方向 Advanced RAG：查询重写、HyDE（假设文档嵌入）、递归检索 Modular RAG：与Agent结合，动态决策何时检索、检索什么

#字节#RAG应用场景#RAG 技术实现

面试题·RLHF与对齐· 美团

模拟器与 World Model 的偏差和迁移

匹配口述回答：…l，model-free RL 也能在模拟器中训练；model-based RL 才显式学习或使用动力学模型做规划。优势是能学多步工具调用和错误恢复，风险是模拟偏差、奖励漏洞、探索成本和长程信用分配。世界模型误差会累积，但不必然按固定指数增长；可微模型也不会自动解决所有信用分配。【90秒主答】一个浏览器 Agent 可在真实网页、录制重放的测试站点或人工模拟页面中交互；代码 Agent 可在容器里编辑、运行测试并获取结果。这些环境都能提供可执行反馈，却未必包含训练得到的 …

#环境模拟训练#世界模型#Model-based RL