搜索大模型内容

大模型应用开发岗一天在做什么?细分岗位画像

匹配正文：…类岗位画像总览岗位类型一句话解释日常任务更适合谁面试高频模块 RAG 工程让模型基于企业资料回答问题文档处理、切块、Embedding、检索、重排、引用、评估后端、数据、企业系统、知识库项目背景 RAG 基础、向量检索、重排与优化 Agent 开发让模型调用工具完成多步任务工具 schema、任务规划、状态机、记忆、异常兜底后端、全栈、自动化、研发工具背景 Agent、Prompt 工程推理部署/LLMOps 让模型服务稳定、便宜、跑得快模型服务、并…

#Agent#Deep Research#项目实战

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配正文：处理复杂 PDF 时，常会遇到一类高风险结果：每个字都识别出来了，但阅读顺序和字段关系却是错的。解析任务显示成功，分块与向量化正常完成，用户也能搜到很多相似内容，但模型拿到的证据已经不是原文真正表达的意思。先看一个双栏理赔指南的例子。左栏写办理步骤，右栏写申请材料。如果解析器按照同一水平位置依次拼接，输出会变成一句步骤接一句材料。用户问“需要提交哪些材料”时，检索器看到的不是一个完整材料清单，而是一段步骤和材料交错的文本。面试官很可能追问： PDF 里的文字已经提取出来了…

← 上一页第 13 / 20 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

#RAG#解析与入库#复杂 PDF 阅读顺序

项目实战·Agent

第 4 章:多轮对话与长程记忆管理

匹配正文：…最近 N 轮(上面 demo 那种)。省 token、实现简单;缺点是会「忘掉」窗口外但其实相关的历史。相关性召回:把历史也存进向量库,按「当前问题」检索最相关的几轮带上。最聪明,但要维护历史向量库、有检索开销。实务里常组合用:最近 N 轮(窗口)+ 从更早历史里相关性召回几轮。 2.2 裁剪 vs 摘要:两种「压缩历史」的方式历史太长,要么裁掉、要么压缩。区别很关键: 裁剪(直接丢旧轮,丢信息)vs 摘要(LLM 概括旧轮,保信息但费一次调用) 裁剪(truncate…

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…关键词你要准备的项目证据大模型应用开发实习 RAG/Agent 项目、API 调用、服务化能力 RAG/知识库实习文档处理、向量检索、重排、评估、引用 Agent/AI 助手实习工具调用、任务规划、记忆、异常兜底 AIGC/多模态应用实习多模态理解、内容生成、评估、业务场景应用算法实习微调、评估、数据构造、实验对比在校生可以先读工程面试教学复原，理解项目怎样被逐层追问；历史面试资料的来源复核状态单独保留。研究生项目怎么做才不空一个学生项目最怕“像课程作业”…

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：…报错，Markdown 和 JSON 也正常生成。打开结果一看，正文、标题、表格似乎都有。这时候能不能直接切成 Chunk，写进向量库？很多人的第一反应是可以。解析工具已经把 PDF 变成了文本，后面无非就是切分、向量化和检索。用户真正关心的是输出能不能长期稳定使用：同一区域有没有重复出现，正文和表格是否表达了两份冲突内容，解析器升级后字段结构会不会变化，重新处理时旧 Chunk 能不能被正确替换，答案又能否回到原页。“文件已经生成”只回答了任务状态，没有回答这些质量问…

#RAG#解析与入库#MinerU RAG

工作三年的 Java 后端转大模型:在职怎么转、什么时候跳槽

匹配正文：…系统接口开发和 AI 岗关联弱负责模型问答服务接口、鉴权、日志和异常兜底设计使用 Redis 提升性能太通用为 RAG 检索结果和模型响应增加缓存,降低重复查询延迟处理 MQ 异步任务没有模型场景将长文档解析、Embedding 和索引构建拆成异步任务,支持失败重试做系统监控告警没有质量闭环增加回答质量 badcase 采集、延迟和成本指标监控写了一个 AI demo 太浅构建企业文档 RAG,覆盖切块、检索、重排、引用溯源和评估集简历不是把“Ja…

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：… 都没有完整保留。这时问题更可能在切分边界、标题继承、表头补齐或跨页合并。第三种情况，正确 Chunk 存在，却没有进入前几条检索结果。这时再查问题改写、关键词与向量召回、过滤条件、融合和重排。第四种情况，正确证据已经排在前面，模型仍然答错。这时才去看提示词、上下文组织、引用约束和生成模型。从最终错误反查解析链路先确认正确证据在哪一层消失，再决定检查解析、切分、检索还是生成。最终答案错误不能直接归因于大模型。这种分层有一个直接好处：修改目标变得清楚。如果正确…

#RAG#解析与入库#RAG 文档解析评估

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：转大模型应用开发,不用把深度学习从头学一遍,真正要吃透的是一小批"每天做工程决策都会碰到"的概念:Token、上下文窗口、温度、Embedding、向量检索、RAG、Agent、评估指标这些。标准不是能背定义,而是能一句话讲清、还能说出它影响哪个工程取舍。这篇给你一张核心概念清单和"懂到什么程度"的可操作标准。作者:吴师兄 | 适合:准备转大模型应用开发、想知道概念地基要打到多深的人 | 前置:知道应用岗和算法岗的区别,不需要机器学习背景到底要懂哪些概念:一张清单表先给…

RAG Chunk 为什么不能只按固定字数切？

匹配正文：…前提却不见了。模型拿到的是一句局部事实，不是完整规则。所以，Chunk 不是每隔固定字符切一刀。它真正要解决的是：怎样让每个被检索到的内容块足够聚焦，又能独立说清一件事。 Chunk 到底在平衡什么？ RAG 需要把长文档拆成可检索内容，因为整份文档通常不适合直接做一次检索，也不可能每次都完整塞给模型。但块并不是越小越好。块太小，向量主题会更集中，却容易把条件、解释和结论拆开。用户问“什么情况下可以申请”，系统可能只找回申请步骤，缺少适用对象和限制条件。块也不是越大…

#RAG#切分与索引#RAG Chunk

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：…AG 工程面试教学复原,数一数面试官的追问里有几个是纯数学推导。常见问题数学不好,能转大模型应用开发吗? 能。应用开发岗要的是检索、评估、工程和取舍能力,不是数学推导能力。你只需要几个直觉:向量相似度、概率期望、评估指标含义、梯度大致方向。中学数学基础加上肯做项目,足够入行。转 AI 到底要学多少数学? 看方向。纯应用开发,补上表里"必须懂"的四个直觉即可,读得懂就行,不用推得出。想走应用算法、做微调或研究大模型本身,则概率、线性代数、优化要往深补,这是硬门槛,别用应用…

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：…？从工程链路看，RAG 可以拆为离线解析、在线召回、上下文生成和查询理解。切分位于离线阶段，但它会沿着整条链路向后影响：块太大，向量里同时包含多个主题，检索得分可能被噪声稀释；块太小，问题所需的前提、条件和结论可能落在不同块里；重叠太小，边界信息可能断开；重叠太大，多个近似块会挤进同一个 Top K。所以，这不是一个“字符串应该截多长”的问题，而是“证据怎样进入检索单元，并以多大代价被稳定找回”的问题。 Chunk 不是越大或越小越好参数同时影响语义完整性、检索区分度和…

#RAG#切分与索引#Chunk Size

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：…hon 不是重新学一门语言,而是把你已有的工程思维换一套语法,真正要补的是几库几工具 (HTTP 客户端、数据校验、Web 框架、向量库、模型 SDK) 加上边做边学的习惯。一周就能上手写出能跑的服务,别系统啃语法书。你缺的从来不是 Python 关键字,而是有没有亲手调过一次大模型、拼过一条检索链路。作者:吴师兄 | 适合:只会 Java/后端、想动手写大模型应用的人 | 前置:有一门后端语言的工程经验从 Java 到 Python,到底要换掉哪些习惯结论先给:换掉的…

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…步处理请求推理服务吞吐设计、请求批处理(batching)、协程与队列文档解析与数据管道 ETL、消息队列、批处理、增量更新向量数据库选型与调优存储选型、索引优化(HNSW/IVF 换个名字的 B+ 树直觉) 缓存设计向量检索结果缓存、语义缓存、Prompt 命中复用推理延迟与成本优化性能调优、连接池、批量化、异步降级可观测性 / 线上质量监控评估指标埋点、离线评测集、线上 badcase 采样与回归 Agent 工作流编排状态机、任务调度、重试与幂等、D…

#Agent#工具调用与安全#Agent 大工具集路由

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…可能会问：“Agent 只有三四个工具时可以把 Schema 全塞给模型，工具扩展到几十上百个以后怎么办？” 这道题不能只回答“用向量检索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清…

面试题·模型架构· 海尔

位置编码为什么重要?

匹配正文：…频率计算 sin/cos，可在数学上生成更长位置，但模型未必学会训练长度外的行为； relative position bias/embedding：按 token 间距离或方向修改 attention score 或表示； RoPE：按位置旋转 Q/K 的二维维度对，使点积包含相对位移； ALiBi：给 attention logits 加随距离变化的头特定线性偏置。 “公式可计算”不等于可靠外推。原生正弦编码与 RoPE 超过训练长度后都可能出现困惑度、检索和生成质量退化…

#位置编码#Transformer#自注意力机制

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…分布,能直接反映"这个方向面试考多少"。方向是什么 / 解决什么问题面试频率(站内题量) 代表题库模块代表教程章 RAG 检索增强让模型基于你的知识库回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 RAG基础 62 RAG 基础题库 RAG 智能问答系统教程重排与检索优化 RAG 里"召回准不准"的关键环节,效果好坏经常卡在这重排与优化 70、向量检索 49 重排与优化题库重排章 Agent 智能体让模型能规划、调工具、多步完成任务,当前最热且和 …

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…烦」这句话说得越具体,项目越像真的。技术决策和权衡是四条里最值钱的。面试官真正在挖的是「你在岔路口选了哪条、为什么」。切块策略、嵌入模型选型、混合检索的权重、什么情况下检索失败怎么兜底——每一个「选了 A 没选 B」的地方都是一个可讲的决策点。量化结果哪怕数字是自己构造的测试集测出来的,也远胜于没有。「召回率 81%」自带追问入口(怎么测的、测试集怎么来的),而「效果不错」是死路,面试官接不下去,只会觉得你没做过。扛住追问是前三条的验收。一个技术点如果只经得起一层提问,…

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…说明数据怎么流、每个模块干什么 "画一下你的架构""这一步为什么要有" ③ 可运行代码你是真做过还是抄的 "现场跑一下""这段检索是你写的吗" ④ 评估集你怎么知道它做得好 "召回率怎么测的、测试集哪来的、多少条" ⑤ badcase 复盘你能不能定位并解决问题 "有没有答错的,你怎么发现、怎么修的" ⑥ 消融实验 / 方案对比你的技术选择有没有依据 "chunk 为什么切这么大""换个 embedding 会怎样" ⑦ 简历描述你能不能把这件事讲成一句有分量的话…

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…示例 Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放业务维度场景/用户/数据源/约束/边界面向某垂直领域内部文档问答,数据源是几百篇 PDF/网页,约束是必须给引用出处、不许编造面向研究简报生成…

#Agent#记忆与存储#Agent 记忆写入机制

面试题·Agent

Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

匹配正文：面试官可能会问：“用户随口说了一句偏好，Agent 要不要立刻记住？” 这不是一道“接个向量数据库就行”的题。真正困难的是决定什么值得跨会话保存，谁有权保存，旧信息怎样被更新，冲突时相信哪一条，以及用户要求忘记后怎样确保它不再被召回。如果 Agent 把每轮对话都写成长期记忆，临时要求、错误推断和敏感信息会不断积累。下一次检索虽然能找到“相似内容”，却可能把已经过期的偏好当成当前事实。反过来，如果系统什么都不写，跨会话体验又会从零开始。因此，回答应围绕一条可审计的记忆生命…

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…一篇细讲:面试官怎么一层层追问。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /questions,…

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…从关键词分辨。用错力气准备,是转行阶段最贵的浪费。岗位画像 JD 高频关键词实际在干什么谁对口、怎么准备 RAG 应用工程检索、知识库、向量库、召回、rerank、问答把企业文档接进大模型做问答/助手转行主战场,吃透 RAG 教程全链路选型 Agent 开发 Function Calling、工具编排、ReAct、工作流、MCP、多轮让模型自主调工具完成多步任务后端逻辑强的人对口,练 Agent 项目偏算法的应用算法 SFT、LoRA、数据配比、评估集、D…