匹配口述回答：【30秒速答】缓解幻觉和安全风险要组合训练、证据、权限与评测。数据侧治理来源、隐私和有害样本，SFT 或偏好优化塑造行为；DPO 直接优化 chosen/rejected 相对 reference 的概率，不训练独立奖励模型。知识任务接检索和工具并核对引用，工具采用最小权限。Contrastive Decoding 比较 expert 与 amateur 的 token 分数，不是简单重复惩罚，也不保证事实。水印用于来源追踪，不会降低幻觉。最终分别测事实支持、安全分类、越狱…

#幻觉检测#内容安全#RLHF

面试题·模型架构· 京东

位置编码怎么选? RoPE vs ALiBi

匹配正文：…on score 或 Q/K 几何关系。方法核心做法主要边界 Learned absolute 为位置查表并与 token embedding 相加表外位置没有已学习向量，扩窗需额外处理 Sinusoidal absolute 用不同频率的 sin/cos 直接计算位置向量可计算到更长位置不等于模型会可靠外推 Relative position 按 token 间距离给 attention 加 bias 或关系表示可分桶或按需计算，不必保存完整 L×L 参数矩阵 …

#位置编码#RoPE#相对位置编码

面试题·模型架构· 字节

RMSNorm推理效率更高吗?

…架构使用 Pre-Norm RMSNorm。训练稳定性和推理收益要按模型、精度、kernel 与负载实测。【90秒主答】对隐藏向量 x，LayerNorm 先计算特征维均值 μ 和方差，再输出 gamma 乘 (x-μ) 除以标准差，加 beta。RMSNorm 不做 x-μ，只用均方根 sqrt(mean(x²)+epsilon) 归一化，再乘可学习 scale。两者都不依赖 batch 统计，适合变长序列和自回归模型。RMSNorm 少了均值归约与中心化，但完整 Tr…

← 上一页第 13 / 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

匹配口述回答：

#LayerNorm#RMSNorm#归一化技术

面试题·Agent· 美团

多智能体系统核心技术难点

匹配正文：…景（如美团外卖调度）阐述技术选型核心技术难点通信与协调智能体间信息共享的带宽瓶颈：状态空间爆炸，需设计紧凑的通信协议（如意图向量而非原始观测）共识达成：分布式决策下的冲突消解，常用拍卖算法、合同网协议或基于LLM的协商任务分解与分配动态任务图的构建：子任务依赖关系实时变化，需支持重规划（replanning）能力匹配：智能体能力建模不准确导致任务分配失衡涌现行为的不可控性协作可能产生预期外的正/负效应，需引入显式的约束层或价值对齐机制架构选择的 Ratio…

#美团#Agent#多智能体系统

面试题·Agent· 字节

Agent 怎么处理代码库数据?

匹配口述回答：…高频路径走预计算缓存，再配合后台异步刷新。但这个问题还没完全解决，比如TypeScript的类型推断在预计算时怎么处理，我觉得还有优化空间。所以我会把代码库Agent看成一套分层系统，每一层解决一个问题，而不是一个模型搞定所有。前提是你得有好的AST解析器和准确的调用图，不然检索质量会崩。常见失败场景是依赖扩展时拉入太多无关代码，导致上下文噪声过大。上线我会特别关注上下文命中率和依赖扩展的精度，如果召回率低，先看是不是Embedding模型没训好，再查依赖图是不是漏了边。 …

#字节#Agent#Agent 代码库处理

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配口述回答：…存当前任务上下文、已完成步骤、工具 observation；长期记忆保存用户偏好、历史工单、领域知识和工具经验。长期记忆可以用[[向量库]]、关系库或图数据库，但写入时要做重要性评分和去重，不然越存越乱。读取时也要带权限和时间过滤，避免拿到过期或无权访问的信息。行动模块负责工具调用。每个工具都要有 schema、权限等级、超时配置、是否有副作用、是否可重试。模型生成 tool call 后，系统先做参数校验和权限检查，再执行工具。对于写操作，比如发起退款、发送通知、修改配置…

#百度#Agent#Agent 系统架构

面试题·Agent· 高德

旅行Agent怎么拆解任务?

匹配口述回答：…可以聊聊具体怎么设计版本化快照的回滚机制。本质问的是多Agent拆解与动态知识融合三层Agent架构：需求解析、行程编排、验证优化 RAG增强：静态库+动态库，嵌入ReAct推理链状态管理与回环迭代落地风险与取舍约4分钟用户临时变更时，用Tree-of-Thoughts做局部重规划，只替换受影响时间段，但需准确识别影响范围。面试官可能会追问局部重规划的具体实现细节，比如怎么识别影响范围、如何保证重规划后的行程整体一致性。

#高德#Agent#旅行Agent

面试题·Agent· 高德

Agent 工具选择：打分排序机制

匹配口述回答：…说，第一步是语义路由。我会给每个工具写一段标准化的自然语言描述，比如一个工具是'查询订单状态'，另一个是'查询物流轨迹'，用 [[Embedding]] 把任务和工具描述都转成向量，算相似度，选出最相关的 Top-K。这一步的目的是快速缩小范围，别让后面的打分模型处理太多无关选项。第二步是多维度打分。这里我会看几个维度：功能匹配度是基础，历史成功率也很关键，比如某个工具对类似任务的成功率是 95%，另一个只有 70%，那肯定优先选前者。还有成本，包括 Token 消耗、AP…

#高德#Agent#Agent 工具选择

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…AG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。工具模块是Agent能力的放大器。大模型本身不会算数、不会查库存，所以通过[[Function Calling]]让模型输出结构化JSON来调用外部工具，比如计算器、搜索引擎、API。这里的关键…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 百度

Agent 核心组件有哪些?

匹配口述回答：…实还有一个容易被忽略的组件是监控和日志，没有它你根本不知道 Agent 在哪一步失败了，每次循环的输入输出都要落盘，方便事后复盘和优化。但这个可能更偏工程侧了。一句话定位：本质是问大脑怎么分工规划模块：拆任务、定步骤，ReAct循环记忆模块：短期与长期，业务场景里的缓存与向量库工具调用：Function Calling，不是万能钥匙风险与取舍：边界划分、失败场景、我的判断约4分钟监控和日志是容易被忽略但关键的组件，没有它无法定位失败环节，需要记录每次循环的输入输…

#百度#Agent#Agent 核心组件

面试题·Agent· 字节

工具集设计最佳实践?

匹配口述回答：…1和v2可以共存，灰度切换，观察调用成功率。上线后我会特别关注监控，比如调用延迟、成功率、LLM选择工具的分布，这些数据能指导后续优化。不过当工具数量超过几十个甚至上百个时，比如抖音电商场景，全量工具描述塞进prompt就不现实了，token太长，LLM也容易选错。这时候就需要引入工具检索机制，先根据用户问题检索出最相关的几个工具，再让LLM选。这个检索怎么做，是关键词匹配还是向量相似度，或者混合，就值得深入讨论了。所以整体上，我更倾向把工具集设计看作一个持续迭代的过程，…

#字节#Agent#Agent 工具集设计

面试题·文档处理· 字节

长文档 Chunking 怎么选?

匹配正文：…）语义边界用NLTK/spaCy按句子/语义单元切语义完整、可读性好句子长短不一、可能过长法律条文、医学指南语义聚类 embedding相似度判断断点主题内聚性强计算成本高、阈值难调概念密集的领域知识库专业领域特殊考量医学场景特点：术语长、症状-诊断-治疗链条长、表格多推荐：递归切块+语义边界混合，保留完整病例段落；表格单独处理或作为metadata 块大小：512-1024 tokens，过小会切断诊疗逻辑法律场景特点：条款引用多（"依据第X条…

#字节#RAG Chunking#长文档切分

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：…固定长度 vs 语义分块，递归分块+重叠是起步标配业务场景举例：企业合规文档检索，段落边界和重叠策略的实际应用落地风险与前提：embedding长度限制、LLM上下文窗口、评估驱动迭代工程师判断收尾：倾向递归分块起步，根据bad case逐步优化约4分钟 chunk之间的语义关联问题，比如定义和引用跨块，用Parent Document方式有上下文窗口压力，可考虑结合知识图谱。面试官可能追问如何解决跨块语义关联，或对比Parent Document与知识图谱的优劣。

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 百度

常用分块方法有哪些?

匹配口述回答：…有场景匹配。先说最直接的固定长度分块，按token数直接切分，具体长度作为候选变量，实现简单。原型阶段我经常先用它，因为快，[[向量化]]批量处理效率高。但你要是拿它去搞客服退款政策这种场景，用户问「我退货了怎么还没退款」，固定切块很可能把「退货条件」和「退款流程」切成两块，检索出来上下文就不全。所以它的边界很清楚：只适合对语义连贯性要求不高的场景，比如快速验证、或者文档本身就没啥逻辑结构。反过来，语义分块就聪明多了。先按句子切，算相邻句子的 Embedding 相似度，…

#百度#文本分块策略#RAG chunking

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配正文：…实不符的内容（如错误日期、虚构人物）忠实性幻觉：生成与输入上下文或检索内容不一致的回答主要缓解方法及有效性分析 1. 训练数据优化（源头治理）做法：去重、过滤低质量/冲突数据、知识边界标注、课程学习效果：基础但长尾，无法解决训练截止后新知识问题局限：成本高，且模型仍可能"过度泛化" 2. RAG（检索增强生成）做法：外挂知识库，将检索到的相关文档拼入Prompt 效果：对事实性幻觉效果显著，可追溯来源关键：检索质量决定上限，需解决检索失败和内容冲突美团实践：结…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：… RAG，它的核心思路是开卷考试。模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这在客服场景特别典型，比如用户问退款政策，我检索到最新的满减规则文档，模型应基于文档回答，仍需检查退款比例与引用是否受证据支持。但 RAG 有个前提：检索质量必须高。如果检索出来的文档跟问题不相…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·评估· 字节

Agent 系统优缺点与发展前景

匹配口述回答：…更稳。规划上从ReAct往更高效的[[Tree-of-Thoughts]]、蒙特卡洛规划走，减少无效探索。记忆上引入长期机制，[[向量库]]加[[知识图谱]]，让Agent能记住历史经验。还有一个融合趋势，就是[[Agentic RAG]]，把检索当成Agent的一个工具，需要时主动查资料，而不是每次被动检索。未来1-2年，我觉得Agent会从技术演示走向垂直场景深度落地，金融分析、软件研发、科研辅助是优先突破方向。但挑战不小，最核心的是评估困境，开放任务没有标准答案，怎…

#字节#评估与监控#Agent

面试题·评估· 商汤科技

AI Agent 核心理解与未来趋势

匹配正文：…协作，模拟团队工作流未来发展看法短期（1-2年）：工程化与可靠性从"能跑通"到"跑得稳"：降低幻觉、提高工具调用成功率成本优化：减少LLM调用次数，轻量模型承担简单决策中期（2-3年）：从工具调用到环境交互从调用API → 操作UI、控制软件、物理机器人多模态感知：视觉理解环境状态，形成真正闭环长期：多智能体社会专业化Agent协作（开发、测试、产品Agent协同）但警惕过度设计——很多场景单Agent+优质工具链已足够个人判断：Agent的瓶颈不在技术…

#商汤科技#评估与监控#AI Agent 理解

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配口述回答：…缺一不可。我更倾向于在工程实现上，先用轻量级的反思机制，比如简单的自我对话，配上结构化的记忆存储，快速验证效果，再逐步引入更复杂的向量检索和知识图谱。本质是让智能体学会自我修正和知识沉淀反思机制：自我评估与迭代优化记忆机制：分层存储与检索两者协同：反思驱动记忆更新，记忆支撑反思质量落地风险与工程取舍约4分钟反思和记忆的协同本质是在探索和利用之间做平衡，记忆里只有失败案例会导致Agent过于保守。面试官可能会追问如何平衡探索与利用，或者如何设计记忆的写入策略来避…

#百度#Agent#Multi-Agent System

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…准确性这块。不同意图得匹配不同检索方式：事实类问价格、日期这种，用关键词或 [[BM25]] 最准，语义类像“帮我分析一下趋势”，向量检索更合适。真正落地的场景，比如电商客服里用户问“这个产品的退款周期是多久”，意图识别得先判断这是事实查询，然后自动补全产品名，避免向量检索搜到一堆相似但无关的文档。再一个，多跳意图比如“A和B哪个性价比更高”，系统得拆成两个子查询分别检索，再合并结果。如果只用一个向量检索，很容易语义漂移，召回一堆不相关的。生成质量方面，意图识别能帮我过滤检…

#OPPO#RAG 意图识别#RAG

面试题·评估· 淘天

RAG 核心指标优先级

匹配口述回答：…百分之六七十，那后面再怎么调prompt都补不回来。具体到业务场景，比方说电商客服处理退款纠纷，用户的订单号和退款原因五花八门，纯向量检索可能因为拼写差异漏掉关键记录。这时候我会用 [[Hybrid Search]]，把关键词和向量两条路结合起来，先用[[BM25]]兜底高频实体，再靠向量语义召回，这样Recall才能拉上去。再说生成端，核心指标是 [[Faithfulness]]，也就是答案是不是忠实于检索到的文档。这是RAG的生命线，直接对应[[幻觉]]问题。你不能模型…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 字节

Agent 建模方法怎么选?

匹配正文：…重复调用缺点：计划僵化，环境变化时难以调整；初始计划错误代价高 3. 记忆增强型短期记忆：对话历史、滑动窗口上下文长期记忆：向量数据库存储经验，检索增强决策适用：个性化助手、持续学习场景关键：记忆召回的准确性直接影响Agent表现 4. Multi-Agent协作设计：多个专精Agent分工（规划者、执行者、验证者）适用：复杂系统任务（代码生成+测试+修复）选型建议场景推荐方案工具链明确、步骤不确定 ReAct 步骤固定、追求效率 Plan-and-Ex…

#字节#评估与监控#Agent

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配口述回答：…位到最新版SOP，并且告诉你是第几章第几条。但这里有个坑，RAG的效果上限取决于检索质量。如果知识库里的文档切分太粗糙，或者[[Embedding]]模型选得不好，检索出来的内容驴唇不对马嘴，那模型再强也白搭。常见失败场景是：用户问的问题很口语化，比如“我上次买的那个耳机坏了咋办”，但知识库里全是“售后政策2024版”这种正式标题，检索召回率很低。我的做法是，上线前一定要做[[Hybrid Search]]，把[[BM25]]关键词检索和向量检索结合起来，再配合[[Rera…

#美团#模型微调#RAG vs SFT

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配口述回答：…间有一堆坑。我重点讲三个，然后说改进思路。先说检索噪声。你召回了Top-K文档，里面可能混了大半无关内容，模型一读就偏。根源在于向量相似度不等于语义相关性，尤其领域术语[[Embedding]]经常搞不定，加上[[Chunk]]切分把语义切碎了。改进我一般两条路一起走：一条是加[[Rerank]]，比如用[[Cross-Encoder]]二次精排，把噪声压下去；另一条是[[Hybrid Search]]，把[[BM25]]和向量检索结合，关键词匹配和语义匹配互补。这里有个坑…

#淘天#知识图谱#RAG 痛点