匹配口述回答：…(-λ·时间差)。同时还要注意合规留痕，金融场景要求全量存储不能丢，但推理时又必须限制窗口，所以我会用“全量日志加窗口上下文加按需RAG召回”的三层架构。日志存全量用于审计，窗口上下文用于实时对话，RAG用于回溯历史。上线前我会特别关注几个风险。一是时间衰减的 λ 参数怎么调，调太大会过滤掉有用的历史信息，调太小又会让窗口失去意义。二是渐进式遗忘的实现，如果用户主动说“记住这个”，系统得有能力突破时间窗口，把那个点标记为持久记忆。三是性能，RAG 检索如果每次都要扫全量日志…

← 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

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 小红书

生成式推荐的序列原理

匹配标题与标签：生成式推荐的序列原理生成式推荐自身的 item tokenization 和自回归原理 RAG 小红书 Item Tokenization 生成式推荐的序列原理生成式推荐是什么？Item Tokenization 与序列生成原理生成式推荐判别式推荐 Generative Recommendation 小红书

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 小红书

生成式推荐系统未来怎么发展？

匹配标题与标签：生成式推荐系统未来怎么发展？模型架构、训练方式、推理效率等维度的未来趋势 RAG 小红书生成式推荐趋势生成式推荐系统推荐系统改进方向推荐系统发展趋势小红书

#小红书#生成式推荐趋势#生成式推荐系统

面试题·RAG· 小红书

生成式与判别式推荐选型

匹配标题与标签：生成式与判别式推荐选型生成式与判别式推荐的架构、目标与选型，补充适用边界与工程取舍 RAG 小红书生成式与判别式推荐生成式与判别式推荐选型生成式推荐 vs 判别式推荐：架构差异与选型生成式推荐系统判别式推荐推荐系统架构小红书

#小红书#生成式与判别式推荐#生成式与判别式推荐选型

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配题目：在构建RAG系统的知识库时，若对文档进行动态增量更新，可能因新旧文档分布差异引发检索偏差。请分析该问题的成因，并提出可行的缓解策略。

#美团#增量更新检索偏差#RAG 知识库更新

面试题·RAG· OPPO

内容热门度怎么量化?

匹配标题与标签：内容热门度怎么量化? 搜索排序中常见热门度指标与计算方式 RAG OPPO 热门度量化搜索排序指标内容热门度计算 OPPO

#OPPO#热门度量化#搜索排序指标

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配口述回答：…过滤异常处理与降级：重试、兜底、人工反馈闭环与持续优化约4分钟输出质量校验与模型自检能力的结合面试官可能追问：Self-RAG 或 Self-Refine 的实现细节、延迟成本权衡、适用场景

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配口述回答：…要按场景分级。比如客服闲聊可以宽松点，但医疗诊断、法律文书就必须多重校验。这里有个我特别想展开的点：我最近在关注 [[Self-RAG]] 的方向，就是让模型自己判断检索结果是否相关、是否准确，甚至决定要不要重新检索。这个思路跟分层防御结合，可能会更灵活，但实现起来对模型能力要求很高，而且推理成本会明显上升。所以总的来说，我更倾向把这个问题看成工程和产品的平衡，不是单纯的技术方案。关键是根据业务场景选对策略组合，并且持续监控和迭代。问题本质：上下文有错时如何保证输出质量…

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG

LLM 封闭标签方法对比

匹配口述回答：…难度。strict正常完成时不应越出被支持的枚举；请求被拒、截断和语义错分要分别统计。所以我会做分层，先粗分类再细分类，或者用[[检索增强]]的方式，让模型只从候选子集里选。另外，约束解码通常在采样前调整logits，不会仅因限制候选token就使同一已生成前缀的KV Cache失效。它新增的是文法编译、解析状态和token掩码计算开销；若采用回滚或跳跃生成，再按引擎实现核对缓存更新，不能笼统说一定破坏KV Cache。所以整体上，我更倾向于把Function Calli…

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与Agent实战案例理解记忆机制设计，多动手实践检索优化与相似度评估。

#高德#重排与优化#文档处理

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…段快速筛出候选集重排阶段精细排序优缺点与落地风险收尾：工程师取舍与给出可延伸点约4分钟召回和重排的边界在Agentic RAG中可动态调整，Agent可决定何时召回、何时重排，甚至多次迭代。面试官可能会追问Agentic RAG的具体实现、动态决策的机制，以及与传统两阶段架构的对比。

#字节#两阶段检索#RAG 重排序

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配口述回答：…把 RAG 的存储看成语义通道加精确通道的组合，核心是理解不同检索方式的适用边界，然后在业务场景里做取舍，而不是迷信某个技术。 RAG存储的本质是语义相似度+元数据过滤向量库和传统库是互补，不是替代混合架构：多路召回+元数据过滤+重排落地风险和选型建议约4分钟知识库频繁更新时，向量库的增量索引如何平衡实时性和检索质量，比如软删除和异步重建策略。面试官可能会追问增量索引的具体实现、如何避免索引碎片、以及一致性如何保证。

#安克科技#混合知识库存储#向量数据库

面试题·检索· 美团

BM25 原理与 TF-IDF 改进点

匹配正文：…所有长文档固定扣同样分数。概率检索框架：BM25 从概率相关性模型演化而来；TF-IDF 也有多种归一化变体，因此只能与所选基础实现对比，不能笼统说所有 TF-IDF 都完全不处理长度。参数与验证 k1、b、分词、停用词、字段权重和 IDF 变体共同影响结果。典型默认值只用于起点，最终应在目标语料和标注查询上以 MRR、NDCG、Recall@K 与业务结果调参。在 RAG 中的作用 BM25 擅长术语、编号、实体和错误码等词面匹配，可与稠密向量召回互补。它不理解未出现…

#美团#BM25#BM25 算法原理

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配题目：在选择向量数据库用于大模型应用（如RAG）时，应综合考虑哪些关键因素？例如性能、可扩展性、支持的索引类型、集成难度等。

#京东#向量检索#向量数据库选型

面试题·模型架构· 得物

大模型面临哪些核心挑战?

匹配正文：…ention随序列长度二次增长，位置外推、长文信息定位和KV缓存容量是不同问题。Ring Attention通过设备间传递K/V块实现分布式的块式精确attention，并不是稀疏attention；RoPE能否外推也不能用“远程衰减”一句话概括。数据与安全：训练数据质量、版权、隐私、偏见、提示注入和工具越权都需要数据治理与系统控制。评测与迭代：离线榜单不能替代目标场景，需要按任务、语言、长度、风险等级分桶，并用线上反馈验证。工程上应先用profile和失败样本确定主要…

#计算效率#幻觉问题#长上下文

面试题·项目与经历· 美团

项目难题怎么定位与解决?

匹配正文：…果写【有记录的指标及统计口径】。如果没有对应经历，应明确说没有直接做过，再给出会采用的排查方案，不能借用公司名、期限或收益。以 RAG 质量问题为例，Top3 检索结果差只能说明端到端链路出现了坏样本，不能直接证明 embedding 负样本不足。定位时要按查询类型和文档类型切片，先查知识覆盖率、切分与元数据，再分别测候选召回、重排排序、上下文组装、引用支持和最终答案。召回层至少看 Recall@k 或命中率，排序层看 MRR、NDCG 或人工偏好，生成层看答案正确性、证据…

#问题定位#工程实践#跨团队协作

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配正文：…书、抖音、剪映），Agent可以打通内部数据孤岛，形成差异化竞争力。学习建议建议掌握Agent基本架构与工作原理，关注LLM+RAG+Agent的协同模式，多阅读行业案例和技术白皮书，培养系统性思维。

#字节#Agent#Agent 发展趋势

面试题·Agent· 百度

Function Calling 消息流

匹配正文：…沙箱环境，防止Prompt注入攻击学习建议建议先掌握大模型基础交互流程，再学习JSON Schema和API调用原理，通过动手实现一个简单的Function Call代理来加深理解。

#百度#Agent#Function Calling 消息流

面试题·Agent· 蚂蚁

Agent 系统哪个模块最不稳定?

匹配口述回答：…利，相似度陷阱需要混合检索和置信度过滤级联失效：重试放大错误，需要熔断降级，最后抛可延伸点约4分钟从系统设计层面用Self-RAG或Reflexion提前规避，但会引入延迟开销追问如何平衡可靠性与实时性，或者Self-RAG的具体实现细节

#蚂蚁#Agent#Agent 稳定性

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配正文：…创意生成、头脑风暴类任务 3. 网络式（Networked）动态连接，按需组队适合：开放域复杂协作通信机制机制特点代表实现共享内存全局状态可见，延迟低 MetaGPT的SOP 消息传递松耦合，容错好 AutoGen的ConversableAgent 黑板系统渐进式问题求解传统AI + LLM混合协作与竞争策略协作任务分解：按技能图谱分配（如：Researcher→Writer→Editor）结果聚合：投票、加权融合、迭代精炼竞争/冲突解决仲裁…

#百度#Agent#Single-Agent 设计

面试题·Agent· 美团

Function Calling 怎么解析用户指令?

匹配口述回答：…这样更稳。一句话定位：本质是结构化输出约束训练阶段：用Schema数据教模型格式推理阶段：约束解码与两阶段流程边界划分：与RAG、Agent的配合落地风险：参数校验与多轮失败约4分钟多轮调用中的状态管理容易被忽略，比如依赖前序结果的链式调用面试官可能会追问多轮调用的实现方式，比如如何维护对话状态、如何处理循环或死循环

#美团#Agent#Function Calling 原理

面试题·Agent· 商汤科技

LangGraph 核心特性与设计理念

匹配口述回答：…来，像[[ReAct]]这种需要多轮思考-行动-观察的循环模式，天然就能表达出来，不用像在LangChain里那样用hack的方式实现。另一个让我觉得很有价值的设计是内置持久化。它会自动保存checkpoint，支持断点续跑和类似时间旅行的调试。这在生产环境太重要了，比如长任务跑到一半挂了，能恢复继续跑；或者需要人介入审核的环节，可以停下来等人确认再继续。再说边界划分。很多人会把LangGraph、LangChain、AutoGen这些混在一起比较。我的理解是，LangC…

#商汤科技#LangGraph 框架#Agent 框架对比

搜索大模型内容

CTR/CVR/ROI 冲突怎么协调?

推荐不准的分层诊断

时间窗口对话系统：约束与取舍

生成式推荐的序列原理

生成式推荐系统未来怎么发展？

生成式与判别式推荐选型

动态增量更新怎么防检索偏差?

内容热门度怎么量化?

大模型输出怎么检测和过滤?

上下文错误时怎么保证输出准确?

LLM 封闭标签方法对比

向量数据库怎么支撑 Agent 记忆?

两阶段检索 vs 直接重排?

向量数据库 vs 传统数据库怎么选？

BM25 原理与 TF-IDF 改进点

向量数据库选型关键因素有哪些？

大模型面临哪些核心挑战?

项目难题怎么定位与解决?

Agent 技术演进与挑战?

Function Calling 消息流

Agent 系统哪个模块最不稳定?

Single-Agent vs Multi-Agent 架构取舍

Function Calling 怎么解析用户指令?

LangGraph 核心特性与设计理念