匹配口述回答：…用token消耗大，响应时间激增。还有安全边界，工具权限管控、沙箱隔离机制还不成熟，万一Agent调了不该调的API就麻烦了。另外评估困难，端到端效果很难量化，缺乏统一benchmark。举个例子，自动化运维场景，Agent可以做故障根因分析。比如系统告警了，Agent先感知到告警信息，然后规划：查日志、查指标、查变更记录，每一步调用对应工具，最后综合判断根因。这听着很美好，但落地前提是工具接口稳定、权限严格控制。常见失败场景是Agent查日志时返回数据太大，模型上下文窗口…

#字节#评估与监控#Agent

面试题·Prompt· 阿里

Prompt 优化方法有哪些?

匹配正文：…导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embedding从示例库召回相似case，比静态示例更精准（RAG+Prompt结合）三、推理增强 CoT（思维链）：在示例中展示"Let's think step by step"的推理过程，激发模型逐步思考，适合数学、逻辑题 Self-Consistency：对同一问题采样多条推理路径，投票取多数答案，降低单条CoT的随机性 ToT（思维树）：维护多条推理分支，用评估函数剪枝/扩展，适合需要探索的复杂…

#阿里#Prompt工程#Prompt 优化方法

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…并行执行子任务，通过消息总线通信记忆机制设计短期记忆：对话上下文窗口管理，关键信息提取长期记忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推理范式选择 CoT（思维链）：复杂推理任务，显式生成中间步骤 ReAct：需要工具调用的场景，推理与行动交替进行 ToT（思维树）：多路径探索，用投票或评估选择最优解效率优化自适应推理深度：简单任务用单步CoT，复杂任务扩展推理步数推理预算控制：设置token上限或调用次数阈…

← 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

#百度#Agent#Agent 性能优化

面试题·RAG· 淘天

偏好数据如何收集与建模?

匹配标题与标签：偏好数据如何收集与建模? 数据收集、用户偏好建模与模型优化全流程 RAG 淘天用户偏好建模偏好感知对话系统对话系统训练淘天

#淘天#用户偏好建模#偏好感知对话系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配口述回答：…底，适合高并发语义重写：解决口语化和歧义，适合对话对话历史融合：处理指代和意图漂移选型取舍与落地风险约4分钟用Self-RAG让模型自主判断是否需要改写，而非每次都改写面试官可能会追问Self-RAG的具体做法、与普通RAG的区别、以及如何评估改写效果

#京东#Query改写#Query 改写

面试题·RAG· 蚂蚁

时间窗口对话管理机制

匹配标题与标签：时间窗口对话管理机制 RAG 系统中基于时间戳的上下文截断与会话起止判断 RAG 蚂蚁会话时间窗口时间窗口对话管理 RAG 上下文截断时间偏移会话蚂蚁

#蚂蚁#会话时间窗口#时间窗口对话管理

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：… 输入层：质量过滤与重排序推理层：行为约束与矛盾检测输出层：后验校验与一致性系统层：反馈闭环与场景分级约4分钟 Self-RAG 让模型自主判断检索结果质量并决定是否重检，与分层防御结合可提升灵活性，但增加推理成本和模型能力要求。面试官可能会追问 Self-RAG 的具体实现、与传统 RAG 的对比、在低资源场景下的可行性，以及如何评估其效果。

#字节#错误上下文处理#RAG 上下文错误

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

Embedding 怎么实现语义召回?

匹配口述回答：…E或者M3E，把每段文本编码成稠密向量。这里有个前提：如果领域很特殊，比如金融合同或者医疗病历，通用模型可能有分布偏移，先建立领域评估集，再比较直接使用、数据清洗、微调等候选，不能预设必须微调。切块也不是一刀切，固定长度适合通用场景，但要是文档结构性强，像操作手册或者法律条款，我会优先用语义切分，按段落或者标题来，避免把完整的概念切碎。向量存进[[向量数据库]]，比如[[Faiss]]或者Milvus。索引我一般选[[HNSW]]，图结构，查询快、精度高，支持增量添加；删除…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配口述回答：…益下降，并显式控制长度效应。但 TF-IDF 也可以使用对数词频和向量归一化，所以“TF-IDF 完全不考虑长度”并不严谨。在 RAG 里，BM25 适合编号、错误码、实体名和专业术语；同义改写或无共享词项时需要稠密检索补充。两路可用 RRF、校准加权或重排融合，最后在包含长尾术语与无匹配查询的目标集上评估召回和误召。 BM25由IDF、词频饱和和长度归一化组成 IDF存在多种实现需明确检索引擎 TF-IDF也有变体不能作绝对化对比 RAG中与稠密召回互补并按查询集调参约…

#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？

匹配追问：…一个知识库问答，用户问“我的订单什么时候到”，需要从几百万条商品和物流数据里找答案。你选向量数据库时会考虑哪些因素？层层追问做RAG的时候向量数据库怎么选？……如果数据量从百万涨到十亿，你的选型会变吗？……那实时性要求高，比如用户对话延迟要控制在200毫秒内，你优先看哪些指标？直球架构给一个RAG应用选向量数据库，从性能、扩展性、索引类型、集成难度这几个维度，说说你的评估要点和取舍逻辑。

#京东#向量检索#向量数据库选型

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配口述回答：…技术挑战、业务价值和成长空间上。这道题本质是考察候选人对团队和业务的理解深度从技术方向、团队协作、个人成长三个维度展开重点讲RAG与Agent结合的技术探索及落地瓶颈可继续讨论推理成本优化总结：问问题要体现解决问题的心态约4分钟通过蒸馏小模型降低推理成本，同时大模型作为兜底，但前提是离线数据要覆盖长尾case 面试官可能会追问蒸馏的具体做法、小模型如何评估置信度、以及长尾case的覆盖策略

#面试技巧#职业规划#团队文化

面试题·Agent· 蚂蚁

Agent 工具调用失败怎么处理?

匹配口述回答：…划调整。我倾向用状态机驱动：Planning -> ToolCall -> 失败 -> 进入 on_tool_fail 钩子，重新评估是重试、切换、还是重新规划。失败按策略恢复、澄清或终止；权限拒绝、预算耗尽或高风险状态未知时可暂停，闭环并不要求一直执行。比如 Agent 原本计划查库存再计算运费，但库存接口挂了，切换到备用接口后，它应该能意识到“备用接口返回的数据格式不同”，自动调整后续的计算逻辑。这里有一个延伸点：如果工具调用失败是因为模型本身的 [[Hallucina…

#蚂蚁#Agent#Agent 工具调用失败

面试题·Agent· 小红书

长历史行为怎么处理?

匹配口述回答：…prompt 里，近期是完整对话，中期是几行摘要，远期是检索到的几条相关事件，长度可控，信息也不丢。这里有个落地风险得特别注意。检索增强的前提是用户行为里有可检索的关键事件，如果用户全是碎片化闲聊，没有明确的偏好或决策点，那向量化入库就是白费功夫，检索出来的也是噪音。常见失败场景就是，摘要模型质量不够，把关键信息漏了，或者检索召回率低，模型看不到重要历史，反而产生[[幻觉]]。上线前我会特别关注，用离线评估集测一下，在关键事件上的 Recall 和摘要的 [[Faithfu…

#小红书#Agent#长历史行为处理

面试题·Agent· 小红书

长序列行为数据怎么处理?

匹配口述回答：…bedding]]化，存到 [[HNSW]] 索引里，等需要的时候，用当前query去检索最相关的Top-10。这其实有点像 [[RAG]] 的思路，只不过检索的是用户自己的历史。这里有个边界划分，你得想清楚：短期行为适合用滑动窗口保实时性，长期行为适合用摘要加向量检索保容量和灵活性。但真正落地，往往是两者混着来。举个例子，在小红书这种场景，用户刷了三个月，浏览记录几万条。我会这样搭：热记忆保留最近一天的所有行为，全量放进prompt；冷记忆把更早的历史按周做摘要，同时向量…

#小红书#Agent#长序列行为数据

面试题·模型微调· 科大讯飞

Prompt 怎么设计和优化?

匹配口述回答：…，它必须对应前面那个失败，例如用清晰的指令层级解决冲突，用结构化输出加服务端校验解决解析问题，而不是为了堆技巧。效果按【评测口径】评估，既看主任务质量，也看格式成功率、危险输入、token 和延迟。结果只填写【真实结果】，并保留 Prompt diff、失败样本和实验配置。如果同一轮还换了模型或数据，我不会把收益全部归因于 Prompt。上线后按 Prompt 版本灰度和监控，出现关键切片退化就回滚；如果问题来自知识缺失、权限或模型能力上限，我会改用 RAG、工具或微调，而…

#科大讯飞#阿里#模型微调

面试题·模型微调· 百度

文本嵌入模型怎么选?

匹配正文：…（国内首选）模型特点适用场景 BGE (智源) 中文SOTA，多尺寸（large/base/small），支持指令微调通用RAG、需要高性价比的场景 GTE (阿里) 长文本支持好（8K），中文效果优秀长文档检索、法律文书 M3E (开源社区) 轻量、易部署，适合资源受限环境边缘部署、快速验证 BCEmbedding (网易) 双语对齐好，跨语言检索强中英混合场景 2. 国际主流模型 OpenAI text-embedding-3/ada-002：效果稳定，AP…

#百度#文本嵌入模型#Embedding 模型对比

面试题·知识图谱· 淘天

GraphRAG 增量更新策略与挑战？

匹配正文：… 实时流：商品属性变更走增量通道（秒级）批量流：类目关系调整走日级全量重建查询降级：更新期间读旧版本，避免阻塞学习建议掌握RAG基础后，学习知识图谱更新机制与增量索引技术，关注工业级系统设计案例。

#淘天#GraphRAG 增量更新#知识图谱动态维护

面试题·知识图谱· 海尔

训练/推理/外部知识怎么选?

匹配口述回答：…。说到这，有个有意思的点：很多人觉得 RAG 和微调是二选一，但我实际做下来，两者结合效果更好。微调让模型学会正确使用检索结果，RAG 提供实时知识，但怎么平衡两者权重是个开放问题。比如微调后模型可能太依赖参数知识，忽略检索结果，这个现象叫“知识冲突”。最后总结一下，幻觉无法完全消除，我倾向于构建“预防-检测-缓解”的多层防御。预防靠训练数据质量，检测靠推理时自我验证，缓解靠外部知识兜底。上线前一定要用 [[RAGAS]] 或类似工具评估事实性，否则风险很大。所以我会把幻…

#海尔#外部知识集成#大模型幻觉

面试题·Prompt· 网易

无标注时怎么训练 CoT?

匹配口述回答：…，准确性 vs 简洁性的平衡。我会在验证集上调那个长度惩罚系数 α，找到能保持准确率不降的临界点。额外的自检也要验证。Self-RAG研究检索与反思token，不能直接当作通用推理置信度计。若要基于不确定性追加解释，应先校准信号，再看它是否确实减少错误。所以整体上，我更倾向于把这两种方法结合起来：先比较直接分类与经过验证的推理样本，再按明确的在线RL或偏好优化目标控制长度，提示用于约束可见输出风格。上线后我会持续监控准确率和平均推理长度，一旦发现简洁性导致准确率下降，就回…

#网易#Agent#Chain-of-Thought 训练

面试题·Prompt· 阿里

Prompt 系统设计原则与技巧

匹配口述回答：…误。还有，few-shot的示例要覆盖边界情况，比如退款被拒的例子，否则模型会偏向常见情况。我上线前会特别关注这些。另外，在[[RAG]]场景下，prompt设计要区分系统指令和用户指令。系统指令强调“基于参考资料回答”，用户指令才是具体问题。如果资料不足，要明确说“根据现有信息无法确定”，禁止编造。这个其实涉及到[[Faithfulness]]评估，怎么判断模型有没有忠实于资料，是一个值得深挖的点。最后，工程上我会用动态组装，把系统指令、上下文、示例拆成模块，按场景拼接…

#阿里#Prompt工程#Agent

面试题·Prompt· 百度

Agent 核心组件怎么协作?

匹配口述回答：…交替进行，想一步做一步，做完看结果再想下一步。而 [[Tree-of-Thoughts]] 就更强了，它同时探索多条路径，像下棋时评估不同走法，适合需要全局搜索的复杂问题。但落地的时候，我一般不会只用一种。比如做一个客服退款 Agent，简单场景用 CoT 就够了，但一旦遇到商品状态异常、需要查物流和库存价格，我就会上 ReAct，让模型动态决定先查哪个系统。ToT 成本太高，通常只在策略类场景才用。再一个是工具调用模块。这个说白了就是模型通过 [[Function Cal…

#百度#Agent#Agent 核心组件

面试题·检索· 高德

BM25原理、应用场景及与TF-IDF区别

匹配口述回答：…键词集中，k1可以设小一点让饱和更快；而技术文档场景，关键词重复多，k1需要大一点保留区分度。这个调参过程一般用网格搜索加NDCG评估，没有固定值。所以整体上，我更倾向把BM25看作信息检索的基石，它简单、高效、可解释，但单独用有天花板，必须和语义检索互补。面试官如果追问，可以聊聊参数调优或者混合检索的融合策略。本质是词频饱和与文档长度归一化公式逐项拆解：IDF、词频饱和、长度惩罚与TF-IDF对比：线性vs非线性、显式长度归一化 RAG中的混合检索与落地风险可延伸…

#高德#BM25评分公式#BM25 算法原理

面试题·检索· 百度

向量检索基本原理是什么?

匹配口述回答：…写的是“退费流程”，关键词可能匹配不上；向量检索会先把两段文本编码成向量，只要语义相近，距离就会比较近，所以更适合问答、推荐、[[RAG]] 这类场景。整个链路我一般按三段看：先[[向量化]]，再建索引，最后算相似度并排序。向量化就是用 Embedding 模型把 query 和文档块都转成固定维度的稠密向量。这里最关键的不是“转成多少维”，而是这个向量空间是否真的学到了业务里的语义关系。比如“退款”“退费”“售后申请”在客服场景里应该靠得很近，但“苹果”在水果场景和手机…

#百度#向量索引#向量检索原理