匹配口述回答：…temperature为零反复生成同一路径，就没有真正的多样性。幻觉要沿证据链定位。可能是知识本身不在模型里，也可能是召回漏掉、重排错了、上下文被截断，或者模型读到证据后仍越界生成。频繁变化的价格、政策和库存更适合放在RAG或受控数据库中，让答案带来源并做规则或工具验证。知识编辑适合研究或少量、边界清晰的事实修正，但不能取代可追溯数据源。 ROME也要描述准确。它通过定位与事实关联的MLP计算，并对权重矩阵做定向的低秩更新来改变特定关联，不是找到一个神经元后改一个数。连续编…

#幻觉问题#输出一致性#推理延迟

面试题·项目与经历· 京东

普通经历如何讲成就感

匹配口述回答：…据】调整为【方案】。结果通过【产物、评测或反馈】确认，观察窗口是【】。这件事意义在于【能力或价值变化】，仍有【局限】。如果案例是 RAG，还要把检索召回、上下文利用、回答忠实度和最终任务成功分开，不能用一个检索数字代表系统全部质量。【90秒主答】背景部分说明为什么选择这件事。可能是研究复现长期不稳定、项目无法满足用户、竞赛暴露能力缺口，或个人学习缺少反馈。目标要可验证，例如交付可运行系统、通过一组隐藏测试、让实验能够复现、完成公开作品或建立稳定习惯。个人职责与他人支持要分…

#行为面试#自我认知#项目复盘

面试题·Agent· 百度

Agent 核心组件架构

匹配正文：…ory）类型作用实现方式短期记忆当前对话上下文滑动窗口、Prompt内维护长期记忆跨会话知识积累向量数据库存储+检索增强工作记忆中间执行状态临时变量、执行轨迹 3. 工具调用（Tools）功能：扩展LLM能力边界（计算、搜索、API操作等）关键机制：Function Calling（模型输出结构化JSON）→ 外部执行 → 结果回传工具描述需清晰定义：功能说明、参数schema、返回值格式 4. 行动执行（Action）将规划结果转化为具体操作…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

面试题·评估· 快手

LangChain 关键组件与流程?

匹配口述回答：…定期清理。上线前我会特别关注召回质量，用一组测试query跑一遍，看Recall@K和延迟，不达标就调[[Chunk]]大小或[[重排序]]策略。另外，Agent的决策稳定性是个大问题。有时候同一个问题，Agent两次走的路径不一样，导致答案不一致。我倾向于用 [[Self-RAG]] 让模型自己学会反思，或者加一个[[验证链]]，对Agent的输出做二次校验。所以，LangChain我更倾向看成快速验证想法的工具，而不是生产级框架。真正上线，我会基于它的设计思想，做定制…

#快手#评估与监控#Agent

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配正文：…信息输入：查询query、检索策略参数（top-k、时间范围等）输出：检索到的文档片段、来源链接、相关性分数架构作用：典型的RAG增强路径，为推理提供事实依据，支撑决策的准确性 3. GUI 模块 —— 图形界面交互功能定位：实现与操作系统、网页、APP的视觉化交互输入：屏幕截图/界面元素描述、操作指令（点击/输入/滑动）输出：预测的操作序列（坐标或元素ID）、执行后的界面状态架构作用：打通Agent与真实数字世界的"最后一公里"，适用于自动化办公、网页操作等场…

#美团#评估与监控#Agent

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配口述回答：…效果、成本和工程复杂度。我先给个框架：选型完全取决于场景，不同场景对向量质量的要求差别很大。先说场景。如果是做语义检索，比如[[RAG]]里的召回，那肯定优先选专门优化过句子相似度的模型，像BGE、M3E这种，它们用对比学习训练出来的向量，余弦相似度能很好反映语义相关性。但如果你只是做文本分类或聚类，通用BERT就够用了，甚至可以用更轻量的模型，没必要上大模型。具体说一下核心参数。维度是个典型trade-off：768维或者1024维效果确实好，但存储和检索成本会翻倍；如…

#百度#向量检索#Embedding 模型选型

面试题·检索

什么是 Embedding 向量嵌入？

匹配口述回答：…白了就是给每段话发一个坐标，意思越像的，坐标越靠在一起。这么一来，原来模糊的“语义像不像”就变成了精确的“距离远不远”，这是 [[RAG]] 和语义搜索能跑通的地基。具体怎么算相似度呢？最常用的是余弦相似度，看两个向量方向的夹角。夹角越小，值越接近 1，意思就越像。比如“我想退货”和“这个商品我不要了”，字面上几乎没有重复的字，关键词搜索肯定匹配不上，但 Embedding 会把它们映射到相近的位置，因为语义是相同的。这就是为什么语义搜索能超越关键词搜索。举个例子，客服退…

#入门#基础概念#Embedding是什么

面试题·检索

向量数据库和普通数据库有什么区别?

匹配正文：…几千维的向量，语义越接近的内容，向量在空间中的距离越近；查询时输入一个查询向量，数据库返回距离最近的 Top-K 条记录。这正是 RAG（检索增强生成）里"根据问题找相关文档"这一步的基础设施。和传统数据库的对比维度传统数据库（MySQL）向量数据库（Milvus/Faiss 等）存什么结构化行数据高维向量 + 元数据怎么查精确条件（WHERE）相似度 Top-K（近邻搜索）结果完全匹配的集合按距离排序的"最像的几条" 典型索引 B+ 树 HNSW …

#入门#基础概念#向量数据库

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配口述回答：这道题其实在问一个本质问题：传统[[RAG]]为什么在需要关联推理的场景下会失效，而[[GraphRAG]]怎么用结构化先验来补这个短板。我理解的核心就是从「语义相似」升级到「结构关联」。先说说传统RAG的痛点。它把文档切成小块，每个块独立做[[Embedding]]，然后靠向量相似度去匹配。这么做最大的问题是丢失了文档之间的逻辑关联。举个例子，客服场景里用户问「我上次退货的退款怎么还没到」，传统RAG可能只匹配到「退款政策」那个片段，但真正的答案需要把「用户A的退货单号」…

#百度#知识图谱#评估与监控

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配口述回答：…让模型对没见过的实体更爱瞎编。所以数据层适合做基础打底，但不能完全依赖它。再讲模型架构层面。现在最主流的做法是[[RAG]]，检索增强生成。比如客服场景，用户问“这个订单为什么还没退款”，模型不是凭记忆硬答，而是先去知识库里检索退款规则和订单状态，然后把检索结果当上下文来生成。这样生成的内容就有依据了。RAG 特别适合知识频繁更新的场景，比如电商大促期间满减政策天天变。但 RAG 也不是万能药，检索质量差的话，上下文喂错了反而放大幻觉。所以落地时我通常会配合[[重排]]，…

#海尔#幻觉治理#大模型幻觉缓解

面试题·Prompt· 百度

Prompt 优化策略有哪些?

匹配口述回答：…偏差。复杂任务可以要求模型先给可验证的计划、计算结果或工具调用，不过自由生成的思维过程不能当作正确性证据。涉及外部事实时，我会用 RAG 或工具补充来源，Prompt 负责证据边界、引用、不确定时的行为和权限，而不是要求模型凭记忆猜。我先从工程设计角度回答，再用一个假设场景说明。假设做客服质检，可以固定模型、解码参数和数据切分，逐步比较基础指令、边界 Few-shot、结构化输出与验证器。每次只改变一个主要因素，同时看分类质量、格式成功率、校准、安全错误、token 和延迟…

#百度#Prompt工程#Prompt 优化

面试题·检索· OPPO

Context vs Prompt Engineering 区别?

匹配追问：…。这时候你既要决定“怎么问”模型，又要决定“给什么”模型。那这两件事——提示工程和上下文工程——你觉得是一回事吗？层层追问你做RAG的时候，一般怎么构造给模型的输入？……是先写提示词模板，还是先处理检索回来的文档？……如果检索结果质量差，提示词写得再好也没用，那这两者到底谁更重要，它们怎么配合？直球架构请解释一下上下文工程和提示工程在大模型应用中的区别和联系。它们各自的目标、方法、应用场景是什么？上下文工程具体怎么做，比如检索、重排序、压缩这些步骤，和提示工程怎么协同…

#OPPO#Prompt工程#Context Engineering

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配口述回答：…为主、端到端为辅，混着上。先说说两阶段。先做检索，比如用 [[Hybrid Search]] 把关键词和向量混着召回，再做 [[Rerank]] 精排，最后喂给大模型生成。这么做最大的好处是可控。比如在客服场景里，用户问“我的退款怎么还没到”，我可以先召回退款规则和订单记录，再让模型基于这些材料生成，这样答案有据可查。而且我可以随时调优中间环节，召回不够好就换检索策略，排序不准就调排序模型，不用动生成那一步。但代价也很直接：延迟高，因为多跑了一步检索加排序；还有信息损失，召…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配正文：…SEO作弊公平对待长短文档：技术文档vs短回答都能合理竞争参数可解释调优：k_1/b可根据领域数据优化（如新闻vs论文库）在RAG中，BM25常与向量检索混合使用（如Elasticsearch + 向量DB），利用其精确匹配优势弥补语义检索的模糊性问题。学习建议建议系统学习该知识点

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·检索· 美团

BM25 参数 k1/b 调优

匹配正文：…vs 10次，相关性差距不应是10倍消除长文档偏置：长文档天然词频高，需要长度惩罚可解释性强：每个词的贡献清晰可见，便于调试 RAG场景价值精确匹配兜底：处理专有名词、ID、代码片段等需精确匹配的场景混合检索：与向量检索互补（BM25抓关键词，向量抓语义）计算高效：倒排索引，毫秒级响应，适合大规模召回学习建议建议系统学习该知识点

#美团#BM25长度归一化#BM25 参数 k1/b 调优

面试题·检索· 百度

向量检索基本原理是什么?

匹配口述回答：…心权衡是召回、延迟和成本。比如 HNSW 召回好但内存贵，IVF-PQ 成本低但精度有损；TopK 取大一点召回会好，但后面的[[重排]]和生成成本也会变高。我还会补一句：很多人一开始会疯狂调索引参数，但实际排查下来，问题往往出在 Embedding 模型和文档切块上。向量空间本身没把语义学好，再好的索引也只是更快地找错东西。这个点在 RAG 项目里特别常见。向量检索本质是语义匹配，用向量代替关键词向量化：用Embedding模型把文本转成向量索引构建：用ANN索引加…

#百度#向量索引#向量检索原理

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配口述回答：这道题讨论的是工程方案，不需要编造“曾经在某业务提升了多少”。第一步先把端到端 trace 拆成排队、召回、重排、上下文组装、prefill、decode 和工具等待。召回与生成使用的资源不同，应该独立定位和扩缩容。召回侧可以先做安全的元数据或关键词过滤，再做向量召回，但必须验证过滤不会漏掉正确证据。HNSW 的搜索宽度、IVF 的桶与探测数都在召回和延迟之间取舍；PQ 能节省存储与带宽，但会带来量化误差。热点 query、embedding 和结果缓存要绑定语料、模型和…

#高德#Agent#Agent 系统延迟优化

面试题·评估· 快手

LangChain 链式调用原理

匹配口述回答：…HuggingFacePipeline，代码主体不用动。再一个是检索层，它把文档加载、切分、[[向量化]]、存储这一套串起来，[[RAG]] 场景下最常用。然后是链，它定义了一个固定流程，比如先查知识库再问模型，或者先总结再翻译。[[Agent]]层更灵活，它会根据用户输入动态决定调哪个工具，执行完再观察结果，循环直到给出答案。内存层管理对话历史，回调层负责日志和追踪。链式调用的核心是Runnable协议，所有组件都实现了invoke、batch、stream这三个方法。L…