匹配口述回答：这道题其实是在问，当你面对一个大模型时，怎么用提示词让它稳定、高效地完成你想要的输出。本质上，这是人和模型之间的沟通问题。我会从几个层次来讲：先是基础技巧，再是推理增强，然后是[[Agent]]模式，最后聊聊怎么选型和落地风险。先说基础技巧。最简单的就是 [[Zero-shot]]，直接给指令，比如“把这段翻译成英文”。它适合特别明确、不需要额外示例的任务，比如格式转换、简单分类。但一旦任务复杂一点，效果就不稳定了。所以更常用的是 [[Few-shot]]，给两三个例子，模…

#小红书#提示工程方法#Prompt 技术

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…百万条知识库里捞出几百条跟退款流程相关的文档，重排阶段再根据用户的具体描述，比如“已提交三天”，把最匹配的那几条排到最前面，这样 LLM 才能给出准确回复。如果只用召回，可能排在前面的都是泛泛的退款政策，不精准；如果只用重排，那延迟就爆炸了，用户等不了。这个架构的好处很明显：效率可控，召回快，重排只处理小量数据；精度能提上去，因为重排模型能捕捉细粒度语义；而且召回和重排可以独立优化，比如换个更好的 [[Embedding]] 模型或者换一个重排器。但缺点也得心里有数。最核心…

#字节#两阶段检索#RAG 重排序

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：这道题我觉得它问的不是[[RAG]]的原理，它本质是在问：怎么让大模型在不知道的情况下不要瞎编，同时还要高效、可信。RAG是个好办法，但落地时有很多坑，我主要从检索、生成和边界这三个角度来讲。先说检索。最理想的情况是用户问什么，数据库里就有最匹配的文档。但实际往往有语义鸿沟，比如用户说“退款流程”，库里存的可能是“售后政策”，[[Embedding]] 没对齐就匹配不上。更糟的是检索噪声，Top-K里混进一堆无关文档，把关键信息稀释了。举个例子，电商客服场景，用户问“满减优…

← 上一页第 14 / 14 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

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配口述回答：我觉得[[RAG]]这道题，其实核心在问一个工程问题：怎么让大模型在不知道答案的时候，能自己去找答案，而不是瞎编。说白了就是给LLM配一个外挂知识库，让它只回答知识库里有的东西。先说离线索引阶段。第一步是文档切分，这里有个常见的坑：切太细，比如一句话一段，上下文就断了，模型看不懂；切太粗，比如整篇文章一段，检索回来一堆噪声，答案也不准。我一般会按语义段落来切，控制256到512个token，前后保留一点重叠，保证上下文连贯。切完之后用 [[Embedding]] 模型转成…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…题：知识库如果一天一更新，用户问“今天有什么优惠”，模型还是拿昨天的政策回答。所以对于高频变化的数据，比如库存、价格，我会用 [[Agent]] 配合 [[Function Calling]] 实时查数据库，而不是走静态索引。还要看查询改写成本：用户 query 经常很短或者有歧义，比如“怎么退”，需要先让模型扩写成“退货流程是什么”，但这会多一次 LLM 调用，延迟和成本都要考虑。其实 [[Naive RAG]] 和 Advanced [[RAG]] 的核心区别不在于索引…

#美团#RAG架构#RAG 系统架构

面试题·项目与经历· 京东

成就感经历 STAR 回答

匹配追问：…，你是如何解决的如果重来一次，你会在哪些方面做得不同这个经历如何影响了你后续的技术决策或职业选择场景切入假设你带团队做一个大模型客服Agent，业务方只给三周，数据还特别脏，你会怎么应对？层层追问聊聊你做过最有成就感的一个项目吧……比如从背景到行动再到结果，哪个环节让你印象最深刻？直球架构请分享一个你最有成就感的经历，包括背景、角色、行动和结果，重点说你的技术决策和业务影响。

#行为面试#STAR法则#自我认知