匹配正文：…检测 → 图谱融合 → 索引更新 → 生效通知 3. 关键保障机制维度策略实时性近实时：Kafka+Flink流处理，秒级延迟；关键路径走内存缓存一致性版本快照+MVCC；写时复制保证查询不中断；分布式事务（2PC/Saga）准确性规则校验+模型打分+人工抽检三级；灰度发布，异常自动回滚 4. 与RAG的联动图谱更新后异步刷新向量索引，避免阻塞查询时双路召回：向量相似度 + 图谱结构化检索，结果融合排序字节场景的特殊考量一致性优先：电商/内容场景用强一…

#字节#Agent#知识图谱动态更新

面试题·知识图谱· 字节

知识图谱怎么动态更新?

匹配正文：…照隔离：写操作创建新快照，读操作指向固定版本回滚能力：保留历史版本用于追溯和A/B测试实时性与一致性挑战挑战应对策略更新延迟区分热数据（秒级同步）与冷数据（小时级批量）分布式冲突向量时钟或Lamport时钟确定偏序关系，人工仲裁兜底语义漂移实体消歧模块检测同一指称变化，触发子图重链接事务边界图数据库（Neo4j/Nebula）的ACID保证，或采用Saga模式补偿关键取舍：强一致性牺牲可用性（如两阶段提交阻塞查询），生产环境通常采用最终一致性+冲突可…

#字节#知识图谱#Agent

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配正文：…发现算法在GraphRAG中的作用 GraphRAG相比传统RAG的三类优势（连接性、全局性、可解释性）实际落地时的权衡（成本、延迟、图谱质量）传统RAG的局限传统RAG将文档切分为独立文本块，通过向量相似度检索。问题在于：语义孤立——文本块间的关系丢失；全局信息缺失——无法回答"总结全书主题"这类跨文档问题。 GraphRAG的核心方案 GraphRAG由微软提出，分索引和查询两阶段：索引阶段（离线）用LLM从文档中提取实体（人、组织、事件等）和关系，构建知识图谱…

← 上一页第 14 / 25 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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#字节#知识图谱#GraphRAG

面试题·知识图谱· 高德

知识图谱实时性怎么保证?

匹配正文：…分算法识别受影响的最小子图，避免全量重建向量索引采用增量HNSW或分片索引，支持单点更新 3. 实时性保障策略场景方案典型延迟高频变更热缓存层（Redis）+ 异步回写图谱 <100ms 中频变更 Flink流处理 + 分钟级合并写入 1-5min 低频变更 Spark离线 + 小时级调度 1h+ 4. 智能体侧的适配时间戳感知检索：召回时优先返回带last_updated的最新结果置信度降级：当检测到数据版本冲突时，降低该路径的推理权重主动验证：Agent…

#高德#知识图谱实时性#RAG 知识图谱

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配正文：…要点长期记忆的常见存储形式（向量库、知识图谱、外部数据库）大规模记忆的检索优化策略（分层索引、摘要压缩、时间衰减）工程权衡（延迟vs召回率、存储成本）实际落地经验（如MemGPT、LangChain Memory的实现思路）长期记忆的存储形式 Agent系统的长期记忆通常采用分层混合存储：层级存储形式适用场景工作记忆上下文窗口/Redis 当前对话轮次、临时变量短期记忆向量数据库（Milvus/Pinecone）近期对话Embedding、语义检索 …

#字节#Agent 长期记忆#向量索引

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配正文：…上下文内的证据去重与排序；版权、隐私、提示注入和访问控制。评估要拆分各模态 Recall@K、跨模态重排、答案忠实度、引用定位、尾延迟和成本。财报图表问答、设备图片诊断、视频定位和商品图文客服都是适用场景，但模型与索引选择必须由目标数据基准决定。图解 Multi-modal RAG 原理与挑战图解

#阿里#多模态#多模态 RAG

面试题·多模态· 字节

截图界面怎么用 RAG 解析?

匹配正文：…RT）对多模态候选重排生成：输入结构化的UI上下文 + 检索到的知识，用VLM或纯文本LLM生成回答实际优化考虑问题方案延迟高预计算热门界面的解析结果；检索用HNSW近似；生成用蒸馏小模型 UI频繁变更建立组件指纹（布局哈希），变更时增量更新索引冷启动先用通用UI知识库（Android/iOS设计规范），再逐步积累业务数据复杂交互理解引入时序：支持多张截图（点击前/后）判断状态变化学习建议掌握OCR、视觉理解模型（如CLIP）、RAG基础流程及向量数…

#字节#多模态#多模态 RAG

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配正文：…觉调用设置预算、超时和降级路径。 4. 评测分别评估感知准确率、OCR/定位质量、观察覆盖率、答案正确性、视觉忠实度、拒答质量、延迟和成本；同时保留端到端 bad case，区分感知错、信息传递丢失和文本推理错。图解弱多模态+强文本模型怎么协同?图解

#美团#多模态#Agent

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…CLIP+文本RAG拼接问题：信息严重损耗，图文对齐弱 2. 真多模态RAG（当前主流）框架核心机制特点 ColPali 延迟交互+视觉token级编码端到端，无需OCR，适合文档理解 Qwen-VL-RAG 统一多模态Embedding 中文优化，图文联合表征 LlamaIndex多模态多向量空间+重排序工程成熟，灵活度高 3. 关键架构差异 Embedding层方案A：冻结视觉编码器（CLIP/SigLIP）+ 投影对齐方案B：端到端训练（如ColPal…

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配正文：…"根据《XX平台设计规范》第3.2节"） 4. 关键工程点知识库构建：需维护组件-功能映射表、设计规范文档、历史FAQ三层结构延迟优化：组件预计算embedding，检索走近似最近邻（ANN）；大模型只负责最终生成学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain、LlamaIndex，理解其与视觉语言模型的集成方式。

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 小鹏

RAG 中表格图片怎么处理?

匹配正文：…杂版面顺序混乱 → 需人工校验+置信度过滤模态对齐：图文语义不对齐（如图片配错说明文字）→ 用多模态预训练或对比学习微调成本与延迟：视觉Encoder计算重、图片token占用长上下文 → 权衡用截图缩略图或分层检索评估困难：多模态答案的正确性难以自动评测 → 需构建多模态评测集实际落地中，建议先做文档类型路由（纯文本走轻量链路，复杂文档走多模态链路），逐步迭代。

#小鹏#多模态#RAG 表格处理

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配正文：… Agent与RAG的本质区别（主动规划vs被动检索）核心优势：任务分解、工具调用、多轮交互、自主决策主要局限：可靠性不稳定、延迟高、成本不可控、安全边界难定义技术趋势：Multi-Agent协作、Agent即服务(AaaS)、与具身智能结合潜在挑战：评估体系缺失、长期记忆机制、多模态工具生态核心优势 1. 从"问答"到"执行"的跃迁 RAG是"知识检索+生成"，Agent是"理解→规划→执行→反思"的闭环能调用外部工具（API、代码执行、数据库），完成复杂多步骤…

#字节#Agent#Agent 优势与局限

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配正文：…块；多租户、多工具或多索引系统中，它能减少无关检索并执行路由策略。实现方式规则与结构化信号：关键词、实体、会话状态、产品入口，延迟低且可解释；监督分类器：BERT 等编码器输出意图与置信度，适合稳定且有标注的类别体系； LLM 结构化路由：用 schema 约束输出 intent、index、filters、need_retrieval，适合开放表达，但要验证格式、成本和提示注入风险；混合路由：高置信规则或分类器直达，低置信样本交给 LLM 或安全兜底。阈值应从校准曲…

#b站#意图识别与检索路由#RAG 意图识别

面试题·Prompt· 字节

Agent架构设计原则？

匹配正文：…对象越权、提示注入、超时、重复点击、部分成功、取消、晚到结果、跨账号记忆和进程重启；最终看业务终态、错误副作用、越权率、人工接管、延迟和成本，而不是层数或 tool call 格式。

#字节#Prompt工程#Agent

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配正文：…_tokens(input_ids) scores[~valid_tokens] = -inf return scores 方案延迟影响灵活性生产成熟度 JSON Mode 低低高 Outlines 中高中 XGrammar 低中高（vLLM生态）三、后处理校验层（兜底）以下是校验流程草图，不是完整可运行函数；修复后的数据仍须校验，不能凭空补出退款金额或订单号： def safe_parse(output: str, schema: dict) -> d…

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配正文：…现复杂，目前多为研究原型三、实际落地的关键瓶颈评估器可靠性：ToT/GoT依赖LLM自我评估，但模型对复杂状态的判断常不稳定延迟与成本：ToT的多次采样+评估在实时场景（如高德导航的实时路径重规划）难以承受任务适配成本：从24点游戏迁移到真实业务，状态定义、评估prompt需大量人工设计四、选型建议追求速度+成本：CoT + Self-Consistency（多次采样选多数答案）需要探索+可承受延迟：ToT with 限定深度+启发式剪枝复杂迭代优化：GoT，…

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 阿里

JSON 输出怎么保证稳定可靠?

匹配正文：…速迭代 Outlines/Guidance库预编译索引+动态mask，支持复杂嵌套自研模型、深度定制关键权衡约束越强，推理延迟越高（DFA状态跳转开销）建议：Schema预编译 + 缓存常见结构模板第三层：后处理修复（容错兜底）三级容错 1. 语法修复：删除markdown标记、补全缺失括号（regex+启发式） 2. 字段校验：Pydantic校验 → 缺失字段用默认值/重试填充 3. LLM自修复：将错误JSON+错误信息再次输入，请求修正（1次重试上限） …

#阿里云#Prompt工程#Agent

面试题·Prompt· 脉脉

Prompt 如何系统设计、评测和发布？

匹配正文：…用人工样本校准偏差、一致性和失败切片；更强模型也不是 ground truth；线上指标：任务完成、人工接管、投诉/错误副作用、延迟与成本。满意度可能受界面和等待时间影响，不能单独归因给 Prompt。参与调参的样本不能继续充当独立测试集。 5. 版本与发布每次修改记录问题样本、假设和差异；先离线回归，再影子或小流量灰度。A/B 测试定义随机化单位、样本量、主指标、护栏和停止条件，避免同一用户同时看到互相污染的版本。上线保留 Prompt、模型与工具版本，达到错误或成本…

#Prompt#提示工程#结构化输出

面试题·Prompt· 华为

Prompt Engineering 技巧怎么选?

匹配正文：…mpt 为【】，常见错误为【】。我负责【】，采用【真实技巧】解决【对应问题】，与【备选】比较。评测集【来源/规模】，真实结果【】，延迟或 token 变化【】，失败切片【】。证据自检每个效果数字应能关联 Prompt diff、测试样本、模型版本和统计口径。引用正确不等于答案正确；JSON 可解析不等于业务字段有效；LLM-as-Judge 需要人工校准。追问入口可继续追问上下文冲突、动态示例泄漏、结构化输出失败、工具参数安全、评测器偏差和 Prompt 与模型升级的…

#华为#Prompt工程#Prompt Engineering 技巧

面试题·Prompt· 字节

RAG Generator 怎么构造 Prompt?

匹配正文：…去重、不同排序、证据边界、引用约束和冲突处理。报告答案正确性、引用支持率、faithfulness、覆盖率、拒答率、token 和延迟，并按长上下文、冲突证据和无答案问题切片。任何效果必须来自该受控实验，不能用无来源的百分比代替。

#字节#Prompt工程#RAG Generator Prompt

面试题·Prompt· 科大讯飞

Prompt 设计原则有哪些?

匹配正文：…初失败类型是【真实 bad case】；修改了【真实 Prompt 或链路环节】；用【真实评测集与指标】验证；副作用是【真实成本、延迟或退化】；版本证据是【真实提交、实验或日志】。没有做过 A/B 测试或没有线上指标时应明确说明。

#科大讯飞#阿里#Prompt工程

面试题·Prompt· 高德

ReAct vs 纯提示：为何更优？

匹配正文：…出的上下文和模型参数知识可以查询当前数据或执行工具分支处理适合路径清楚、一次即可完成的任务可根据工具结果调整下一步成本与延迟通常较低、行为更容易限定多次模型和工具调用，成本与失败面更大可审计性可记录输入与最终输出还可记录行动、观察和状态迁移 ReAct 更适合依赖动态事实、外部执行或多步条件分支的任务。例如退款处理需要查询订单状态、读取当前政策、计算金额，再依据每步结果决定是否继续。这里的收益来自真实工具结果和反馈闭环，而不是“多想几步”本身。直接提示在…

#高德#Agent#ReAct 框架

面试题·Prompt· 阿里

Agent Prompt优化评估指标

匹配正文：…、工具调用次数路径最优率：与人工标注最优路径的偏离度资源层指标 Token消耗：Prompt + Completion 总量延迟：首token时间、总推理时间成本：按实际调用定价换算稳定性指标方差：同输入多次运行的结果一致性错误分布：失败case的分类占比定性评估维度可解释性：中间推理步骤是否清晰可追溯鲁棒性：边界case、对抗输入的表现可维护性：Prompt复杂度、模块化程度用户体验：人工抽检满意度评分实验设计方法对照组设置基线：当前线上版本或…

#阿里云#Prompt工程#评估与监控