匹配口述回答：…值设太严容易误报。所以我会把重点放在验证和约束上，因为这两个环节直接兜住线上风险，性价比最高。一句话定位：这道题本质是问如何确保Agent大脑的可靠性和安全训练阶段：RLHF+对抗训练，但前提是数据质量验证阶段：离线到在线，红队测试不能省约束阶段：硬规则兜底，场景区分监控阶段：指标告警与回滚，落地风险约4分钟小模型决策路由加大模型生成的分层架构，但路由准确率是新的挑战。面试官可能会追问小模型路由的准确率如何保证，或者路由错误时如何处理。

#字节#Agent#Policy 模型

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：人工干预的三层架构 1. 输入层：前置过滤与引导敏感Query识别：基于规则+小模型做意图分类，拦截违规请求 Prompt改写：自动注入安全约束（如"请确保回答符合法律法规"）上下文注入：RAG场景下动态插入合规知识片段 2. 生成层：过程控制解码策略干预：调整temperature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…or 检索策略：向量相似度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析…

← 上一页第 15 / 16 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

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 快手

RAG 延迟与准确率优化

匹配正文：答案要点延迟挑战：检索耗时、多轮调用、大模型生成慢正确率挑战：检索不准、上下文噪声、多跳推理失败根因分析：向量检索局限、长上下文稀释、工具链复杂优化思路：预检索策略、重排序、缓存机制、混合检索延迟挑战与根因瓶颈环节具体表现根因检索阶段向量库查询+重排序耗时高大规模向量ANN搜索精度-速度trade-off，跨模态检索更慢工具调用 Agent多轮Planning-Action循环每次LLM调用串行，工具响应不可控生成阶段长上下文导致首token延迟…

#快手#RAG延迟优化#RAG 延迟与准确率优化

面试题·检索· 快手

RAG 延迟准确率根因

匹配正文：…体表现（首Token延迟、流式体验中断）及根因（检索链路长、重排序开销、大上下文处理）准确率挑战的具体表现（召回不足、噪声干扰、多跳推理失败）及根因（语义鸿沟、文档切分策略、动态知识更新滞后） Agent场景的特殊性（多轮交互累积、工具调用与检索的耦合）延迟挑战表现首Token延迟高：用户发起请求后需等待检索完成才能开始生成流式输出卡顿：检索与生成串行执行，破坏实时体验长尾超时：复杂查询触发多轮检索或重排序时超时根本原因链路级联：向量检索 → 重排序 → 上下…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难…

#小红书#RAG局限性#RAG 局限性

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量存储：写入Milvus/Faiss/Elasticsearch，构建…

#美团#RAG架构#RAG 系统架构

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…人工审核成本可控：相比全量微调，RAG实施门槛低局限检索质量决定上限（"Garbage in, garbage out"）多跳推理、跨文档关联能力弱上下文窗口限制，过多检索结果会稀释注意力演进方向 Advanced RAG：查询重写、HyDE（假设文档嵌入）、递归检索 Modular RAG：与Agent结合，动态决策何时检索、检索什么

#字节#RAG应用场景#RAG 技术实现

面试题·RLHF与对齐· 美团

RL 训练环境与 Sim2Real

匹配追问：…奖励黑客行为，如何诊断和修复场景切入假设我们要训练一个机械臂拿取不同形状的零件，仿真环境里的摩擦系数、零件重量都和真实工厂差很多，你打算怎么搭这个环境，让策略在真实产线上也能用？层层追问 RL智能体的训练环境你一般怎么搭建？……仿真和真实差距很大，那你怎么保证模拟的效果能迁移到现实？……具体用什么技术来对齐？直球架构从零设计一个用于机器人操控的RL训练环境，要兼顾效率和真实性。请说明环境建模、状态动作空间、奖励设计和Sim2Real迁移的关键步骤。

#强化学习#训练环境#Sim2Real

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配正文：技术方向类（推荐） "咱们团队在RAG和Agent的结合上有什么探索？比如外卖/到店场景的多轮对话规划" "大模型在美团核心场景（如智能客服、推荐解释）的落地，目前最大的技术瓶颈是推理成本还是效果稳定性？" 团队与协作类 "团队的技术分享和论文跟进机制是怎样的？比如最近有没有跟进DeepSeek-R1或Kimi的long-context工作" "算法和工程团队的协作模式如何？模型上线后的A/B实验和监控体系是怎么设计的" 个人成长类 "对于校招/社招新人，团队有怎样的培养路径…

#面试技巧#职业规划#团队文化

面试题·Agent· 高德

ReAct 框架核心优势在哪?

匹配追问：…eAct框架，你会怎么设计让模型先推理、再调API，还能根据返回结果自我修正？层层追问你平时用提示工程让模型完成复杂任务，比如多步推理……如果任务需要实时查数据、调工具，纯提示有什么局限？……那如果让模型一边思考一边行动，每一步都根据观察结果调整，你觉得能解决哪些问题？直球架构请解释ReAct框架的核心设计理念，并对比纯提示工程，分析它在处理需要外部交互和动态推理的任务时，具体有哪些优势？从信息获取、错误修正、可解释性这几个角度说说。

#高德#Agent#ReAct 框架

面试题·Agent· 字节

Tool Calling 工具集设计原则

匹配追问：…怎么设计？……比如参数的描述怎么写能让模型不瞎调？……那如果工具调用出错了，比如超时或者参数不对，你的系统怎么处理？……还有，工具多了以后怎么管理？直球架构设计大模型工具调用的工具集，从工具抽象层次、接口设计、错误处理三个方面，你会遵循哪些原则？具体说说怎么避免工具粒度过细或过粗，Schema怎么写才友好，以及错误怎么分级容错。

#字节#Tool Calling 设计#工具集设计原则

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk …

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配正文：RAG的核心架构 RAG = 检索模块 + 生成模块的协同：检索：将查询向量化，从外部知识库召回Top-K相关文档增强：将检索结果与原始查询拼接，构建增强上下文生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction）问题根源 RAG解法参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间训练数据截止，知识过时接入实时/私有知识库，动态更新关键：生成时能看到"参…

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 快手

LangChain 链式调用原理

匹配追问：…单到哪了”，你调LLM得到答案。但如果用户接着问“那退货运费呢”，你得把前面查到的订单信息带进去。LangChain怎么帮你把这种多步流程串起来，而不用每次手写if-else？层层追问你平时用LangChain吗？……它里面的Chain和Agent有什么区别？……如果我想让模型先查知识库再生成回答，用Chain怎么搭？那如果查询步骤不固定、模型自己决定要不要查呢？……你觉得Runnable协议在背后起了什么作用？直球架构请你解释LangChain的模块化设计原理，它怎…

#快手#评估与监控#Agent

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…检索+重排+生成链路长，首token延迟高改进：检索缓存、预计算embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配口述回答：…证目标有没有达成，你点了个保存，弹窗没出来，你都不知道是没点到还是保存成功了。再看应用场景和ROI。编程面向开发者群体，虽然人不多，但付费意愿极强。GitHub Copilot的订阅模式已经跑通了，开发者时薪高，效率提升的价值很好量化，企业愿意买单。搜索覆盖的是通用信息需求，人人可用，但差异化壁垒低，大厂靠入口优势就能分走大部分流量。GUI理论上场景最广，能操作任何软件，但实际受限很大。举个例子，企业做财务系统的自动化测试，用GUI Agent模拟人工录入发票、核对报表，这…

#美团#Agent#Agent 能力对比

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：答案要点识别RAG的核心优势（知识时效性、可解释性、成本可控）与典型局限（检索噪声、上下文窗口限制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：答案要点明确动态Prompt的核心特征（输入依赖、多轮状态、工具交互）样本生成需覆盖状态空间多样性和边界情况标签定义要区分"正确行为"与"最优行为"的标注粒度上下文建模需设计状态追踪机制和中间结果存储数据质量验证需建立动态执行反馈回路核心设计思路动态Prompt机制的本质是输入依赖的状态机——Prompt结构随上下文、工具返回、用户意图动态变化。数据构建需围绕"状态-动作-转移"三要素展开。一、样本生成：覆盖状态空间关键原则：不是生成静态(input, ou…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配口述回答：…不确定”，避免胡编。所以整体上，我更倾向于把[[RAG]]当成一个可解释、可更新的外挂，而不是把所有理解能力都压在大模型本身。纯多模态模型虽然也能看图，但解释的来源是黑盒，出了问题没法排查；RAG至少能溯源到具体文档，内部术语和业务逻辑也能通过知识库灵活注入，不用每次改个文案就重新微调模型。当然，如果界面非常复杂、组件间交互很多，RAG也扛不住，那就得结合[[Agent]]或者多步推理了。一句话定位：本质是让大模型看懂界面并解释功能视觉理解与组件解析：用检测模型加OCR…

#淘天#多模态#多模态 RAG

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配追问：场景切入假设我们要做一个电商客服Agent，用户问“我想退货，但找不到订单了”，Agent需要先查订单、再校验资格、最后生成退货流程。这种多步任务，你会怎么设计它的推理过程？层层追问现在大模型做复杂任务，你觉得最关键的瓶颈是什么？……那怎么让模型一步步推理呢？……如果一步推理不够，需要探索多条路径呢？……再进一步，如果有些步骤可以合并或循环优化，又该怎么做？直球架构请系统介绍提升大模型规划能力的方法，比如CoT、ToT、GoT，重点讲原理、适用场景、优缺点，以及实际…

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 高德

ReAct 如何结合推理与工具使用？

匹配标题与标签：ReAct 如何结合推理与工具使用？相比单纯 Prompting,ReAct 在推理与工具使用任务中的优势 Prompt 高德 Agent ReAct 框架 ReAct vs Prompting 大模型推理与工具使用高德

#高德#Agent#ReAct 框架

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：需要引入CoT的典型场景 1. 复杂数学/逻辑推理多步计算、符号运算、几何证明需要显式展示推导过程，而非直接给答案 2. 多跳推理任务阅读理解中需要整合多个文档信息因果链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，…

#华为#思维链 CoT#Chain-of-Thought 使用场景