匹配正文：…ter控制块大小，Embedding模型向量化，Retriever实现语义检索设计取舍优势：快速原型、生态丰富、降低多模型切换成本局限：抽象层带来性能损耗（序列化开销），复杂Agent调试困难，生产环境需评估是否值得引入实际项目中，简单Chain可直接调API，复杂多步推理场景再用LangChain编排。学习建议建议系统学习该知识点

#快手#评估与监控#Agent

面试题·评估· 阿里

匹配正文：…景维度特点可控性节点、分支、异常处理完全可控，适合金融审批、医疗诊断等强合规场景可观测性执行路径透明，便于审计和调试成本稳定 Token消耗可预测，无LLM"胡思乱想"风险典型场景：固定SOP的售后工单处理、多轮表单填写、需要人工审批节点的流程。不采用Workflow（动态Agent）的优势灵活应对边界情况：用户意图漂移时，LLM可自主调整工具组合降低维护成本：业务规则变化无需改代码，调整Prompt即可工具组合涌现：LLM可能发现人类未预设的工具链（…

#阿里云#评估与监控#Agent

面试题·评估· 商汤科技

AI Agent 核心理解与未来趋势

匹配正文：…记忆、工具、行动主流架构模式：ReAct、Plan-and-Execute、Multi-Agent 当前瓶颈：可靠性、长程规划、成本效率未来趋势：从单Agent到多Agent协作、从工具调用到环境交互我对AI Agent的理解 Agent vs LLM的本质区别 LLM是"大脑"：被动响应输入，单次推理 Agent是"完整智能体"：具备感知→规划→行动→记忆的闭环，能自主调用工具、分解任务、迭代执行核心架构组件组件作用规划（Planning）任务分解、子目标设…

← 上一页第 15 / 30 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

#商汤科技#评估与监控#AI Agent 理解

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配正文：…键决策点、失败案例、成功经验自动归档记忆检索：基于语义相似度 + 时间衰减 + 重要性加权记忆压缩：摘要提取、遗忘机制控制存储成本协同提升机制 1. 反思驱动记忆更新每次Reflection识别出的错误模式 → 写入Episodic记忆形成"错误-修正"的闭环学习 2. 记忆支撑反思质量遇到相似任务时，检索历史反思记录 → 避免重复踩坑多Agent共享记忆池 → 实现集体经验沉淀 3. 协作效率提升路径减少沟通成本：Agent A的反思结论通过Memory同步…

#百度#Agent#Multi-Agent System

面试题·评估· 字节

RAG 文档检索选型

匹配正文：…漏召回 BM25 等稀疏检索关键词、编号、错误码精确命中难以覆盖语义改写混合检索同时覆盖语义和字面信号两套索引增加延迟、成本和维护复杂度 RRF 只依赖名次，适合不同召回分数难以直接比较的情况；线性加权需要先校准分数，并用评测集确定权重，不能凭经验写一个固定值。 2. 优化顺序先按文档结构切块，并保留标题、章节和权限等元数据。用 query 类型分析决定是否改写、扩展或路由，避免所有查询都调用 LLM。评估召回集合后再考虑 Cross-Encoder 重排，防…

#字节#混合检索#RAG 文档检索选型

面试题·评估· 蚂蚁

RAG 检索与生成评估

匹配正文：…需要reference的不同指标；如Context Recall需参考信息，自动裁判仍须人工校准 ARES 合成数据训练评判模型，成本更低 TruLens 可解释性强，提供逐层追溯人工评估最终标准，A/B测试、专家打分四、实践经验指标要分层：先保检索召回，再优化生成质量 RAGAS的坑：LLM打分不稳定，建议用GPT-4级模型，或本地大模型+校准业务定制：客服场景加"解决率"，知识问答加"信息完整性" 参考资料 Stanford信息检索教材 Stanford排序评估…

#蚂蚁#评估与监控#RAG 检索与生成评估

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…案要点检索阶段：召回率低、相关性不足、向量语义鸿沟生成阶段：上下文利用不足、幻觉与知识冲突、长文本建模困难系统层面：延迟高、成本高、冷启动问题改进方案需具体对应上述问题一、检索阶段的缺陷 1. 召回质量不稳定向量检索存在"语义鸿沟"：query与文档的embedding空间不对齐，导致字面相关但语义检索失败稀疏场景（专业术语、ID、代码）dense retrieval效果差改进：混合检索（BM25 + 向量）、query改写/扩展、重排序（Cross-enco…

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 字节

RAG 上下文不准确，如何用数据定位？

匹配正文：…不能用通用微调或 Self-RAG 掩盖具体根因。修复后在原 bad case、独立测试和相邻切片复验权限、质量、P95/P99、成本与回滚条件。

#RAG#上下文诊断#数据质量

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…及关键模块说明混合检索策略（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-enco…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 小鹏

RAG 失败场景诊断

匹配正文：…下文相关性） Self-check：让模型自己判断答案是否有幻觉三、端到端与业务评估端到端准确率：完整问答链路的正确率延迟与成本：检索耗时、Token消耗人工抽检：Bad case分析，建立错误分类体系（检索失败/理解错误/幻觉/格式问题）实践建议分层监控：线上先卡检索Recall，再优化生成质量构建评估集：从真实日志采样，覆盖高频Query和边界Case A/B测试：检索策略、Prompt、重排序模型的对比实验

#小鹏#评估与监控#RAG 失败场景诊断

面试题·评估· 蚂蚁

Agent项目背景与技术方案怎么写?

匹配正文：…、模型组合或效果数字作答。所有内容都应对应本人代码、实验、文档或线上记录。回答框架项目目标：真实业务问题、用户、主指标及安全/成本/延迟约束。本人工作：明确设计、实现、实验、联调、上线和维护中本人承担的部分。系统链路：意图或路由、RAG、工具、状态、质检、人工和观测如何衔接。选型证据：与规则、单 Agent、工作流或其他模型的对比及真实实验。结果可信度：基线、样本、切分、统计窗口、线上流量、置信区间和副作用。事实填空项目是【】，服务【】，我负责【】，团队负责【…

#蚂蚁#评估与监控#Agent 项目经验

面试题·评估· 蚂蚁

大模型客服质检系统如何设计与验证？

匹配正文：…队列。可用独立标注集估计每个维度/切片的错误率，结合规则冲突、证据缺失、模型分歧、业务风险和容量设置复核条件。多次采样取众数会增加成本，也可能重复同一偏差，不是稳定性保证。人工复核界面展示脱敏原文、时间位置、政策版本、规则命中和模型依据；记录复核人、修改原因与最终标签。标注者分歧用双标/仲裁和一致性指标处理。 5. 评测与发布离线按渠道、语言、问题类型、对话长度和风险切片报告 precision/recall、混淆矩阵、校准误差、引用存在与支持率、人工复核量和成本。训练/…

#客服质检#LLM 评测#证据引用

面试题·评估· 美团

RAG 解决了哪些问题?

匹配正文：…义问法都存在分别评估稀疏、稠密、融合和查询改写，不预设混合检索必胜在同一标注集比较 Recall@K、MRR/nDCG、延迟和成本召回片段相关但不足以回答检查证据充分性、冲突、上下文预算和生成约束逐主张核验支持证据，并单独统计不可回答与冲突样本用自己的项目事实回答可以按下面顺序填写：问题与约束：用户、资料、更新频率、权限边界和失败样本是什么。本人职责：本人实现或决定了什么，团队或现有平台提供了什么。基线与方案：先说明基线，再说明为什么尝试检索、融合、重排、…

#美团#混合检索#RAG 技术

面试题·评估· 蚂蚁

Agent项目挑战与解决方案怎么讲?

匹配正文：…何控制。挑战闭环：给出一个真实故障，从现象、trace、根因、修复到回归。结果与限制：只使用真实、同口径、可复算的质量、延迟、成本和人工数据。事实填空在【真实场景】中，原流程【】，失败切片【】。我负责【】，方案为【】，关键工具或状态【】。一次真实挑战是【】，通过【日志/实验】定位为【】，采取【】后得到【真实结果】，副作用【】，回滚【】。证据自检检查是否存在基线、评测集版本、失败样本、工具日志、异常码、线上流量和复盘记录。不要把同期发生的业务变化直接归因于模型改动，…

#蚂蚁#评估与监控#Agent 项目经验

面试题·评估· 滴滴

Agent 技术实际有效性怎么评?

匹配正文：…Agent当前落地效果，避免过度乐观或悲观对比AutoGPT、LangChain等框架的核心差异分析技术瓶颈（幻觉、规划失败、成本）给出实际落地建议一、Agent技术有效性：理性看待当前真实状态 Demo惊艳，落地困难：ReAct、Function Calling等模式在可控场景有效，但复杂任务成功率仍低（公开评测约30-60%）核心瓶颈：LLM的规划稳定性不足，幻觉导致工具参数错误，长程任务易偏离目标有效场景：单步工具调用、有明确SOP的流程、人机协同模式与…

#滴滴#Agent#Agent 技术评估

面试题·评估· 淘天

RAG 核心指标优先级

匹配正文：…层面说明端到端指标（如RAGAS、ARES）与组件级指标的区别强调事实性/幻觉检测的重要性提及业务场景下的实用指标（如延迟、成本）体现对评测方法局限性的认知 RAG评估要分两个层面来看：检索端和生成端，再加上端到端的整体评估。一、检索质量指标（决定上限） Recall@K / MRR：核心看相关文档有没有被召回，RAG的瓶颈往往在检索 NDCG：考虑排序质量，排在前面的文档相关性权重更高精确率：避免引入过多噪声文档干扰生成二、生成质量指标（决定体验）事实一致性…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估· 蚂蚁

Agent 项目踩坑与恢复

匹配正文：…标。本人职责、团队依赖和交付边界。架构分层：确定性流程、模型决策、工具、状态、记忆、权限与观测。三个真实挑战：质量、稳定性和成本各选一个，说明定位与处理。指标证据：离线集、在线实验、人工抽检、延迟分位数、成本和失败率。复盘：哪些复杂度后来被删除，哪些能力仍需人工。事实填空项目服务【】，基线【】，目标【】；我负责【】，团队提供【】。系统由【真实组件】构成。挑战【】通过【证据】定位，改动【】，真实结果【】，代价【】，失败切片【】，回退【】。证据自检能否解释每个组…

#蚂蚁#评估与监控#Agent 项目踩坑与恢复

面试题·评估· 字节

ReAct vs 传统规划怎么选?

匹配正文：…域：环境确定时性能稳定 Planning劣势僵化问题：环境变化时计划失效信息浪费：预规划可能包含不必要步骤重规划开销：失败时成本较高选型建议开放域/动态环境（如网页浏览、数据库查询）→ ReAct 封闭域/确定性任务（如代码生成、数学证明）→ Planning 复杂长程任务 → 混合架构：高层Planning + 低层ReAct

#字节#百度#评估与监控

面试题·评估

RAG 系统效果差怎么排查?

匹配正文：…se 消失、相邻切片没有退化，并说明代价。至少记录固定回归集、独立测试集、索引/模型/Prompt 版本、质量指标、P95 延迟、成本、权限对抗样本和回滚条件。评测题或答案不能因修复而回流到训练或调参数据后继续充当独立测试集。追问准备支持证据原先在哪一层丢失，哪条 Trace 可以证明？为什么选择当前指标，它的分子、分母、k 和切片是什么？哪个对照实验排除了至少一个竞争根因？修复后哪些查询变差，为什么仍接受或怎样回滚？权限、缓存、增量索引和删除传播如何验证？

#检索归因#生成归因#RAG 系统故障排查

面试题·评估· 阿里

训练/推理/知识增强怎么选?

匹配正文：…、提示注入或模型忽略证据时仍会失败。后处理：拆分可验证声明，用权威数据源、规则、专用模型或人工复核。验证器也会出错，并增加延迟与成本。产品策略：展示证据和不确定性，允许澄清与“不知道”，按风险限制自动执行范围。评估应分别测检索命中、引用正确性、证据忠实度、事实准确率、校准、拒答质量和端到端任务成功率。目标是降低可测风险并让错误可追溯，而不是宣称消除幻觉。图解训练/推理/知识增强怎么选?图解

#阿里#幻觉治理#大模型幻觉缓解

面试题·评估· 字节

Agent 中规划与执行怎么协同?

匹配正文：…再逐条执行，适合确定性高的任务反思机制（Self-Reflection）：执行失败后，规划模块分析原因并调整策略，而非简单重试成本权衡：过度规划增加Token消耗和延迟，实际系统常设规划深度阈值或采用自适应规划本质区别：规划处理不确定性（决策空间），执行处理确定性（动作落地），二者闭环迭代构成Agent的自主核心。

#字节#评估与监控#Agent

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配正文：…执行→记忆→评估的自主循环特点：端到端自主，无需人工编排步骤适用：开放式任务探索、自动化研究局限：幻觉累积严重，易陷入循环；成本高（大量API调用）；实际落地困难 MetaGPT 架构：角色化Agent（产品经理→架构师→工程师→测试），基于SOP协作特点：结构化输出（代码/文档），多Agent通信机制适用：软件自动生成、标准化流程任务局限：角色固定难扩展，复杂业务场景SOP难以预设，通信开销大选型建议快速落地/已有流程：LangChain + 自定义Agen…

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·评估· 字节

Agent 人工干预 vs 自动处理怎么切换?

匹配正文：…等级矩阵设计（操作不可逆性×数据敏感性×合规要求）动态调度策略（在线学习更新阈值、上下文感知的降级机制）人工介入的ROI权衡（成本模型+时效性约束）核心架构：三层决策体系感知层 → 提取不确定性信号（模型logits分布、工具返回异常、知识缺口标记）决策层 → 多因子融合判断是否触发人工执行层 → 无缝切换+上下文保留置信度阈值设计维度具体做法模型置信度不直接用softmax概率，改用校准后的置信度（Temperature scaling或Platt s…

#字节#Agent#Agent 人工干预

面试题·评估· 百度

RAG 架构怎么工作?

匹配正文：… 缓解幻觉生成内容有明确来源，可事实校验知识时效性无需重训模型，更新知识库即可可溯源性输出可关联原始文档，满足合规要求成本可控相比全量微调，实施成本低主要局限检索质量瓶颈：Embedding不准、Query-doc语义Gap、切分策略不当导致信息丢失上下文限制：K值过大超出LLM窗口，K值过小覆盖不全噪声敏感：检索到无关内容会干扰生成（"Lost in the Middle"问题）复杂推理弱：需要多跳推理的问题，单轮检索难以解决一句话总结 RAG的本…

#百度#评估与监控#RAG 架构

LLM 如何集成外部工具与记忆?

Agent 工具调用用 Workflow 吗？

AI Agent 核心理解与未来趋势

Reflection 和 Memory 怎么协同?

RAG 文档检索选型

RAG 检索与生成评估

RAG 有哪些主要缺陷?

RAG 上下文不准确，如何用数据定位？

大模型怎么用于搜索检索?

RAG 失败场景诊断

Agent项目背景与技术方案怎么写?

大模型客服质检系统如何设计与验证？

RAG 解决了哪些问题?

Agent项目挑战与解决方案怎么讲?

Agent 技术实际有效性怎么评?

RAG 核心指标优先级

Agent 项目踩坑与恢复

ReAct vs 传统规划怎么选?

RAG 系统效果差怎么排查?

训练/推理/知识增强怎么选?

Agent 中规划与执行怎么协同?

LangChain vs AutoGPT vs MetaGPT 怎么选?

Agent 人工干预 vs 自动处理怎么切换?

RAG 架构怎么工作?