匹配正文：…y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：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG· OPPO

排序模型初始权重怎么设?

匹配标题与标签：排序模型初始权重怎么设? 相关性、时效性、热门度多因素权重设定方法 RAG OPPO 排序初始权重排序模型权重设定多因素排序搜索排序初始权重 OPPO

#OPPO#排序初始权重#排序模型权重设定

面试题·RAG· 字节

大模型输出怎么检测和过滤?

匹配正文：…全过滤敏感信息检测：正则+模型识别PII（手机号、身份证号）合规审核：调用内容审核API（如火山引擎、阿里云绿网）幻觉检测：RAG场景下对比检索片段，计算语义相似度；关键事实要求模型提供引用来源四、异常处理与降级 try: result = parse_and_validate(raw_output) except FormatError: result = retry_with_stricter_prompt() # 重试 except ValidationErro…

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配题目：在RAG或其他基于上下文的AI系统中，当提供的参考上下文存在错误或不准确信息时，您会采取哪些策略来确保模型输出的准确性？

#字节#错误上下文处理#RAG 上下文错误

面试题·RAG

LLM 封闭标签方法对比

匹配标题与标签：LLM 封闭标签方法对比封闭标签分类的 Prompt、约束解码、后处理和微调对比 RAG 封闭集合分类约束解码 LLM 封闭标签方法对比 LLM 怎么严格输出预定义标签？方法对比与选型 LLM 输出限定标签

#封闭集合分类#约束解码#LLM 封闭标签方法对比

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配题目：在RAG系统中，为什么通常采用两阶段检索（召回+重排序）而不是直接使用重排序模型进行检索？这样的架构设计有什么优缺点？

#字节#两阶段检索#RAG 重排序

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：…的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找I…

#安克科技#混合知识库存储#向量数据库

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…时需把query和document两端单位化。度量应匹配模型训练方式。学习建议建议先掌握向量嵌入和余弦相似度的基本概念，再结合RAG架构理解检索流程，通过动手实践使用Sentence-BERT等模型进行文本编码和相似度计算来加深理解。参考资料 Faiss官方度量与归一化 Faiss官方索引、增量与存储 Sentence Transformers官方向量量化 IRCoT原论文:多步推理与迭代检索

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配题目：在检索增强生成（RAG）系统中，常用的检索方法包括BM25、向量检索和混合检索等。请详细说明这些方法的工作原理，比较它们在准确性、召回率、语义理解能力、计算开销等方面的优缺点，并结合实际应用场景（如开放域问答、电商搜索、推荐系统）分析各自的适用条件。

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 美团

BM25公式参数含义与TF-IDF对比

匹配题目：…，完整列出其评分公式并解释各参数含义，对比其相较于TF-IDF在信息检索中的核心改进（如长度归一化、词频饱和度处理等），并说明其在RAG系统中作为稀疏检索方法的优势与应用价值。

#美团#BM25#BM25 算法原理

面试题·检索· 京东

向量数据库选型关键因素有哪些？

匹配题目：在选择向量数据库用于大模型应用（如RAG）时，应综合考虑哪些关键因素？例如性能、可扩展性、支持的索引类型、集成难度等。

#京东#向量检索#向量数据库选型

面试题·检索· 小红书

中文知识库检索选型

匹配正文：RAG检索方法主要分为稀疏检索和稠密检索两类，实际生产环境常采用混合方案。一、稀疏检索：BM25 / TF-IDF 原理：基于词项精确匹配，计算query与文档的词频、逆文档频率相关性。优点：零训练成本，即插即用对关键词匹配精准（如商品ID、专业术语）索引轻量，CPU即可 serving 缺点：无法捕捉语义相似（"苹果手机"≠"iPhone"）对长尾query、口语化表达效果差二、稠密检索：DPR / ColBERT DPR（Dense Passage Ret…

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 拼多多

ANN 索引怎么构建?

匹配题目：在大模型RAG应用中，请描述构建近似最近邻(ANN)索引的完整流程和关键技术选择

#拼多多#ANN索引构建#ANN 索引构建

面经·项目面试

Reranker 的上限，藏在候选集里

匹配正文：…长度处理。两层都确认之后，再在同一批候选上比较模型分数、目标名次与最终保留情况，重排模型才承担了它真正能处理的那部分问题。企业级RAG项目把Rerank放在混合召回之后。面试中讲这一步，先说明排序器收到什么，再说明如何判断排得好不好，会比只报一个模型名更完整。更强的排序器可以改善选择，但选择范围和可见信息，始终要由前面的链路交到它手里。

#RAG#Rerank#候选召回

面经·项目面试

混合检索先过一关：两路分数能直接相加吗？

匹配正文：….5，就认为可以放到同一张成绩单上。检索分数当然不是米或摄氏度，这个类比强调的是：不同机制产生的数值，缺少天然统一的解释。企业级RAG项目把混合召回列在检索链路中。要把这一步讲清楚，先不用搬出很长的架构图。固定两张候选名单，改一次分数尺度，就能看见直接相加到底依赖什么。开发者阻止把米尺与温度计的读数直接相加，类比两路分数尺度不同把向量分数乘十，第一名换了我做了一组人工候选。BM25一路依次是A、B、C、D，分数分别为50、49、2、1；向量一路依次是B、C、E、A，分…

#RAG#混合检索#RRF

项目实战·Agent

Deep Research Agent

匹配正文：…答强在哪可以改成：在[真实任务集]对比[基线]，记录工具调用、引用支持度和 token，结果为[实测值] 精通 Agent / RAG / 强化学习 / 大模型微调问题：「精通」是大坑词，面试官会追问到你露馅可以改成：我实际负责[模块]，能用[日志 / 实验]解释 ReAct 与[候选方案]的取舍使用强化学习训练 Agent，性能大幅提升问题：哪个指标、提升多少？空泛等于没说可以改成：在[真实数据]上用[训练方法]对比[基线]，按[指标]复核，得到[实测结果与失败…

#项目实战#Deep Research Agent

ROI 问题怎么影响推荐效果?

Query 改写有哪些创新方法?

动态增量更新怎么防检索偏差?

搜索排序中时效性特征量化方法

内容热门度怎么量化?

推荐不精准怎么诊断?

时间窗口对话管理机制

逻辑引导怎么用？

人工干预怎么控制 LLM 生成?