匹配正文：…用户Query → Query理解（改写/扩展） → 向量检索（Top-K召回） → 重排序（Rerank精排） → 上下文融合（Prompt组装） → LLM生成 → 返回结果核心模块：检索召回：基于向量相似度（cosine/IP）快速筛选候选，可用倒排索引混合召回重排序：用Cross-Encoder（如bge-reranker）精排，弥补双塔模型语义鸿沟上下文融合：将检索文档按相关性排序，截断后填入Prompt模板，控制token预算生成模块：LLM基于"检索上…

#商汤科技#两阶段文档处理#RAG 系统架构

面试题·检索· 美团

RAG 架构怎么搭?

匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成）检索器的核心组件（Embedding模型、向量数据库、重排序）生成器的Prompt工程与上下文融合策略检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线）文档切分：按语义/固定长度切分，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…

#美团#检索器生成器协同#RAG 架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：… 重排序器精排Top-K结果 Cross-Encoder（如bge-reranker）生成器基于检索上下文生成答案大模型+Prompt工程，控制幻觉协同机制——上下文融合用户Query → 检索Top-K文档 → 拼接Prompt模板： "基于以下参考资料回答问题：[文档1]...[文档K]\n问题：{Query}\n答案：" → LLM生成（检索内容通过Attention与Query交互）关键优化策略查询改写：用LLM扩展同义问法，解决语义Gap 多路召回：…

← 上一页第 16 / 18 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

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型域外…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：…与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、标题、时间戳，用于过…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配正文：…T8降低存储，平衡精度与速度与Generator的协同 Query → [Retriever] → Top-K Docs → [Prompt拼接] → Generator → Answer 关键协作点上下文融合：检索结果按相关性排序，截断至上下文窗口置信度过滤：低分文档丢弃，避免引入噪声迭代优化：Advanced RAG中加入重排序（Rerank）或查询改写，提升召回精度质量提升本质：Generator从" parametric memory "（参数知识）扩展到"…

#字节#Retriever#RAG Retriever

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：低频全量重建，天级或周级索引层：多路召回融合时间戳过滤：检索时优先召回近期文档，或按时间加权打分多版本共存：同一实体保留历史快照，检索时返回最…

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配正文：…切入）重排序阶段：用LLM做精排后的多样性重排（MMR+语义去重）推荐理由生成：非排序本身，但提升CTR和用户体验直接打分：Prompt预测点击概率——仅适合冷启动或长尾，全量不经济关键挑战计算成本 vs 实时性解法：LLM特征离线预计算 + 在线轻量模型；蒸馏小模型替代在线LLM ID空间与语义空间错位传统推荐强依赖ID共现，LLM擅长语义；需设计ID-语义对齐的联合训练评估困境 LLM引入后，离线AUC可能涨但线上GMV跌（语义相关≠转化相关），需强化因果…

#快手#LLM推荐系统#LLM 推荐系统

面试题·检索· 快手

LLM怎么融入推荐系统？序列建模与排序

匹配正文：…丢失、文本描述质量依赖、embedding空间对齐 2. 序列建模：长行为序列处理方案做法问题直接输入将N条行为拼成超长prompt 上下文窗口限制、推理成本爆炸摘要压缩 LLM先压缩历史为兴趣标签信息损失、压缩策略设计分层架构传统模型做短期，LLM做长期兴趣多源信息融合复杂快手场景：视频消费序列极长（数百上千），需结合SIM-style采样 + LLM语义理解 3. 召回/排序：生成式 vs 判别式生成式召回（如TIGER、P5）： LLM直接生成候…

#快手#LLM推荐架构#LLM 推荐系统

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配正文：…5 + 知识图谱，一路失败用其他路补充降维检索：降低相似度阈值，扩大召回范围，让LLM做重排序过滤 4. 模型侧兜底显式标识：Prompt中标注"未检索到相关知识"，让模型基于自身知识谨慎回答，并提示用户核实拒绝回答：高风险场景直接返回"知识库未覆盖该问题"，避免幻觉 5. 用户侧闭环记录失败Query，触发离线知识库补充提供"未找到答案，提交人工反馈"入口关键权衡：业务容忍度决定策略——客服场景宁可不答不能错答；通用问答可适当放宽。

#百度#小鹏#美团

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…Rerank）：用Cross-Encoder精排，过滤低质片段 3. 生成阶段上下文组装：检索结果 + 用户Query → 构造Prompt 大模型生成：基于检索上下文回答，可引用来源典型应用场景场景说明企业知识问答内部文档、规章制度，解决大模型不知道私域知识的问题客服系统基于产品手册实时检索，避免幻觉，答案可溯源研报/法律分析长文档摘要+精准定位原文，处理超出上下文长度的材料核心优势 vs 局限优势知识实时更新：不用重新训练模型，增量更新知识库即可…

#字节#RAG应用场景#RAG 技术实现

面经·项目面试

Lint 红灯之后，谁来停住下一步？

匹配正文：…度端；需要模型参与修复时，把必要诊断作为明确观察提供。让模型看到错误有助于制定修复，但不应把“是否暂停依赖步骤”的责任全部交给一句提示词。检查记录还应能回答：哪项检查、哪个版本、看了哪些输入。多个检查器面对同一产物时，需要按约定汇总必需检查，不能让后来的一次通过覆盖另一项失败；缺少结果应保留待定状态，不能被当作已经合格。放行规则应在启动下一项之前执行。依赖同一产物的工具，按当前检查状态决定继续或暂停；不依赖它的工作可以另行处理。对于已经启动的任务，还需要单独约定取消或隔离…

#Agent#Hook#Lint

面经·项目面试

记忆文件与发现索引，少写一步会怎样？

匹配正文：…层分开，也能解释为什么补一条链接还没有完成全部工作。文件已落盘，默认入口为什么还是空的？先看新会话实际拿到什么。主程序构建系统提示词时，会取得记忆目录的位置，再调用 load_memory_index 读取索引内容，交给提示词构建器。构建器加入记忆的使用说明和当前索引；它没有顺着所有链接，把每份正文自动展开进去。这条入口使索引承担了很具体的职责：告诉模型有哪些可用材料，大致记录什么，应该去哪里读。目录位置和使用规则提供背景，索引里的书名与链接才指向某一份具体记忆。即使目…

#Agent#Memory#持久记忆

面经·项目面试

Worktree 建好之后，还要把工具接进去

匹配正文：…主目录。另一个函数刚刚创建新副本，不会自动修改这个已经保存的字段。继续看子循环的输入，新路径也没有被作为工作目录传入。子任务系统提示词取预设内容，初始任务来自委派的文本。这条装配链没有把刚创建的路径附到执行工具或任务入口上。这让“创建成功”与“在新副本执行”之间出现了断点。前者可以从 Git 返回值与目录内容确认，后者要看工具保存了哪个根、传给子进程什么路径，以及实际访问了哪个文件。排查这类问题时，值得沿同一个路径变量追到底。谁生产它，谁接收它，哪一个操作真正消费它？如…

#Agent#Worktree#工具绑定

面经·项目面试

子 Agent 有独立上下文，为什么还要认真写交接？

匹配正文：…便条新循环只收到一条显式输入在这份本地 cc-python 实现里，父模型通过 AgentTool 派生子任务。工具接收任务 prompt，还可以指定模型和运行方式。它随后组装子工具集，进入一个新的 query_loop。前台执行路径创建的初始消息很短：一个 UserMessage，内容就是传入的 prompt。这里没有把父循环的 messages 复制过去，也没有根据任务描述自动挑出父会话里的相关片段。子任务使用的系统提示词也来自预设的 DEFAULT_AGENT_…

#Agent#子Agent#上下文交接

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：…把栏目边界当成了普通换行。这几种问题最后都可能表现为一段混乱文本，修复位置却不同。留下中间结果，才能避免每次都重新换识别模型、改提示词，或把切分长度调得越来越大。我会保留原文档、页码、块标识和原始坐标，并记录恢复后的栏目与先后关系。坐标用于回到原页，栏目用于解释内容属于谁，顺序用于说明应该怎样读。它们承担的工作各不相同。恢复后的顺序应单独记录，原始坐标仍然保留。不要为了让输出看起来整齐，把块重新编号后就丢掉旧位置。发生串栏时，最有用的证据恰恰是：原来右边的一块，究竟从哪…

#RAG#PDF解析#阅读顺序

面经·项目面试

装了很多 Skill，要把每份说明都塞进上下文吗？

匹配正文：….md，解析开头的元数据，再保存名称、描述、路径和完整内容。到这一步，进程确实已经拿到了两个 Skill 的全文。接下来构建系统提示词时，代码没有把保存的 content 直接拼进去。它只逐个加入技能名称、描述和说明文件路径，并告诉模型：当任务匹配某个 Skill 的描述时，先通过读取工具查看对应文件。所以，进程里可以同时存着汇总报告和活动海报两份长说明，第一次模型请求里却只有它们的短入口。管理器持有什么，与这次请求发送什么，是两个独立的实现选择。这样做的直接作用，是让…

#Agent#Skills#渐进披露

面经·项目面试

Agent 的工具 Schema，究竟能拦住什么？

匹配正文：…版本变化。新增一个必填字段时，下发给模型的声明和服务端校验应使用兼容的版本；否则模型按照旧声明提交，执行器按照新规则拒绝，连续改写提示词也解决不了契约冲突。排查记录里保留当次工具定义，才能分清模型填错和两端规则不同。例如附件编号要求非空字符串，执行入口就应在查询之前拒绝空值、数字和数组。如果业务规定编号有固定格式，可以继续校验格式；存在性和所属订单的检查，再由业务查询完成。每一层都说明自己检查的条件，后面的错误才容易解释。也不要为了让流程跑通，把所有输入都强行转成字符串。…

#Agent#工具调用#Schema

面经·项目面试

Agent 压缩了上下文，为什么任务还在，条件却丢了？

匹配正文：…段必须叫 collected_at，保留旧字段，空值跳过”。如果最后这句话在一千个字符之后，摘要模型连它都看不到。这时候，让总结提示词多强调一次“不要遗漏用户约束”，也无法补回输入里不存在的内容。排查应该先展开实际送入摘要函数的文本，看关键条件在哪一步消失，而不是直接换一个更强的总结模型。沿这个分支做一个离线检查：给原压缩函数传入二十四条消息，把三条条件放在第一条消息的一千一百个字符之后，用固定返回文本代替模型调用。传入摘要函数的内容里，三条条件已经全部消失。这次检查能…

#Agent#上下文压缩#记忆管理

面经·项目面试

Agent 说“文档建好了”，你怎么验收？

匹配正文：…项、验收证据，以及本次结束原因。这份记录对排查很有用。用户说少了一节时，可以直接确认远端版本、写入批次和读回内容，无须先猜是哪句提示词写得不好。后续评测也能区分内容质量问题与交付问题。用故障样本证明你真的管住了交付如果要把这套设计讲成项目经验，我更想看异常输入下的结果，而不只是一次顺利演示。可以先做一个小型故障注入：把文档客户端替换成可控的假服务，让创建成功、正文追加超时。观察下一次恢复是否复用原文档、是否先核对远端内容，再模拟“正文已经写入，但回执丢失”，检查会不会…

#Agent#工具调用#工程实践

面试题·模型训练· 海尔

LoRA 低秩分解 vs 全量微调怎么选?

匹配追问：LoRA的秩r如何选择？有什么经验或理论指导吗 LoRA和Adapter、Prompt Tuning相比各有什么优劣实际部署中LoRA权重如何与基座模型合并，推理延迟会增加吗场景切入假设现在要为同一基座适配多个下游任务，存储和优化器状态是主要约束。你会怎样评估 LoRA 是否合适，并验证质量是否达到任务门槛？层层追问 LoRA 怎样表示权重增量？……参数量如何按输入维、输出维和 rank 计算？……target modules 选错会怎样？……什么时候可能不如全参数微…

#LoRA#参数高效微调#低秩分解

面试题·项目与经历· OPPO

ML项目流程：特征工程到评估

匹配追问：如果模型上线后效果衰减，你会如何排查和迭代特征工程在大模型时代还有价值吗，和Prompt工程如何结合如果数据量扩大10倍，你的方案需要哪些调整场景切入假设你在做电商搜索排序，用户搜“大码连衣裙”，日志里有几百万条曝光。你会怎么从零开始搞一套特征，再到训练、评估、上线？说说你实际怎么推的。层层追问你做过机器学习的项目吧？……完整流程包括哪些环节？……比如特征工程你是怎么做的？……模型选型和调参呢？……最后怎么评估上线？直球架构请分享一个你跑通完整ML流程的项目，…

#特征工程#模型选型#超参数调优

面试题·推理优化· 京东

推理框架硬件支持对比

匹配口述回答：…以及插件扩展，但量化和功能支持仍随硬件变化。SGLang 也面向高性能 serving，前缀缓存和调度对多轮、共享 system prompt 的负载可能有优势，需要用真实流量证明。TensorRT-LLM 针对 NVIDIA 做模型、kernel、量化和 in-flight batching 优化，流程可导入 Hugging Face checkpoint、转换权重并构建引擎，也在推进更高层服务接口。工程门槛来自版本、模型兼容、构建和回归，不是一个固定 ONNX 必经步骤。…

#vLLM#TensorRT-LLM#llama.cpp

面试题·模型训练· 字节

SFT vs 预训练:核心区别在哪?

匹配口述回答：…板，增加任务与表达多样性并减少过度统一的合成数据；若通用能力下降，比较混合预训练数据、较小学习率、早停或参数高效微调。验证集要按 prompt 或来源去重，除平均 loss 外测指令遵循、事实、推理、安全、风格和基准保持。方法选择由反馈形式决定。有可靠标准答案时，高质量 SFT 是直接基线；有步骤可验证时可做过程监督或工具执行；只有成对偏好时可考虑 DPO 等偏好优化；有可执行 reward 且需要策略探索时可考虑在线 RL；高风险边界还需要规则、检索和人工。偏好数据噪声会…

#监督微调#预训练对比#复读机问题