匹配口述回答：…索和生成的协作，而不是单独优化一个环节。延迟和准确率永远是跷跷板，关键是找到业务能接受的平衡点。说到这，我其实更关注一个延伸点：当Agent需要多跳推理时，单轮检索往往不够，这时候怎么设计检索策略？比如用户问“满200减50的券能和折扣叠加吗”，需要跨文档推理，先查券规则，再查折扣规则，最后判断是否冲突。单轮检索很难覆盖，我会考虑用[[Self-RAG]]让模型自己决定何时检索，或者用[[GraphRAG]]构建[[知识图谱]]，但延迟会更高。这就引出一个问题：能否让Agen…

#快手#RAG延迟与准确率#RAG 延迟准确率根因

面试题·多模态· 小红书

多模态大模型面临哪些挑战?

匹配口述回答：…败样本。不能因为某个总分提高，就断言细粒度对齐或长链推理必然改善。 CoT可能帮助模型组织步骤，但生成的理由不一定由视觉证据支持；Agent可以调用OCR、检测器或搜索，RAG可以补外部知识，却都不能自动修复输入中未被识别的对象。工具返回还可能冲突或被错误引用，需要显示区域、帧和文本证据，并在不足时拒答。跨模态冲突是另一类风险。图像、字幕和用户文字不一致时，模型可能偏向更强的文本先验。需要专门构造冲突样本，测模型是否指出差异，而不是强行融合。医学、身份和内容审核等高风险场景…

← 上一页第 17 / 17 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

#模态对齐#数据构建#推理一致性

面试题·RLHF与对齐· 美团

环境训练 vs 监督学习怎么选?

匹配追问：环境反馈延迟或稀疏时如何设计奖励函数或训练策略基于环境的训练样本效率低，有哪些改进方法（如模型-based RL、离线RL）在LLM Agent场景中，如何构建"环境"进行训练场景切入假设现在优化一个连续决策系统，动作会改变后续状态，反馈还可能延迟。你会怎样判断它应使用监督学习、contextual bandit、offline RL 还是受控 online RL？层层追问监督数据和策略交互数据的来源差在哪？……只有日志时如何处理分布外动作？……bandit 与完…

#环境交互#在线学习#探索与利用

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…和覆盖度之间找平衡，不能像通用聊天机器人那样瞎编。医疗、法律这种场景，错了就是人命关天或者法律纠纷，所以整个链路都得围绕「可信」来设计。先说文档处理。专业文档不是排版漂亮的网页，很多是扫描件、表格、手写批注。我会先用 [[OCR]] 加 [[Multimodal]] 模型，比如 LayoutLM，把图文混排的内容抽成结构化文本，同时保留章节层级，比如病历里的主诉、检查、诊断这些段落。切分的时候不能按固定字数切，那样会把关键上下文切断。我会按语义边界来切，比如法律条文按条款切…

#字节#RAG 全链路#RAG 技术链路

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：…，如果小图标没识别到，后面检索和生成就白搭。第二步是建知识库。光有截图不行，得把每个组件的功能说明配对存起来。我会收集产品手册、设计规范、甚至内部Wiki，然后把组件截图和对应的功能描述做成图像-文本对。这里有个关键点：不能用纯文本[[Embedding]]，得用[[多模态]]模型，比如[[CLIP]]或者专门做UI的UIBert，把图像和文本映射到同一个向量空间。这样后面检索时，用户截图可以直接用视觉Embedding去匹配知识库里的组件。第三步是检索。用户截图进来后，…

#淘天#多模态#多模态 RAG

面试题·RAG· 华为

逻辑引导怎么用？

匹配口述回答：这道题问的是逻辑引导，我觉得它的本质是：当模型本身在推理上还不够可靠时，我们怎么通过外在的流程设计帮它走稳每一步。换句话说，这不是模型自己的事，而是我们搭的那个推理框架该不该、以及怎么给它加一些辅助线。先说什么时候需要。我归纳了三类场景。第一类是那种需要多步推理的任务，比如数学题、逻辑谜题、或者因果推断。模型很容易跳步，中间算错一步，后面全错。第二类是工具调用和 [[Agent]] 决策，比如 [[ReAct]] 模式，思考、行动、观察必须按顺序来，模型有时候会跳过观察直接…

#华为#逻辑推理引导#逻辑引导

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：…arch成本高且可能跑偏我的判断：RAG是基础，Deep Research是进阶，实际常结合使用约4分钟现在有趋势把RAG和Agent结合，比如Agentic RAG，让模型根据初步检索结果动态决定下一步是继续搜还是直接回答，这个方向的关键是平衡成本和准确性。面试官可能会追问Agentic RAG的具体实现，比如如何设计路由逻辑、如何控制检索轮数、如何评估召回质量与成本的关系。

#Deep Research#RAG#Deep Research vs RAG

面试题·检索· 百度

RAG 工作流程与关键技术组件

匹配正文：…新，需增量索引+版本管理幻觉与归因：模型不看检索内容瞎编，需强制引用溯源多跳推理：复杂问题需多次检索，引入ReAct/ToT等Agent架构实际落地中，检索质量决定RAG上限，建议先做检索评测（Recall@K、MRR）再优化生成。

#百度#RAG技术架构#RAG 工作流程

面试题·检索· 小红书

RAG 局限性怎么破?

匹配口述回答：…AG的本质是低成本知识外挂检索质量的坑与混合检索改进生成阶段的割裂与Self-RAG方案边界划分：RAG vs 微调 vs Agent 落地风险与工程师取舍约4分钟复杂多跳推理场景下，RAG一次检索不够，需要Agent化，但Agent化有延迟和可控性风险。面试官可能会追问Agent化RAG的具体实现细节，比如ReAct循环如何设计、如何避免死循环、工具调用错误怎么处理。

#小红书#RAG局限性#RAG 局限性

面试题·RLHF与对齐· 美团

长视界任务怎么结合环境训练?

匹配追问：如果分层策略出现高层目标与低层执行不匹配的情况，如何诊断和修复在美团配送场景中，如何设计课程学习的难度梯度奖励塑形中如何避免引入偏差导致最优策略改变场景切入假设现在训练一个配送调度 Agent，任务经过很长的动作序列后才得到整体反馈。你会怎样让策略获得更可学习的信号，同时避免短期代理目标偏离终局目标？层层追问长视野下信用分配为什么困难？……分层策略怎样定义子目标？……课程学习怎样改变任务难度？……奖励塑形如何验证没有改变最优行为？直球技术请为长视野环境任务设计…

#分层强化学习#课程学习#奖励塑形

面试题·文档处理· 小鹏

RAG 分块长度与重叠如何取舍?

匹配口述回答：…版本。召回后可以据此去重、合并相邻上下文，也能在文档更新时精确替换旧chunk，避免新旧版本同时命中。最后我会明确区分实验结果和设计计划。做过实验，就说评测集、基线、指标变化和代价；没做过，就只说候选方案与验证步骤。面试官真正想听的是你如何证明这个参数适合自己的项目，而不是你记住了哪个经验数字。本质是平衡检索粒度与语义完整性分块长度怎么选：短块适合事实查询，长块适合推理总结重叠策略：缓解边界丢失，但增加冗余语义完整性：边界检测与主题分割落地风险与评估约2分钟用…

#小鹏#RAG 文档分段#检索增强生成分段策略

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比。这时候我会考虑[[Agentic RAG]]，让模型自主决定检索步骤，或者用[[ReAct]]框架把推理和检索交替进行。所以整体上，我会把RAG看成一种低成本、可迭代…

#淘天#事实准确性#RAG 减少幻觉

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…没有改善目标切片，就删除它。所谓 Advanced，不是组件更多，而是每个组件都有清楚的错误对象、消融证据和停止条件。我先从工程设计角度回答，再用一个假设场景说明。假设一个政策问答既有自然语言问题，也有订单号和生效时间。Naive 基线可以暴露单路向量召回对精确实体的不足；如果 bad case 集中在订单号，就加入 BM25 或字段检索，而不是直接上 Agent；如果正确政策已经召回但版本排错，再引入时间过滤或重排；只有问题需要跨多个系统补信息时，才考虑受控工具链。每次只…

#淘天#重排与优化#Naive RAG

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配追问：场景切入假设你做一个客服知识库，用户问“怎么退货”，系统得从海量文档里找相关步骤。这个从查文档到生成答案的流程，你怎么设计？关键组件和顺序是什么？层层追问你想给大模型外挂知识库，一般流程是怎样的？……那文档怎么切分成块？……检索完怎么把内容和用户问题拼起来喂给大模型？……如果检索结果不相关，有什么优化手段？直球架构讲一下 RAG 的完整实现方案，从离线索引构建到在线查询生成，包括文档切分、向量化、检索策略、重排序、以及提示拼接这几个环节，你是怎么设计和落地的？

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配口述回答：…rompt，格式大概是“基于以下资料回答问题：文档1...文档K。问题：xxx。答案：”。这里有个前提，就是 prompt 模板要设计好，明确告诉模型只能基于资料回答，不然模型容易自由发挥，产生 [[Hallucination]]。而且我会要求模型输出引用标记，比如 [1][2]，方便事后溯源。再说说落地时我特别关注的几个风险。先看噪声敏感：如果检索到的文档里混了不相关的内容，模型会被带偏。所以我会在 Rerank 阶段设一个置信度阈值，低于0.3的直接丢掉，宁可少给也别给…

#美团#RAG架构#RAG 系统架构