匹配口述回答：…开始。先做查询改写，比如用户说“它怎么退款”，得把“它”还原成具体商品或订单号，不然检索会偏。然后是多路检索，这里我强调一下边界：向量检索擅长语义匹配，比如用户说“手机屏幕碎了”能召回“碎屏险理赔流程”；关键词检索擅长精确匹配，比如订单号、错误码。所以真正落地我都是两条路一起上，用[[Hybrid Search]]把向量和[[BM25]]的结果合并。检索完top-K结果后，用[[Rerank]]模型精排，把最相关的几条提到前面，这一步对最终质量影响很大。排完序后组装上下文，注…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…【知识库方案】，我负责【本人职责】。文档从解析、分块、元数据和权限进入版本化索引，删除、更新和租户隔离也要能追踪，不能只说“把文档向量化”。查询侧使用【召回方案】，再通过【融合与重排】处理候选。我会说明为什么选这个组合，Top-K、RRF 常数或权重、重排候选数都来自固定评测集上的参数扫描。正确证据没进候选时先修召回；候选有答案但排名低才看重排。上下文去重、冲突和预算处理后，由【生成约束】控制引用、拒答与输出校验。效果只报告【真实指标】，并带上数据集、硬件、并发和统计窗口…

#美团#知识库构建#RAG 检索器设计

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：…策略。比如 [[Self-RAG]] 让模型自己判断是否需要检索、检索结果是否够用，不够就迭代检索多次。这个方向我觉得比单纯优化 Embedding 模型更有价值，因为它解决了“什么时候该查、查几次”这个根本问题。所以整体上，我更倾向把 RAG 看作一个检索优先的系统，生成器只是把检索结果包装成自然语言。如果检索质量不够好，再强的生成器也救不了。上线前我会用 [[RAGAS]] 指标专门测检索的 [[Context Precision]] 和 [[Context Recal…

← 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

#美团#RAG架构#RAG 系统架构

面试题·检索· 美团

推荐结果多样性怎么控制?

匹配口述回答：…量比较大，如果候选集超过一百个，我倾向先用MMR粗排再用DPP精排，或者用近似算法。这里有个前提：重排依赖好的相似度度量，如果[[embedding]]质量不行，相似度算不准，重排反而会打乱排序。所以我会先确保embedding模型在业务数据上微调过。训练阶段我也会做多目标优化。在loss里加一个多样性正则项，惩罚生成结果之间的互信息，让模型学会输出差异化的内容。另外对比学习也很有用，拉近正样本对、推远负样本对，这样embedding空间分布更广，自然能生成更多样化的结果。但…

#美团#多样性控制#推荐多样性

面试题·检索· 哔哩哔哩

召回 vs 粗排怎么分工?

匹配正文：…。协同关系候选库 → 多路召回或 ANN → 合并去重 → 可选粗排 → 精排 → 约束与多样性重排召回可来自协同过滤、双塔向量、图、热门或业务规则。粗排可用轻量 GBDT、浅层网络或蒸馏模型，并应覆盖精排所依赖的主要目标。若粗排标签、特征或目标与精排不一致，会产生选择偏差，把后续本可识别的优质项提前删除。视频推荐可以并行召回关注作者、历史兴趣、相似内容与探索候选；粗排再估计点击、观看或满意度。小候选池或轻量精排可能直接省略粗排。验收应画出候选深度、召回率和延迟成本曲…

#哔哩哔哩#召回与粗排#召回与粗排区别

面试题·检索· 美团

混合检索为什么用 Sparse+Dense?

匹配口述回答：…户搜“怎么退款”，它能召回“取消订单流程”这种语义近似的文档。但这里有个坑：如果文档里包含冷僻词，或者用户的query有拼写错误，向量检索的效果会明显下降。因为Embedding模型没见过这些词，表达会偏移。所以上线前我会特别关注词汇覆盖率，如果领域术语太偏，可能需要微调Embedding模型，否则召回质量会崩。那混合起来怎么做？常见策略有两种。一种是线性加权，比如score = α * BM25分数 + (1-α) * 余弦相似度，α通常取0.3到0.5。另一种是RRF，…

#美团#Hybrid Retrieval#混合检索

面试题·检索· 快手

LLM怎么融入推荐系统？特征提取与召回

匹配口述回答：…文本，生成结构化的标签，比如场景、情绪、人物，喂给[[双塔]]模型。这些标签以前靠人工标注，成本高还覆盖不全，LLM能自动化，而且质量不差。再一个，用户兴趣画像也可以用LLM来增强，比如把用户的历史行为序列，像点击、评论，输入LLM，让它抽取出动态的兴趣标签，比如最近偏好旅行类Vlog，而不是静态的标签。然后是召回层，这块还在探索中。一种做法是语义向量召回，把item通过LLM生成[[Embedding]]，存到[[向量库]]，离线预计算，在线用[[ANN]]检索。另一种是…

#快手#LLM推荐系统#LLM 推荐系统

面试题·检索· 美团

BM25 公式与 TF-IDF 对比

匹配口述回答：…而是做 [[Hybrid Search]]，把BM25和 [[Dense Retrieval]] 结合起来，BM25保证精确匹配，向量检索捕捉语义相似。前提是向量检索的 [[Embedding]] 质量要够好，不然混进来一堆噪声反而拉低效果。另外，b参数的调优很容易被忽略。比如客服场景里文档长度差异巨大，b取0.75可能对短文档太友好，导致长文档里的关键信息被埋没。我上线前会用一批真实query做A/B测试，观察不同b值下长文档的召回率变化，找到一个平衡点。所以我会把BM…

#美团#BM25词频饱和#BM25 公式与 TF-IDF 对比

面试题·模型训练· 百度

Flow Matching 线性目标速度

匹配口述回答：…，会改变条件路径和学习难度，不能只盯同一个速度公式。评测时我会按时间分桶观察速度误差，并用相同 solver 和 NFE 比较生成质量。这样既能说明代数推导正确，也能说明它在边缘向量场和采样系统里怎样工作。若论文使用的不是固定端点直线，而是带时变方差的 Gaussian path，我会直接按该路径对时间求导，不把端点差公式硬套进去。回答公式前先写清 x_t 的定义，既能避免缩写歧义，也让面试官可以逐步检查每个等式。先确认 GTV 的论文定义推导线性条件路径速度解释网络…

#Flow Matching#扩散模型#概率流

面试题·模型架构· 字节

RMSNorm推理效率更高吗?

匹配口述回答：…架构使用 Pre-Norm RMSNorm。训练稳定性和推理收益要按模型、精度、kernel 与负载实测。【90秒主答】对隐藏向量 x，LayerNorm 先计算特征维均值 μ 和方差，再输出 gamma 乘 (x-μ) 除以标准差，加 beta。RMSNorm 不做 x-μ，只用均方根 sqrt(mean(x²)+epsilon) 归一化，再乘可学习 scale。两者都不依赖 batch 统计，适合变长序列和自回归模型。RMSNorm 少了均值归约与中心化，但完整 Tr…

#LayerNorm#RMSNorm#归一化技术

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配口述回答：…检索相关条款，模型再据此生成回答。如果只靠微调，你每改一次政策就得重训一次，根本不现实。但RAG落地也有不少坑。前提是你的知识库质量得高。如果文档[[分块]]不合理，检索出来的片段牛头不对马嘴，模型再聪明也没用。常见失败场景是，用户问一个很具体的问题，比如“订单号12345的状态”，但你分块时把整个订单详情页当成一个大块，检索出来一堆无关信息，模型就糊涂了。所以我会特别关注Chunk策略，比如用语义切分而不是固定字数，或者用[[Parent Document]]保留上下文层…

#科大讯飞#阿里#RAG 架构

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过一个工具包装就能把LlamaIndex的检索能力当工具给LangChain用。但…

#阿里云#评估与监控#Agent

面试题·评估· 快手

LangChain 链式调用原理

匹配口述回答：…链。这样既利用了它的灵活性，又避免了黑盒风险。举个例子，做一个客服退款场景的知识库问答系统。我会用检索层加载退款政策文档，切分后向量化存到[[Vector Database]]，然后用一个RetrievalQA链，用户问退款流程时先查相关片段，再让模型结合上下文回答。这里我会特别关注切分策略，如果按固定字数切，可能把一个完整条款切成两半，导致召回不完整。前提是文档质量要够好，如果文档本身逻辑混乱，再好的检索也救不了。上线后我会监控用户反馈，如果发现回答不准确，可能得加[[H…

#快手#评估与监控#Agent

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配口述回答：…过期的促销政策。真正落地时，Search 要跟业务知识库配合，比如先搜内部的知识库，再搜外部网页，并且要设定时间范围。如果检索结果质量差，比如 top-k 太小或者相关性分数低，Agent 会基于错误信息做决策，反而加剧幻觉。所以前提是检索系统本身要可靠，比如用 [[Hybrid Search]] 结合关键词和向量，再加一层 [[Rerank]] 过滤低分结果。再说 Coding。这个模块赋予了 Agent 动手能力，把自然语言需求转成可执行代码。输入是任务描述和上下文，输…

#美团#评估与监控#Agent

面试题·Prompt· 字节

Agent 系统架构与 Prompt 设计原则

匹配口述回答：…是卡死。记忆机制上，短期记忆就是对话历史，但我会用[[滑动窗口]]控制长度。长期记忆我用[[RAG]]，把历史案例和知识文档[[向量化]]，需要时检索。这里有个前提：知识库要定期更新，并且做质量校验，不然检索到过期信息反而害了Agent。容错方面，我特别关注两点。一是自我反思，每次执行后追加一步检查结果，如果发现错误就回退重来。二是中断恢复，保存执行状态快照，万一超时或崩溃，可以从断点继续，不用从头开始。其实还有一个更难的问题我还在想，就是当多个Agent协作时，怎么协…

#字节#Agent#Agent 系统设计

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配口述回答：…和订单异常怎么处理”，LlamaIndex可以做到：先拆成两个子问题，分别从不同文档检索，再合并答案。这里有个坑，就是如果你的文档质量差，比如[[OCR]]识别率低，或者格式混乱，那再好的索引也救不了。我会特别关注数据预处理阶段，上线前一定要用一批真实query跑一遍召回率，低于80%就别急着上。说到落地，其实生产环境里这两个框架经常一起用。LlamaIndex负责数据层，把文档变成可检索的索引；LangChain负责应用层，把检索结果和工具调用、Agent决策串起来。比如…

#阿里云#AI框架选型#LangChain vs LlamaIndex