匹配口述回答：…，而且缺乏真正的经验学习。比如一个Agent今天处理了某个退款案例，明天遇到类似情况它不会自动复用昨天的经验，除非你显式把案例写进提示词或向量库里。说白了，现在的长期记忆更像是一个外部存储，而不是Agent自身认知的一部分。反思能力就更虚了。很多方案号称能做自我反思，但我观察下来，大部分是“伪反思”，模型只是生成一段自我批评的文本，比如“我错了，我应该先调用查询接口再调用退款接口”，但下次执行时它并不会真的修正策略，因为反思没有沉淀到行为层。真正有效的反思应该像[[Self…

#得物#Agent#AI Agent 核心能力

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配口述回答：… 不适合、query 改写不准，或者 reranker 没把真正有用的文档顶上来。这个时候我会先看 TopK 列表，而不是直接改 prompt。 MRR定义：所有查询倒数排名的平均值 RAG首位相关性决定生成质量需配合Recall@K使用实际阈值与注意点约4分钟 MRR 更像检索排序指标，不等于端到端答案质量。如何把 MRR、Recall@K、NDCG、Faithfulness 组合成一套 RAG 评估体系。

#百度#评估与监控#MRR 定义

面试题·模型微调· 美团

RAG 解决了哪些核心问题?

匹配口述回答：…引用来源。这样一旦用户质疑“你凭什么这么说”，系统能回到具体文档片段，而不是只相信模型的一句话。当然，这个前提是检索结果本身靠谱，prompt 里也要约束模型不能脱离资料发挥。举个客服场景：用户问“退款什么时候到账”。如果只靠模型参数，它可能给一个通用答案；RAG 会先查订单状态、支付渠道规则、退款政策，再生成一个针对当前用户的回答。这里的价值不只是答得更准，还包括政策改了能快速生效，出了问题能查来源，合规审核也更容易。和 [[SFT]] 比，RAG 更适合解决“知识注入…

← 上一页第 18 / 18 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#知识增强#RAG 核心问题

面试题·RAG

什么是 RAG？一句话讲清检索增强生成

匹配追问：概念辨析有人说 RAG 不就是把资料复制粘贴进提示词吗？你觉得这个理解对不对？RAG 和直接把整份文档塞进上下文，区别在哪里？场景切入假设公司要做一个内部规章制度问答机器人，员工问“产假有多少天”，直接用通用大模型回答会有什么风险？RAG 具体能怎么帮上忙？

#入门#基础概念#什么是RAG

面试题·模型架构

Token 是什么?为什么大模型按 Token 计费?

匹配口述回答：…K 到 4K 就够，文档分析才需要 8K 以上。所以我会把 Token 看成大模型的“货币”，理解了它，你才能准确估算成本、设计提示词、选择模型。进一步，如果你对 Tokenizer 的细节感兴趣，可以聊聊 BPE 算法的合并策略，它直接影响词表大小和推理效率。一句话定位：Token 是大模型的基本计价和计算单位中英文差异源于词表偏向英文，中文更费 Token 按 Token 计费因为算力和 Token 数成正比，输出更贵落地时估算 Token 是关键，注意上下文窗口…

#入门#基础概念#token是什么

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配口述回答：…法律这种高价值、高风险的垂直领域时，到底要怎么搭一条能真正跑通的链路。核心已经不是通用RAG那套“文档切一切、向量存一存、召回来拼Prompt”了，而是怎么把领域知识的结构化、查询的复杂意图、还有最终答案的可靠性串起来。我先说知识处理这块，这是最花功夫的。通用RAG里往往一刀切[[Chunk]]，但垂直领域不行。我的做法是把数据分成三层来对待：结构化数据，比如药品库、法条，直接做成[[Knowledge Graph]]，存实体和关系；半结构化数据，像病历模板、合同范本，我会…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·多模态· 字节

Agent 优势与局限怎么分析?

匹配口述回答：…数增长，商业化场景下很难承受。还有一个安全边界的问题：Agent 自主调用工具，万一它自己去执行了删除订单的接口怎么办？你很难在 prompt 里把所有边界都定义清楚，常见失败场景就是 Agent 越权操作。所以落地时我特别关注前提条件：工具接口必须是幂等的，而且要有审核层。比如写操作先走审批，读操作才放行。不满足这些，Agent 上线就是定时炸弹。再说说技术趋势。现在比较热的是 [[Multi-Agent]]，比如 MetaGPT 那种，让一个 Agent 当产品经理，…

#字节#Agent#Agent 优势与局限

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embedding、索引、reranker、Prompt 和模型都版本化，多租户权限和缓存隔离单独验证。这样面试官追问任何一层，都能回到真实 trace 和实验。 RAG本质是让大模型先查后答，不是硬记数据层：多源解析和表格保留检索层：混合召回加重排，型号编码单独倒排生成层：置信度阈值防幻觉，版本冲突处理落地前提和风险约90秒即使检索准，模型仍可能忽略部分上下文，需要更精细的段落…

#百度#RAG项目复盘#RAG 项目指标化复盘

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…没有哪个模块默认该上。比如正确文档没进候选，先修覆盖和召回；候选已有答案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。 Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评测集上逐步加模块，分别看 Recall@K…

#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

匹配口述回答：…回来之后，我会加一道 [[重排]]，用一个 [[Cross-Encoder]] 模型重新算一遍相关性，把最相关的3到5条挑出来拼到prompt里，最后丢给LLM生成答案。说到优化，我比较常用的是上下文压缩。检索回来的片段里可能有噪声，直接拼进去会干扰模型。我会先用一个小模型过滤一遍，只保留确实相关的句子。还有一个方向是 [[Self-RAG]]，让模型自己判断要不要检索，如果知识库里没有就直接说不知道，避免 [[Hallucination]]。举个例子，企业SOP合规场景…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配追问：…引用？直球架构聊一下RAG的技术细节。你从检索器选型、知识库分层、到生成模型集成，整个链路怎么设计的？比如双路召回、混合排序、Prompt组装这些，具体怎么落地？

#美团#知识库构建#RAG 检索器设计

面试题·检索· 美团

RAG 系统核心组件怎么搭?

匹配追问：…怎么办？直球架构请详细说一下 RAG 系统的技术实现，从文档预处理、检索器的多路召回和重排序，到生成器怎么集成检索结果，包括 Prompt 设计和上下文压缩，完整的 pipeline 怎么搭？

#美团#RAG工程实现#RAG 系统实现

面试题·检索· 百度

RAG 三阶段原理与失败场景

匹配追问：…么做？直球架构请详细描述RAG的完整工作流程，重点讲清楚检索、增强、生成三个阶段分别怎么实现，包括文档处理、向量化、检索策略、Prompt组装这些环节。

#百度#RAG三阶段#RAG 工作流程