匹配口述回答：…看哪些指标，当前基线和最大失败类型分别是什么？这个问题能判断项目是在做展示、内部提效还是承担真实业务结果。如果面试官提到知识库或Agent，我会继续问：线上错误通常来自召回、生成、工具执行还是数据更新，团队怎样收集失败样本并决定下一轮优先级？这比直接问是否使用某个向量库更有信息。若对方说召回问题多，再追问文档版本、权限、评测集和引用支持率；不会预设所有RAG都必须先做Entity Linking。第二类问题可以聚焦技术决策：在准确率、延迟、成本和安全冲突时，团队最近做过什…

#面试技巧#职业规划#团队沟通

面试题·RLHF与对齐· 美团

模拟器与 World Model 的偏差和迁移

匹配追问：…推理策略？对比Dreamer、MuZero、World Models等方法的异同和适用场景？场景切入假设要训练一个多步购物 Agent，又不能直接在真实用户流量上探索。你会怎样搭建模拟环境、生成交互轨迹，并逐步验证策略能否迁移到真实系统？层层追问 Environment-based training 的交互闭环是什么？……模拟环境能降低哪些成本？……环境偏差、奖励漏洞和探索效率会带来什么问题？……怎样用真实数据校准并设置灰度与回退？直球技术分析长序列 Agent …

#环境模拟训练#世界模型#Model-based RL

面试题·项目与经历· 美团

面试反问环节怎么准备?

…店这类多轮对话场景里，用户可能先问“附近有什么火锅店”，再追问“有没有双人套餐”，这里就需要RAG能结合对话历史做上下文检索，同时Agent能根据当前状态调用不同的工具或API。我觉得真正落地的难点在于怎么把[[ReAct]]框架和检索结果融合，让模型既能依赖知识库的事实，又能自主规划下一步动作。举个例子，比如用户问“我上周的退款怎么还没到”，系统需要先通过[[Self-RAG]]判断是否需要检索订单信息，然后调用客服工单API，最后生成回复。这里面每个环节的置信度都要有兜底…

← 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

匹配口述回答：

#面试技巧#职业规划#团队文化

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：…unk_size。块更小可能更容易命中局部事实，但上下文容易断；块更大能保留论证链，也会带来更多噪声。因此我会把分块当成需要验证的系统参数。第一步先看文档。API文档优先按函数或接口切，合同按条款和层级切，报告按标题和段落切，表格与代码则保留自己的逻辑单元。过长单元再二次拆分，同时保留父级标题和原文位置。这样做比直接对所有文档使用固定长度更容易解释，也方便引用溯源。第二步准备多组候选。较短分块、较长分块、结构化分块都在同一批真实问题上跑。重叠也比较零重叠、短窗口和较长窗口…

#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?

匹配题目：检索增强生成（RAG）如何通过引入外部知识来提升大语言模型的生成质量？请从减少幻觉、提高事实准确性、增强上下文相关性等方面，系统阐述其作用机制与实际价值，并结合应用场景说明其对生成结果的优化效果。

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…领域专家盲评关键取舍：医疗法律对准确性极度敏感，宁可"检索不到"也不"生成错误"，需设置置信度阈值触发人工兜底。学习建议建议系统学习该知识点

#字节#RAG 全链路#RAG 技术链路

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配口述回答：…说标签定义。这里有个边界划分的问题：粗粒度标注适用于端到端微调，比如对话任务，只要最终输出满足用户意图就行；而细粒度标注适用于[[Agent]]任务，需要对每步的思考、动作、观察都打标签。实际落地时，我往往会两者结合，对中间步骤用过程监督，对最终结果用结果监督。比如在订单异常处理中，我会标注每步工具调用是否正确，同时也会标注最终是否解决了用户问题。另外，如果要用RL或[[DPO]]训练，还需要构造同一状态下优劣响应的偏好对。上下文建模这块，我有个很深的体会：状态追踪机制设计…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·多模态· 淘天

截图组件功能怎么用 RAG 解释?

匹配正文：…溯源到具体设计规范文档可控性：产品术语、内部黑话可通过知识库注入更新灵活：新组件无需重训大模型，更新知识库即可学习建议建议系统学习该知识点

#淘天#多模态#多模态 RAG

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配口述回答：…在问检索和生成之间的耦合度是怎么演进的。我理解RAG不是一种固定的架构，它从最早的简单拼接，到后来加各种优化，再到最近模块化、[[Agent]]化，其实是检索和生成从硬耦合走向解耦的过程。先说最早的一代，[[Naive RAG]]。它的流程很简单：离线把文档切成块、做 [[Embedding]] 存进 [[Vector Database]]，用户提问时检索出最相关的几个块，直接拼到Prompt里交给LLM生成。这个架构最大的问题是检索和生成是硬耦合的，一次检索结果就决定了输…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 字节

两阶段检索 vs 直接重排?

匹配口述回答：…器。但缺点也得心里有数。最核心的风险是误差累积，如果召回阶段把重要文档漏掉了，重排阶段再怎么排也找不回来，这就是召回率天花板。另外系统复杂度上去了，要维护两套索引和两个模型，运维成本高；而且两阶段串行，总延迟是叠加的，对实时性要求特别高的场景需要注意。所以实际落地时，我会特别关注召回阶段的质量，比如用 [[Hybrid Search]] 把 [[稀疏检索]] 和 [[稠密检索]] 结合起来，降低漏召回的风险。如果对延迟特别敏感，可以换成 [[ColBERT]] 这种轻量交互…

#字节#两阶段检索#RAG 重排序

面试题·检索· 小红书

RAG 局限性怎么破?

匹配追问：…么处理？……再深入一点，如果用户问的问题需要多步推理，比如‘北京那个客户昨天下的订单今天发货了吗’，RAG能搞定吗？直球架构请系统性地分析RAG技术的主要局限性，从检索质量、生成整合、知识边界三个维度讲，每个维度列举具体挑战，然后给出至少三种改进思路，比如混合检索、重排序、Agent化这些，最后谈一下RAG和微调的关系。

#小红书#RAG局限性#RAG 局限性

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配口述回答：…ve 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。每次只增加一个主要模块，才能看清收益来自哪里。生产中还要保存 query 变换、过滤条件、各路候选、融合名次、重排结果、最终上下文和引用。语料、embedding、索引、reranker、Prompt 与模型分别版本化，灰度时同时看…

#淘天#重排与优化#Naive RAG