匹配正文：技术方向类（推荐） "咱们团队在RAG和Agent的结合上有什么探索？比如外卖/到店场景的多轮对话规划" "大模型在美团核心场景（如智能客服、推荐解释）的落地，目前最大的技术瓶颈是推理成本还是效果稳定性？" 团队与协作类 "团队的技术分享和论文跟进机制是怎样的？比如最近有没有跟进DeepSeek-R1或Kimi的long-context工作" "算法和工程团队的协作模式如何？模型上线后的A/B实验和监控体系是怎么设计的" 个人成长类 "对于校招/社招新人，团队有怎样的培养路径…

#面试技巧#职业规划#团队文化

面试题·RLHF与对齐· 美团

Long Horizon 训练环境怎么搭?

匹配正文：长视野环境的四层设计 1. 状态与观测定义真实状态、Agent 可见观测、动作、终止与截断条件。部分可观测时，允许策略使用历史、RNN/Transformer memory 或 belief state；记录随机种子与环境版本。 2. 奖励与信用分配先保留与最终任务一致的终局奖励，再谨慎加入势函数式 shaping 或可验证里程碑。提高近期奖励权重会改变优化目标，不能当作长期信用的标准修复。可按任务选择 n-step return、GAE、层级价值、return deco…

#Long Horizon RL#奖励塑形#课程学习

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优先保结构法律：以"条款→款→项"为最小单元，而非固定长度医疗：以"主诉-现病史-检查-诊断"等病历章节为边界 2. 元数据增强 chunk …

← 上一页第 19 / 20 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

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…embedding、流式生成、推测解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 蚂蚁

大模型客服评估：伪代码与指标

匹配正文：…估）：情绪识别、共情表达、主动追问业务层（模型评估）：方案准确性、一次性解决率、升单合规性 2. 混合架构：规则引擎 + 大模型Agent ┌─────────────────────────────────────┐ │ 输入：会话记录（文本/语音转写） │ └─────────────┬───────────────────────┘ ▼ ┌─────────────────────────────────────┐ │ 预处理：分片 → 摘要 → 关键事件提取 │ └…

#蚂蚁#客服质量评估#大模型评估系统

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…版本管理多跳推理：单轮检索无法回答→ReAct循环检索或构建知识图谱五、进阶方向 Agentic RAG：检索作为Tool，由Agent决策何时检索、检索什么 GraphRAG：用知识图谱显式建模实体关系，解决多跳问题 RAG+微调：用检索数据构造SFT数据，提升模型对检索内容的利用能力

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：…否合理、Action是否正确调用对比级 RL/DPO训练同一状态下，优/劣响应的偏好对关键决策：是否对"中间步骤"打标签——Agent任务建议细粒度，纯对话任务可粗粒度三、上下文建模：状态追踪机制结构化状态表示：将历史工具返回、中间结论编码为模型易解析的格式（JSON/XML嵌入Prompt）位置敏感设计：关键信息（如最新Observation）放在Prompt尾部，利用位置偏置截断策略：超长上下文时，保留摘要而非简单截断——需同步训练摘要模块四、质量验证：动…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…关系"vs"相关关系"） 2. 语义关联发现向量检索找"相似"，图遍历找"关联" 支持多跳路径检索：如"李彦宏→百度→文心一言→Agent能力" 关系权重量化关联强度，过滤噪声边 3. 上下文连贯性利用社区检测（如Leiden算法）识别主题簇生成阶段按图拓扑组织上下文：先全局摘要→再局部细节避免传统RAG的"信息孤岛"和重复矛盾 4. 复杂推理能力显式推理链：可追溯"为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引…

#百度#知识图谱#GraphRAG 优势

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配题目：在智能Agent系统中，规划能力是完成复杂多步任务的核心。请系统介绍当前主流的提升大语言模型规划能力的方法，如思维链（CoT）、思维树（ToT）、图思维（GoT）等，深入分析它们的原理、适用场景，并对比各自的优缺点与实际应用中的局限性。

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性逐步生成中间状态。示例对比（数学应用题）：方式输入输出标准Prompt "小明有5个苹果，给了小红2个，又买了3个，现在有几个？" "6个"（可能错） …

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配正文：… 保留创造性，人工兜底流式输出增量解析 + 状态机校验实时发现格式错误，提前截断关键权衡：格式严格性 vs 任务完成率。对Agent工具调用必须严格，对内容生成可适当宽松。参考资料 OpenAI 官方：JSON mode、strict schema 与拒绝/截断边界

#字节#Prompt工程#大模型输出过滤

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：答案要点能系统分类提示工程方法（基础技巧、上下文学习、推理增强、Agent模式）准确说明CoT/ToT/ReAct的核心机制与区别能结合业务场景分析选型（简单任务vs复杂推理vs工具调用）指出提示工程的局限性（上下文长度、稳定性、可扩展性）一、基础提示技巧 Zero-shot / Few-shot Zero-shot：直接描述任务，适合简单明确的需求（如格式转换、简单分类） Few-shot：给2-5个示例，显著提升小模型表现和输出格式稳定性优缺点：零成本低，但复…

#小红书#提示工程方法#Prompt 技术

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…e）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：一、整体架构：四层分离设计用户层 → 网关层（权限/审计）→ 编排层（Agent/Router）→ 服务层（检索+生成+知识管理）核心原则：检索与生成解耦、领域知识分层管理、全链路可追溯二、数据源与知识库构建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法…

#字节#垂直领域RAG#垂直领域 RAG 完整架构

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配正文：…ngChain LlamaIndex 设计目标通用LLM应用编排框架数据驱动的检索增强框架核心抽象 Chain（链式调用）、Agent（自主决策） Index（索引结构）、Retriever（检索器）、QueryEngine（查询引擎）优势领域复杂工作流编排、多工具Agent 大规模文档索引、结构化检索关键功能对比 LangChain强项 Agent系统：ReAct、Plan-and-Execute等推理模式，支持工具调用与多轮决策模块化链：通过LCEL灵活组合…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…应用编排框架数据检索与知识库专用框架抽象层级高，覆盖完整应用生命周期聚焦数据摄入→索引→检索→合成核心优势工具链整合、Agent编排、记忆管理数据连接器、索引策略、检索优化技术侧重点对比 LangChain的核心能力链式编排：通过LCEL构建复杂工作流，支持条件分支、并行执行工具生态：内置大量第三方工具集成（搜索、数据库、API） Agent系统：ReAct、Plan-and-Execute等多模式Agent实现记忆管理：ConversationBuff…

#阿里云#AI框架选型#LangChain vs LlamaIndex

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…下文处理：Recomp压缩、选择性上下文适用：企业知识库、产品手册等噪声多、需精排的场景 3. Modular RAG（模块化/Agent化）架构：检索与生成解耦，支持多轮迭代、主动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思token）、FLARE（动态检索）代表：Self-RAG、ReAct、RAG-Fusion 适用：科研分析、多跳推理、开放域复杂任务架构差异对比维…

#淘天#RAG架构分类#RAG 分类

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：…多步复杂推理数学计算、逻辑谜题、因果推断等需要严格步骤验证的任务模型容易跳步或中间结果出错，导致最终答案偏差 2. 工具调用与Agent决策 ReAct/Function Calling场景：思考→行动→观察的循环必须按序执行防止模型"幻觉"调用不存在的工具或跳过观察直接结论 3. 需要可解释输出的业务场景医疗诊断、金融风控等高风险决策，要求输出可追溯的推理链条实现方式举例方式一：结构化CoT Prompt prompt = """请按以下步骤回答： [分析] 提…

#华为#逻辑推理引导#逻辑引导

面试题·RAG· 快手

人工干预怎么控制 LLM 生成?

匹配正文：…erature、top-p，或对特定token降权动态停止条件：检测到风险模式时触发early stopping 工具调用约束：Agent场景下限制可调用的工具白名单 3. 输出层：审核与修正规则拦截：正则/关键词匹配高风险内容模型审核：用独立的安全模型做二分类判定人工回流：低置信度样本进入人工标注队列，反哺训练人工反馈的闭环设计反馈类型应用场景技术实现实时干预直播/客服场景运营人员一键打断、话术注入离线标注内容审核标注平台+主动学习筛选高价值样本…

#快手#人工反馈控制#人工干预 LLM 生成

面试题·RAG

Deep Research vs RAG 怎么选?

匹配正文：…度匹配，依赖静态索引关键优化：分块策略、重排序、Hybrid Search Deep Research 架构：Planning Agent + Tool Use + Memory 核心机制：动态生成子问题（Decomposition）基于中间结果决定下一步检索方向多源信息整合与交叉验证典型实现：ReAct/CoT + 浏览器工具 + 长上下文整合应用场景对比 RAG适合 Deep Research适合企业内部知识库问答行业调研、竞品分析客服机器人、文档助手 …

#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?

匹配正文：…量、生成整合、知识边界三方面的核心局限能分析检索噪声、语义鸿沟、上下文窗口等具体挑战提出至少3类改进方向（如混合检索、重排序、Agent化RAG）体现对RAG与Fine-tuning、Agent关系的辩证理解 RAG的核心局限可归纳为检索失效、生成割裂、能力边界三类：一、主要局限与挑战维度核心问题具体表现检索质量语义鸿沟 query与文档embedding不对齐，关键词匹配失败检索噪声 Top-K混入无关文档，稀释有效信息覆盖不足多跳推理、跨文档关联难…

#小红书#RAG局限性#RAG 局限性