匹配正文：…ling）多层级校验机制（语法、语义、业务规则）内容安全过滤（敏感词、合规检测）异常处理与降级策略（重试、兜底、人工审核）反馈闭环与持续优化一、输出结构化约束（源头控制） Function Calling / JSON Mode 强制模型按指定Schema输出，减少格式错误设置response_format={"type": "json_object"}或工具调用接口 Prompt工程在Prompt中嵌入Few-shot示例，明确输出格式要求添加"请确保输出为…

#字节#大模型输出过滤#大模型输出检测

面试题·RAG· 字节

上下文错误时怎么保证输出准确?

匹配正文：…事实（数字、日期、人名）做NLP核查一致性投票：同一问题多次采样，取高频答案，离散结果则标记不确定 4. 系统层：持续迭代用户反馈闭环：收集"点赞/点踩"，错误案例回流至知识库修正队列 A/B测试监控：跟踪事实性错误率指标，对比不同检索策略的效果关键取舍：严格校验会增加延迟和成本，需按场景分级——客服闲聊可宽松，医疗诊断必须多重校验。

#字节#错误上下文处理#RAG 上下文错误

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…策略：256-512 tokens为甜蜜点，重叠滑动窗口防断句查询改写：利用LLM扩展同义表达，缓解query-doc语义鸿沟反馈闭环：记录"检索→使用→任务成功"链路，强化正例embedding 四、实战提升召回效果问题措施长对话上下文丢失引入摘要记忆（hierarchical memory）：短期raw对话 + 长期summarized记忆多轮指代消解失败检索时拼接历史3-5轮作为expanded query 记忆冲突/过时版本化存储 + 置信度打分，低…

← 上一页第 2 / 2 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

#高德#重排与优化#文档处理

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：…分过滤系统级迭代离线评估：构建领域评测集，端到端答案准确率 vs 检索命中率联动分析在线监控：检索空结果率、生成幻觉率、用户反馈闭环学习建议建议系统学习该知识点

#字节#RAG迭代优化#RAG 优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：… 检索层面：索引优化、查询改写、混合检索、重排序生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查询分解 …

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…重排序、查询改写、多粒度索引生成优化：领域Prompt工程、引用溯源、幻觉检测、人机协同审核系统层面：离线在线分离、缓存策略、反馈闭环整体架构用户Query → 查询理解 → 混合检索 → 重排序 → 上下文组装 → 领域生成 → 后处理 → 输出 ↓ ↑ 离线知识库构建（文档解析→分块→向量化→索引）一、数据预处理（以法律场景为例）文档解析层多格式支持：PDF/OCR识别表格、Word修订痕迹处理、扫描件版式还原结构化抽取：用LayoutLM或专用模型提取条…

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配正文：…图识别（"最新"、"2024年"），触发实时搜索补充置信度阈值：检索得分低于阈值时，降级到实时API（如搜索引擎）获取最新信息反馈闭环：用户标注"信息过时"后，触发该文档的优先级降级或更新典型场景金融/新闻：强依赖实时数据，需结合API实时拉取 + RAG历史背景医疗/法律：知识更新慢，侧重权威来源的版本控制学习建议建议系统学习该知识点

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配正文：…动态检索：小模型预判所需token数，自适应调整top-k 结果重排：Cross-Encoder精排，或ColBERT轻量级交互反馈闭环：用户点击数据回流，训练领域Embedding 学习建议建议系统学习该知识点

#字节#向量数据库召回#RAG 向量检索

面试题·项目与经历· 美团

大规模数据清洗自动化关键步骤

匹配追问：…程度和数据保留率，避免过度清洗导致样本偏差？实时流处理和离线批处理的清洗策略有何不同，如何统一？如何评估清洗后的数据质量，建立反馈闭环？场景切入假设你在做电商订单的实时风控，每天几亿条用户行为日志进来，里面经常有重复点击、时间戳乱填、字段缺失的情况。你怎么自动化地把它洗干净，保证下游模型拿到的数据靠谱？层层追问你平时处理大规模数据时，怎么保证数据质量？……数据量一上来，去重和异常检测怎么搞？……比如用户行为日志，去重键怎么选？异常值你是直接扔掉还是标记？直球架构…

#数据工程#ETL#数据质量

面试题·RLHF与对齐· 快手

PPO vs GRPO vs DPO 适用场景?

匹配口述回答：…规则通过率和人工盲评，防止reward hacking；DPO按长度、任务类型和难度分桶看偏好胜率，并保留独立偏好集。最终结论是按反馈闭环选算法，而不是按“二模型、三模型、四模型”选算法。先按反馈与在线采样分类解释PPO闭环解释DPO重参数化解释GRPO组相对优势给出选型与监控指标约4分钟 GRPO省掉critic，但仍然需要可区分组内样本的奖励。可继续讨论组内奖励方差、组大小和全部同奖时的训练信号。

#RLHF#PPO#DPO

面试题·Agent· 百度

Agent 规划记忆工具调用机制

匹配口述回答：…道题本质在问如何让大模型从对话工具变成自主行动体核心组件：规划、记忆、工具、执行，重点讲规划与记忆的取舍工作流程：从任务理解到反馈闭环，强调动态重规划 RAG集成：不是简单拼接，而是按需检索与经验回流落地风险：前提是工具接口稳定，否则重规划会死循环约4分钟长工具链中单步失败时，重规划成本高，目前用最大重试次数加整链路回滚，但想探讨更精细的局部回滚方案面试官可能会追问局部回滚的具体实现，比如如何确定依赖关系、如何保证状态一致性

#百度#Agent#Agent 系统设计

面试题·Agent· 百度

Agent 核心模块怎么协同?

匹配口述回答：…PI获取状态，再调用退款规则引擎判断是否符合条件，最后调用执行接口完成操作。这里有个关键：工具返回的结果不一定是可靠的，所以必须有反馈闭环。执行反馈就是闭环优化的核心。工具返回的结果作为观察注入上下文，模型根据观察判断是否继续、重试或者换方案。如果调用失败，模型应该能自我修正，比如换个参数重试或者换一个工具。对于高风险操作，比如金融交易，我会在关键节点引入人类确认，确保对齐真实意图。举个完整的业务场景：用户说'帮我订一张下周去上海的最便宜机票'。规划模块先拆成查航班、比价…

#百度#Agent#Agent 工作原理

面试题·Agent· 商汤科技

Agent 核心组件与工作流程?

匹配口述回答：…价值在于让大模型从“会说话”变成“会办事”，但前提是任务边界清晰、工具稳定、有足够的容错机制。如果让我选，我会优先在那些步骤明确、反馈闭环的场景上Agent，比如自动运维、数据分析，而不是一上来就做开放式的复杂任务。一句话点题：Agent的本质是让大模型从问答走向执行核心组件：规划、记忆、工具调用、行动工作流程：ReAct循环加一个具体业务例子边界划分：Agent vs RAG，落地常结合落地风险与判断收尾约4分钟 Agent的稳定性问题，尤其是错误恢复和死循环风…

#商汤科技#Agent#Agent 核心组件

面试题·评估· 字节

ReAct vs 传统规划怎么选?

匹配口述回答：…题。先说[[ReAct]]。它的核心是交错式循环：想一下，动一步，看一眼结果，再想下一步。你可以把它理解成「走一步看一步」的实时反馈闭环。每一步都会生成推理轨迹，也就是它为什么这么做的思考过程，然后调用工具，比如查个数据库或者调个API，观察返回结果再更新状态。这种模式的好处是容错性很强，单步走错了没关系，下一步看到反馈马上就能修正。而且信息是按需获取的，不会提前拉一堆用不上的数据。还有一个隐形的优点是可解释性，推理轨迹天然就是透明的，你很容易追查它每一步的决策依据。但R…

#字节#百度#评估与监控

面试题·多模态· 美团

弱多模态+强文本模型怎么协同?

匹配口述回答：…tion schema。只要接口稳定，后面替换更强的 VLM、增加图表专用模型、接入视频模型，都不会影响上层推理逻辑。最后可以做反馈闭环。把 LLM 发现的错误、人工修正样本、低置信案例回流，用来微调 VLM 或训练路由器。这样系统不是一次性拼两个模型，而是能持续提升“看得准”和“想得对”的协同效果。核心思路：感知-推理分离，小模型看，大模型想数据流设计：视觉压缩token + 自适应路由门控错误控制：三层防护，一致性校验、幻觉检测、回退部署优化：异步流水线、KV …

#美团#多模态#Agent

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配口述回答：…我的设计思路。先说整体架构。我一般会分四层：数据层、检索层、生成层、应用层。数据层不只是存文档，还包括用户交互日志，用来做后续的反馈闭环。检索层我坚持[[混合检索]]，不只用向量。生成层核心是让模型学会说「我不知道」，而不是瞎编。应用层负责权限、审核、对话管理。检索模块我重点讲。很多人一上来就用 Hybrid Search，但它的前提是你的标注数据够好，不然权重调不准。我的做法是：先做多路召回，向量检索和 [[BM25]] 关键词检索并行，再加结构化查询。举个例子，法律场…

#字节#专业领域RAG#RAG 系统设计

面试题·检索· 百度

检索失败时 RAG 怎么兜底?

匹配追问：…绝回答？直球架构设计RAG系统的检索失败兜底策略，要求处理零结果和低质量结果两种情况，给出查询改写、多路召回、模型侧兜底和用户反馈闭环的具体方案。

#百度#小鹏#美团