匹配正文：…ero-shot CoT和Few-shot CoT两种典型模板理解示例设计的关键原则（多样性、步数适中、答案正确）明确CoT在复杂推理任务（数学、逻辑、代码）中的有效性边界 CoT的核心思想让大模型显式生成中间推理步骤，而非直接输出答案。本质是将隐式推理过程外显化，利用模型的生成能力逐步求解复杂问题。两种典型模板 1. Zero-shot CoT（零样本）直接添加触发指令，无需示例： Q: 一个农场有鸡和兔共35只，脚共94只。鸡兔各几只？ A: Let's thi…

#b站#Agent#Chain-of-Thought 提示

面试题·Prompt· 美团

ReAct 框架怎么用?

匹配正文：…代实现中，OpenAI/Claude的Function Calling机制本质上封装了ReAct范式，但显式ReAct仍适用于需要复杂推理链的场景。

#美团#Agent#ReAct 框架

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配正文：…忆：向量数据库存储历史经验，支持RAG式检索工作记忆：当前任务相关的临时状态维护推理策略优化推理范式选择 CoT（思维链）：复杂推理任务，显式生成中间步骤 ReAct：需要工具调用的场景，推理与行动交替进行 ToT（思维树）：多路径探索，用投票或评估选择最优解效率优化自适应推理深度：简单任务用单步CoT，复杂任务扩展推理步数推理预算控制：设置token上限或调用次数阈值，避免无限循环工具调用优化工具选择策略工具描述向量化，通过语义相似度快速匹配而非遍历学习…

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

#百度#Agent#Agent 性能优化

面试题·RAG· 字节

RAG 怎么提升生成准确性?

匹配正文：…y 与微调对比 RAG优势在于知识可解释、更新即时、成本可控；适合知识频繁变更、需溯源的场景。微调更适合改变模型行为风格或需要内化复杂推理模式的任务。学习建议建议系统学习该知识点

#字节#外部知识检索#RAG 原理

面试题·RAG· 华为

逻辑引导怎么用？

匹配正文：需要逻辑引导的典型场景 1. 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…

#华为#逻辑推理引导#逻辑引导

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…重排序 +10-100ms延迟召回质量差、噪声大 HyDE +1次LLM调用用户query短、表述差多轮检索延迟×2-3 复杂推理、多跳问题微调embedding 高领域术语特殊、通用模型失效实际落地建议：先做好分块和重排序这两个高性价比优化，再视情况上自适应流程。

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：… 关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning解决"知识内化"；复杂推理场景需走向Agent化，而非堆砌检索次数。

#小红书#RAG局限性#RAG 局限性

面试题·多模态· 快手

多模态 vs 纯文本大模型怎么选?

匹配口述回答：…拼接。这个领域创新空间很大，不像纯文本模型已经接近Scaling Law的边际递减。不过这里有个有意思的延伸：当前多模态模型在做复杂推理时，比如“先看视频里的动作，再结合语音判断情绪”，容易失败。我怀疑根本原因不是对齐不够好，而是文本backbone的推理能力不够强。如果LLM本身推理能力弱，你给它再多视觉信息也没用。所以我在想，是不是应该先把文本backbone的[[Chain-of-Thought]]|思维链能力做扎实，再考虑多模态扩展？总结一下：我更倾向多模态方向，…

#多模态大模型#纯文本大模型#技术选型

面试题·Agent· 百度

Agent 反思机制原理与实现

匹配追问：…单时的关键信息。你会在Agent里加个什么机制，让它自己回头看下推理过程，发现有没有遗漏或错误？层层追问你觉得Agent要做到复杂推理，比如多步工具调用，最关键的瓶颈在哪？……那怎么让Agent自己发现推理中的错误呢？……具体实现上，你会让它在每一步都反思，还是等最后再整体优化？……这叫反思机制，你讲讲它是什么、怎么做，以及为什么有效。直球架构直接说，AI Agent中的反思机制是什么？实现方式有哪些？为什么它能提升决策与推理能力？

#百度#Agent#Agent 反思机制

面试题·Agent· 百度

反思机制原理与失败场景

匹配口述回答：…话定位：反思机制本质是让模型主动审视并修正自己的推理过程设计原理：三层闭环，执行、观察、评估核心作用：错误识别与策略调整，适合复杂推理任务实现模式与边界：Self-Refine 和 Reflexion 的适用场景落地前提与风险：模型能力要求、过度反思、Token 成本约4分钟反思机制对模型能力有硬性要求，小模型或未针对训练的模型反思效果差，甚至可能胡言乱语。面试官可能会追问：如何判断模型是否具备自我评估能力？或者如何用外部验证器替代自我反思？

#百度#Agent#反思机制

面试题·评估· 字节

RAG 评测优化闭环

匹配口述回答：…，先召回大块再定位小块。不过我觉得最值得深挖的是评估指标的可靠性。RAGAS这类自动指标和人工判断之间到底有多大差距？我观察到在复杂推理场景下，自动指标往往高估，所以上线前我会做一批标注bad case跑通人工校验。所以整体上，我更倾向于把评估和优化做成一个闭环：先用三层评估找到瓶颈，按业务场景选优化手段，冷启动重检索，数据多了再联合调优。核心是别贪多，每个阶段只解决一个主要矛盾。一句话定位：RAG评估和优化本质是平衡检索与生成三层评估体系：检索、生成、端到端，各有侧…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配口述回答：…是定位哪个环节掉链子黄金文档实验锁定责任方检索侧问题诊断与指标生成侧问题诊断与指标协同环节的隐蔽问题约4分钟动态检索在复杂推理场景下比一次检索更有效，但会引入延迟代价。面试官可能会追问动态检索的实现方式、与ReAct或Agentic RAG的区别、以及如何平衡效果和延迟。

#检索诊断#生成协同#RAG 效果诊断

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…训练。其次是可溯源，模型引用了哪几段文档能展示给用户，方便审计和调试。但和微调比，RAG 不是万能的。微调适合让模型学会特定风格或复杂推理模式，比如把公司内部术语的表达方式固化下来；而 RAG 适合高频更新、需要引用外部事实的场景，比如客服的退款政策、电商的满减规则。真正落地往往是 RAG 加微调一起上，RAG 负责事实，微调负责表达。不过 RAG 也有前提和风险。知识库本身的质量决定天花板，如果文档本身有错、过期、或者切分不合理，检索结果就会带偏模型。另外，检索延迟和精度…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配口述回答：…会让检索结果自相矛盾。所以整体上，我更倾向于把[[GraphRAG]]看作一个精度放大器，而不是万能方案。它适合高价值、高关联性的复杂推理场景，但前提是你有足够的数据质量和工程投入来支撑。本质：结构化与检索效率的平衡图谱构建：噪声与schema取舍实体链接：跨文档与新实体问题推理路径：搜索深度与相关性可扩展性：存储计算与成本约4分钟图谱构建的时效性，特别是增量更新中实体消歧和冲突消解容易被忽视面试官可能会追问增量更新的具体方案，比如事件驱动架构或冲突消解策略

#淘天#多模态#GraphRAG 难点

面试题·知识图谱· 美团

GraphRAG创新点 vs 传统RAG 是什么?

匹配口述回答：…brid Search]]或者[[BM25]]就够了，根本用不上图。真正落地时，我通常会把它们搭配着用：简单事实查询走传统RAG，复杂推理走GraphRAG，甚至还可以用个路由层，根据问题类型动态选择。还有一个有意思的延伸点：GraphRAG的社区摘要本身是LLM生成的，这其实引入了[[Hallucination]]风险，摘要可能不准确，导致后续检索都基于错误的前提。所以上线前我会特别关注社区摘要的[[Faithfulness]]，用一些自动评估指标比如[[RAGAS]]做…

#美团#GraphRAG#传统 RAG 对比

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配口述回答：…节，太细又增加检索延迟。所以我的判断是：GraphRAG和传统RAG不是替代关系，而是互补。日常简单查询走向量检索，又快又准；遇到复杂推理、跨文档聚合的场景，才启用图检索。实际落地我倾向先上传统RAG兜底，再对高频复杂查询做GraphRAG增强，这样成本和效果能平衡。还有一个有意思的点是，GraphRAG的社区摘要其实可以离线预计算，这样在线只做摘要匹配，延迟可控，但摘要的粒度怎么选，是粗放一点覆盖全局，还是精细到每个子社区，这直接影响召回质量，我还在实验不同策略。本质在…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配口述回答：…在成本和效果之间找到平衡。本质：RAG从平面文本块到图结构，解决全局与多跳问题传统RAG的边界：适合单点查，不适合跨文档总结和复杂推理 GraphRAG的核心：索引阶段建图+社区摘要，查询阶段按层级检索落地风险：成本高、延迟大、图谱质量敏感，适合静态知识库我的取舍：GraphRAG做全局骨架，传统RAG做细粒度补充，混合才是王道约4分钟 GraphRAG社区摘要的幻觉校验问题面试官可能追问：怎么做Faithfulness校验？如果发现摘要不忠实，是重新生成还是降级…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配口述回答：这道题其实是在问，当我们需要从大量文档里做复杂推理的时候，光靠找相似文本块够不够，不够的话怎么升级。[[GraphRAG]]的核心思想，就是把非结构化文本先提炼成[[知识图谱]]，变成实体和关系的网络，然后在这个网络上做推理检索，而不是直接去匹配原文片段。具体流程我拆成两步说。第一步是离线构建，用LLM从文档里抽实体，比如人名、组织、概念，再把它们之间的关系也抽出来，形成一个图。然后对这个图做社区检测，比如用Leiden算法，把紧密关联的实体聚成一个社区，再给每个社区生成层…

#淘天#知识图谱#GraphRAG 原理

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：…核心是感知和推理分离。小[[多模态]]模型负责看图，把图像信息转成文本大模型能理解的结构化 observation；强文本模型负责复杂推理、知识整合和最终表达。简单说就是，小模型看，大模型想，但大模型不能凭空看图，它只能基于小模型给出的视觉证据推理。数据流我会这样设计：图片或视频帧先进 VLM，小模型输出多种结果，包括整体 caption、[[OCR]] 文本、关键物体列表、位置框、表格结构、候选答案和置信度。然后把这些结果整理成结构化文本，传给纯文本 LLM。LLM 根据…

#美团#多模态#Agent

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配口述回答：…CoT的路径多样性和答案一致性怎么平衡？这个我后面可以再展开。所以总结一下，我会把CoT看成一种‘推理脚手架’，在需要可解释性和复杂推理时必用，但不会无脑全上。我的取舍是：简单问题直接答，复杂问题用CoT+Self-Consistency，Agent场景用CoT+ReAct。这样既控制了成本，又保证了质量和可解释性。一句话定位：CoT本质是让模型把隐式推理显式化边界划分：简单问题不需要CoT，复杂推理才用，落地常与ReAct结合业务场景：客服退款多步计算，Agent规…

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 字节

Agent系统Prompt设计：架构与机制

匹配口述回答：…t]] 范式，就是Thought、Action、Observation循环，也会结合 [[Chain-of-Thought]] 做复杂推理。执行层是工具注册中心，工具要标准化成OpenAI Function格式，还要做执行沙箱，控制超时和并发，避免一个工具卡死整个Agent。记忆层分短期和长期，短期用对话窗口和 [[KV Cache]] 复用，长期用向量检索加结构化知识库。 prompt设计我按三层递进来做。第一层是元指令，定义角色、能力边界和安全约束，明确告诉模型什么能做、…

#字节#Prompt工程#Agent

面试题·Prompt· 字节

Prompt 工程方法怎么选?

匹配口述回答：…[[Few-shot]]，给几个例子让模型照着来；还有 [[Chain-of-Thought]]，就是让模型把推理步骤写出来，解决复杂推理问题；再有就是设定角色、拆指令。这些方法好处是零成本，拿来就能用，效果立竿见影。但问题也明显：完全依赖人的经验，换一个任务或者换一个模型，你可能要重新调模板，迁移性很差。比如在客服退款场景里，你写一套Prompt让模型判断退款原因，换到满减政策咨询，模板基本得重写。所以手动设计更适合快速验证或者任务固定、量不大的情况。再说自动化优化。这里…

#字节#Prompt Engineering 方法#Prompt Tuning vs AutoPrompt

面试题·Prompt· 美团

Agent 工具调用链路怎么搭?

匹配口述回答：…定性的调用，比如“查一下明天北京的天气”。真正落地的时候，我通常会把两者结合起来：简单查询直接用Function Calling，复杂推理走ReAct，这样既高效又灵活。最后是错误处理，我一般会做分层。参数级别的错误，比如格式不对，我会让模型自纠正，限制三次。工具执行失败，比如API返回500，我会把错误摘要返回给模型，让它询问用户或者切换备选工具。系统级别的异常，比如沙箱挂了，我就直接降级，回复用户“该功能暂不可用”。这里有个值得深挖的点：错误处理中的自纠正机制。如果模…

#美团#Agent#LLM Agent 工具调用

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配口述回答：…，我会拆成“A的退款政策”和“B的退款政策”分别检索再合并。这里有个边界：如果问题本身很简单，改写反而画蛇添足，我只会对意图模糊或复杂推理的问题做。再讲召回策略。纯向量检索对专业术语、商品ID这类精确匹配很弱，所以我会用 [[混合检索]]，把向量相似度和 [[BM25]] 关键词匹配结合起来。比如在退款场景，用户说“订单号12345”，关键词匹配能直接命中，向量反而可能因为语义偏移而漏掉。具体落地时，我会把两个分数加权融合，权重根据业务调，比如客服对话场景语义更重要，向量权…

#字节#HyDE#RAG 检索质量