匹配口述回答：这道题其实问的是，多轮对话在工程落地时，怎么平衡状态管理的灵活性和高并发下的性能跟一致性。我会从状态分层、存储选型、缓存策略和一致性保障几个角度来讲，重点说一下落地时的取舍。先说状态分层。我一般分成三层：会话级、用户级和全局级。会话级就是当前这一轮对话的临时状态，像槽位、上下文，TTL设个5到30分钟，用Redis存，过期自动清理。用户级是长期偏好、历史意图，需要持久化，我会用TiDB或MySQL，读的时候加一层本地缓存，写走异步。全局级是热点配置或A/B实验参数，量小但所…

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 小红书

多智能体协同怎么保证?

匹配口述回答：…消息传递为主，隐式通信为辅协调策略：集中式适合小规模，分布式适合动态场景，实际混合使用一致性保障：最终一致性加冲突解决就够了工程落地：从双Agent开始，关注角色设计和容错约4分钟 Agent数量增多时通信拓扑设计如何避免拥塞面试官可能会追问通信拓扑的具体设计，比如全连接、星型、树型等各自的优劣，以及如何动态调整。

#小红书#Agent#多智能体协同

面试题·Agent· 小米

Agent 训练数据怎么获取?

匹配口述回答：…道题问的是[[Agent]]训练数据怎么来，其实核心就一句话：怎么在成本、质量和规模之间找到平衡。我理解面试官是想看我对数据获取的工程落地有没有系统认知，而不是背几个方法名称。先说合成数据。这是冷启动阶段的主力，因为真实数据太贵太慢。具体怎么做呢？主流是三条路：模型[[蒸馏]]、Self-Instruct演进、多Agent互评。模型蒸馏说白了就是拿GPT-4或Claude这类强模型去生成高质量轨迹，然后做[[SFT]]。Self-Instruct呢，就是拿种子指令让模型自己…

← 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

#小米#Agent#Agent 训练数据

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配口述回答：…aph看成可控的工作流引擎。如果让我选，生产环境我优先LangGraph，因为可控性比灵活性更重要，毕竟出错了能回放、能审计，这是工程落地的底线。一句话定位：框架选型本质是可控性和灵活性的权衡核心差异：对话驱动 vs 状态图驱动通信与流程控制的对比适用场景与落地风险工程师姿态的判断收尾约4分钟实际落地常采用混合架构，将AutoGen的对话作为LangGraph的一个节点嵌入。面试官可能会追问混合架构的具体实现方式、状态如何同步、以及如何保证对话节点的结果可审计…

#字节#百度#Agent

面试题·Agent· 美团

工具 Agent 训练环境设计

匹配口述回答：这道题其实问的是，你从算法到工程落地，怎么把一个强化学习环境设计得既能让[[Agent]]学出来，又能在线上跑稳。说白了，不是搭个仿真跑通就行，而是要考虑状态、反馈、扩展、安全这些环节怎么选型、怎么取舍。先说状态空间建模。核心是区分环境状态、Agent观测与历史依赖。先区分环境的真实状态与给Agent的观测，部分可观测任务不要求Agent看到所有真实状态，比如自动驾驶，光有摄像头图像不够，还得有速度、转向角、GPS这些。但也要区分是完全可观测还是部分可观测，比如棋类是完全的…

#美团#Agent#工具 Agent 训练环境设计

面试题·文档处理· 字节

RAG 向量索引构建流程详解

匹配口述回答：…中率和生成质量，反过来调分块和索引参数。文档清洗与结构化提取分块策略的权衡与组合 Embedding选型与部署优化向量索引的工程落地与风险效果闭环与取舍判断约4分钟稠密和稀疏向量如何融合、权重如何调优才能在不同业务场景下稳定面试官追问混合检索的具体实现细节，比如分数归一化方法、权重动态调整策略、以及如何验证融合效果

#字节#文档处理#RAG 数据处理流程

面试题·文档处理· 字节

Embedding 模型选型 vs 落地流程?

匹配口述回答：…成是工程和效果的平衡，没有银弹。我更倾向先用小规模数据做离线评测，选一个基线，然后根据线上bad case迭代。本质问技术选型与工程落地的平衡 Embedding选型策略：任务驱动，混合使用向量化入库流程：分块、向量化、元数据、索引落地风险：模型更新与版本管理延伸点：混合检索与重排的取舍约4分钟混合检索中稠密向量与稀疏向量的取舍，以及重排的引入时机面试官可能会追问混合检索的具体实现、重排模型的选择、以及延迟与效果的平衡策略

#字节#Embedding 模型选型#RAG 向量化流程

面试题·文档处理· 安克科技

RAG向量化：分块与Embedding

匹配口述回答：…是在问：怎么把非结构化文本转成机器能高效检索的语义表示，并且这个转换要能支撑实际业务。我不会去背一遍原理，而是按我理解的技术选型和工程落地说一下。先说嵌入模型选型。很多人觉得直接拿个通用模型就行，但真正落地会发现，场景不同，选择差异很大。比如通用中文场景，我会用BGE-large-zh或者M3E，它们开源、能私有化部署，维度一般是768到1024，上下文长度够用。但如果业务是多语言，比如要检索中英文混合的文档，那E5-multilingual或者OpenAI的text-em…

#安克科技#RAG 向量化#Embedding 模型

面试题·评估· 滴滴

Agent 技术实际有效性怎么评?

匹配口述回答：…ent框架看作一套标准化工具调用的接口，它帮我们把LLM和外部系统连起来了，但智能本身还得靠模型进步。这道题本质在问Agent的工程落地价值先看当前效果：Demo好但实际成功率低对比LangChain和AutoGPT：一个偏控制一个偏探索三个硬约束：可靠性、成本、调试落地建议：半自动+短链+确定性编排约4分钟多Agent协作可以配合自我反思机制（如Self-Refine）来提升自主性，但对模型推理能力要求高面试官可能会追问自我反思的具体实现方式或对模型能力的要…

#滴滴#Agent#Agent 技术评估

面试题·评估· 字节

Agent 中规划与执行怎么协同?

匹配口述回答：…]]的规划和执行，我觉得它本质是在考察一个Agent怎么把模糊目标变成具体动作，以及这两步怎么配合。如果只讲概念就太浅了，我更想从工程落地的角度来聊。先说边界划分。规划是Agent的大脑，负责把复杂目标拆成可执行的子任务，决定做什么和先后顺序。比如用户说“帮我订一张去北京的机票”，规划层就要拆成“查航班、比较价格、下单支付”这几步，还得考虑依赖关系，比如先查航班才能比价格。执行是手脚，负责调用具体工具完成每个原子任务，比如调航班API、调支付接口。规划处理的是不确定性，因为…

#字节#评估与监控#Agent

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配口述回答：这道题其实是在问，基于大模型的[[Agent]]到底能不能真正用到生产环境，它的成熟度怎么样。我理解它不光是技术实现的问题，更多是工程落地和风险平衡。先说技术实现，现在主流的Agent架构就是规划、记忆、工具、行动这四个模块。规划这块，[[ReAct]] 和 [[Chain-of-Thought]] 这些推理范式让模型先想后做，但实际跑起来你会发现，意图识别准确率才是入口质量的关键，如果第一步就偏了，后面全白费。记忆分短期和长期，短期就是对话上下文，长期靠[[向量数据库]]…

#字节#Agent#大模型 Agent 优缺点

面试题·评估· 得物

AI Agent 核心能力现状与差距

匹配口述回答：…白了，工程上能落地的Agent，往往是做了很多减法之后的产物。这道题本质在问Agent的认知架构边界理想Agent六项能力，但工程落地只抓两三条规划与记忆是当前最大短板，反思是伪命题现有技术能做出‘能用的Agent’，但离‘可靠’有代差可延伸点：Self-Refine能否真正解决反思问题约4分钟 Self-Refine和Self-Consistency结合可能提升反思可靠性，但前提是修正动作能回溯到原始规划。面试官可能会追问：具体怎么实现回溯？或者Self-Re…

#得物#Agent#AI Agent 核心能力

面试题·Prompt· 百度

Agent 性能优化：架构与推理陷阱

匹配口述回答：这道题其实问的是怎么把一个[[Agent]]从原型变成能稳定跑业务的东西，核心是工程落地的取舍。我主要从架构、推理和工具三个层面讲，最后提一下系统级的东西。先说架构。我会坚持模块化，把Agent拆成规划、执行、记忆、工具四层。规划层负责任务分解，执行层调度子任务，记忆层管上下文，工具层封装外部能力。这样每层能独立优化，比如记忆层出问题不会拖垮整个流程。记忆这块我特别看重分层设计：短期记忆就是对话窗口管理，用[[滑动窗口]]或摘要压缩；长期记忆走[[向量数据库]]存历史经验，…

#百度#Agent#Agent 性能优化

面试题·RAG· 美团

动态增量更新怎么防检索偏差?

匹配追问：…种分布偏移？直球架构 RAG知识库动态增量更新时，新旧文档分布差异会导致检索偏差。请分析成因，并设计一套缓解策略，包括技术方案和工程落地要点。

#美团#增量更新检索偏差#RAG 知识库更新

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配口述回答：…定切分vs语义切分，业务场景选型检索与排序：混合检索+重排，召回率与精确率取舍上下文构建与生成：窗口压缩、引用溯源、拒答机制工程落地风险：检索失败场景、一致性校验、延迟优化约4分钟检索失败时的自检与回退策略，模型主动决策而非被动拼接面试官可能会追问：这种自检机制具体怎么实现？会不会增加延迟？和ReAct模式有什么区别？

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG 架构：检索到生成全链路

匹配口述回答：…query分类来决定分块策略。所以整体上，我更倾向于把RAG看成一个检索系统加一个生成系统的组合，检索的精度决定了生成的上限。在工程落地上，我会先保证检索的召回和排序不出大问题，再优化生成侧的Prompt和模型选择。一句话定位：RAG本质是让LLM带个外部知识库，解决事实更新与幻觉问题离线构建：文档解析、分块、向量化、存库，重点说分块策略和边界在线流程：查询改写、多路检索、重排序、组装上下文给LLM 落地风险与优化：混合检索、缓存、动态分块，以及常见失败场景收尾：个…

#字节#RAG组件设计#RAG 系统架构

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配口述回答：…raction的思路，能减少工程复杂度，但对索引结构的改动比较大。所以我的总体判断是：BM25是保底，向量检索是增量，混合检索是工程落地的最优解。但前提是embedding模型要领域适配，融合参数要按场景调过。如果资源有限，我会优先把预算花在embedding模型的微调和检索链路的监控上，而不是盲目上多路召回。一句定位：RAG检索本质是召回与精度的取舍 BM25：精确关键词匹配，适合专有名词场景向量检索：语义扩展强，但依赖embedding质量混合检索：实际落地标配，…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 字节

召回模型怎么搭建?

匹配口述回答：… 负采样：batch内、全局、hard negative混合，注意分布偏差向量索引：HNSW和IVF-PQ的选择，实时更新风险工程落地：离线预计算、在线实时推理、分片策略，可延伸点延伸约4分钟物料频繁更新时，索引的一致性和检索质量保证是难点，软删除加异步重建加双缓冲影子索引是常见解法面试官可能会追问：软删除的标记如何维护？双缓冲切换时如何保证不丢请求？或者问更具体的工程实现细节

#Tiktok#负采样与向量索引#召回模型搭建

面试题·检索· 阿里

Hard Search vs Soft Search 怎么选?

匹配口述回答：…优化的取舍 Hard Search：效率高但召回有损，训练不可导 Soft Search：理论上全局最优，但计算瓶颈和训练不稳定工程落地：两阶段结合，粗排用Hard精排用Soft 风险与前提：索引更新延迟、温度调节、长尾失效约4分钟候选池规模很小时，Hard Search优势不明显，可直接用Soft Search 面试官可能会追问：什么场景下候选池会很小？或者两阶段方案中如何平衡两个阶段的召回率分配？

#阿里#Hard Search与Soft Search#SIM 模型

面试题·检索· 美团

Embedding 相似性检索原理与索引构建

匹配口述回答：…本质是最近邻搜索向量化：把文本变成稠密向量索引构建：HNSW和IVF的取舍相似度计算：余弦、点积、欧氏距离怎么选完整流程与工程落地：混合检索、重排序、风险点约4分钟向量检索和关键词检索的权重融合问题，是手动调参还是用模型动态学习。面试官可能会追问混合检索的具体实现方式，比如如何训练融合模型，或者不同场景下权重的分布规律。

#美团#Embedding相似性检索#Embedding 相似性检索

面试题·检索· 字节

向量检索加速：有哪些陷阱

匹配口述回答：…vs IVF-PQ，按规模和数据分布定召回策略：多路召回加粗排精排，混合检索比单条腿稳模型与计算优化：量化降内存，缓存提速度工程落地风险：一致性、降级、分片，以及常见失败场景约4分钟实时更新场景下，增量索引与缓存失效策略如何配合保证数据一致性面试官可能追问：具体怎么设计缓存失效策略？增量索引和缓存更新之间怎么保证原子性？有没有遇到过缓存和索引不一致导致的线上问题？

#字节#检索性能优化#向量检索性能优化

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配口述回答：…句话定位：RAG知识库存储不是二选一，是分层+混合结构化与向量存储的边界划分统一存储 vs 分离架构的选型与风险写入和检索的工程落地细节给出可延伸点：一致性保障与对账机制约4分钟分离架构下向量库和关系库的数据一致性，通过异步对账和版本号机制保障。面试官可能会追问对账的具体实现、版本号如何设计、降级策略有哪些。

#安克科技#知识库存储架构#RAG 知识库存储