匹配正文：答案要点工具分层/分类架构设计基于语义的工具检索机制工具描述优化与向量化延迟优化策略（预加载、缓存、并行）工具学习/自动化工具发现核心挑战分析工具选择困难：LLM上下文窗口有限，无法一次性加载所有工具描述；相似工具难以区分调度复杂：工具间存在依赖、互斥、资源竞争；执行顺序影响结果响应延迟：工具检索+LLM决策+实际调用链路长解决方案 1. 层次化工具架构工具分类层：按领域/功能预分类（如"数据库类""搜索类"），先选类别再选具体工具元工具（Meta-t…

#字节#百度#Agent

面试题·评估· 字节

BGE-M3 vs BM25 怎么选?

匹配正文：…k）：首个相关文档排名的倒数均值，反映排序质量 NDCG@k：考虑位置衰减的加权得分，适合有明确相关性等级的场景效率指标 P99延迟：向量检索需关注HNSW索引构建与查询耗时 QPS/内存：BGE-M3需embedding服务和向量存储，BM25轻量权重考量与决策框架业务场景驱动（以抖音为例）：场景策略理由短视频标题搜索 BM25为主 + 向量重排标题短、关键词明确，BM25召回快视频内容理解/问答 BGE-M3为主需理解画面描述、口语化表达直播实时弹幕…

#抖音#BGE-M3 vs BM25#RAG 检索方案评估

面试题·评估· 高德

Agent 有多个工具时如何安全选路？

匹配正文：…符、输入 schema 不兼容、配额不足、健康状态异常，以及当前任务不允许的副作用。安全、合规、目录有效和用户确认是门槛，不能被低延迟或低成本抵消。工具注册信息至少包含版本、能力、输入输出 schema、资源范围、副作用级别、幂等语义、超时/取消、费用口径、数据新鲜度和已知限制。 2. 条件化估计而非简单倒数对剩余候选，按任务类型和上下文估计成功质量、延迟分布、成本、数据时效与故障概率。1/Cost、1/Latency 在接近零时会失真，各指标单位也不同；应归一化或用约束…

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#Agent#工具选择#权限

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配标题与标签：…，检查忠实度、事实正确、完整性及裁判误差。评估淘天评估与监控 RAG 线上效果评估 RAG 线上效果怎么评估？成功率、反馈、延迟与成本 RAG 评估 RAG 指标体系检索增强生成评估淘天

#淘天#评估与监控#RAG 线上效果评估

面试题·检索· 字节

RAG 什么时候需要重排？

匹配正文：…的问题；它不能找回第一阶段完全漏掉的文档，也不能修复权限过滤、解析、切分、索引更新或错误标注。是否需要重排应由冻结评测集上的增益、延迟和成本决定，不是 RAG 的必选配置。召回与重排的分工第一阶段的目标是在预算内生成覆盖率足够的候选。它可以是关键词、稠密向量、稀疏向量、结构化查询或多路组合，不一定是双塔模型。第二阶段读取查询与候选的更多信息重新排序，例如 Cross-Encoder 对每个 query-document 对联合编码，因此通常比预计算文档向量更贵。先检查候…

#RAG#重排#Cross-Encoder

面试题·检索· 字节

RAG 重排收益与成本

匹配正文：…ross-Encoder）让查询和文档深度交互，捕捉细粒度语义关系在较小候选集（如Top-100→Top-5）上做精确排序，牺牲延迟换取精度对生成质量的具体提升维度提升效果相关性过滤剔除向量相似但主题偏离的"伪相关"文档，减少无关信息干扰事实准确性确保进入上下文的文档真正包含答案依据，降低幻觉风险信息密度优先排序信息完整、结构清晰的文档，提升上下文利用效率多跳推理对需要组合多个文档的场景，重排能更好识别互补性文档工程实践要点模型选择：轻量场景用Cr…

#字节#重排与优化#RAG 重排收益与成本

面试题·检索· 小米

Embedding 向量维度选型

匹配标题与标签：Embedding 向量维度选型向量维度对质量、存储、索引速度和延迟的影响检索小米向量检索 Embedding 向量维度选型 Embedding 向量维度怎么选？质量、存储与延迟权衡 Embedding 模型架构 BERT 与 Sentence-BERT 输出向量维度影响小米

#小米#向量检索#Embedding 向量维度选型

面试题·推理优化

Flash Attention 原理怎么理解?

匹配正文：…某长度必加速”的通用门槛；应在目标 GPU、dtype、head dimension、mask、序列长度和 batch 上测吞吐、延迟、峰值显存及数值误差，并准备不支持 shape 的回退实现。图解 Flash Attention 原理怎么理解?图解

#Flash Attention#内存优化#注意力机制

项目实战·RAG

RAG 智能问答系统

匹配正文：…案验证目标：逐模块做消融当前状态：贡献待验证检查方式：分别关闭改写、混合检索、重排与引用约束工程代价起点或对照：只看平均延迟验证目标：延迟 + 成本 + 稳定性当前状态：结果待压测检查方式：记录 P50/P95、吞吐、单次成本与降级表现把自己实际完成的部分写进简历以下是填写框架，需要替换为自己的项目事实。入门段位适合：应届 / 转行 ## [项目名称]（个人学习 / 课程实践） - 资料来源：[公开资料 / 自有资料，说明授权与规模] - 我实际完成：…

#项目实战#RAG 智能问答系统

项目实战·Agent

Deep Research Agent：从证据链到可恢复任务

匹配正文：…模板和 tokenizer 验证 observation labels 工程验证 + 评估分开测模型推理、工具等待、队列、端到端延迟、并发与成本按结果与证据、轨迹与工具、运行行为、权限与安全建立评测用人工标注校准自动 Judge，并保持隔离测试集不回流训练学习成果理解一个「执行框架 → 训练 → 评估」全链路的研究 Agent 如何设计，并能按职责、方案、证据和边界复盘。只有亲自完成并留有证据的部分，才能写进个人简历。适合谁想做 Agent / 规划方向、想补齐…

#项目实战#Deep Research Agent

学习路线·学习路线

大模型应用开发学习路线

匹配正文：…对照或消融，不把多个变量的结果算到一个模块头上。失败复盘：什么样的输入仍然失败，怎样发现，怎样降级或收口。工程代价：方案对延迟、成本、并发、权限和维护复杂度有什么影响。适用边界：数据扩大、权限收紧或预算减少时，哪些设计需要重做。没有真实数字，就写评测方法、待验证项和当前边界；不要把别人的召回率、延迟或成本写成自己的成果。可以先看项目深挖方法和大模型简历怎么写，再按简历项目追问模板检查哪句缺少项目证据。过关标准：随机指向简历里一句项目描述，你都能找到对应的架构…

#学习路线#RAG#Agent

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…用了默认值，就明确说是默认起点，不要包装成自己的实验结论。更完整的回答是：固定评测集和其他配置，只改变待比较参数，记录召回、排序、延迟与成本，并在独立测试集上复查。真正做过哪些，就只讲哪些。面试官：答案不准就是大模型幻觉吗？先做阶段归因：正确资料是否入库，是否进入候选，重排后是否保留，送给模型的上下文是否完整，生成是否忠于证据。不同原因对应不同修复。只改 Prompt，可能掩盖解析或检索问题。面试官：你怎样证明优化有效？先定义评测集的来源、证据标注和切分方式，再说明检…

#RAG#项目深挖#教学复原

求职指南·RAG

企业知识库 RAG 架构项目模拟面试

匹配正文：… 练习顺序：完成这一题后，继续下一组问题。配套学习：RAG 查不到文档怎么降级?。 9. 说明上线与稳定性上线时的 P95 延迟、峰值 QPS、单次成本、知识更新、监控、降级和回滚条件分别是什么？考察重点：验证系统是否真实上线，并具备监控、灰度和回滚能力。实际线上仪表盘、告警阈值与责任边界 RAG 版本灰度范围、观察窗口与放量记录召回或生成退化时的回滚阈值与验证记录真实文档量、峰值 QPS、租户数与容量水位如果还没讲清：补充对应事实或可脱敏证据，再继续下一组…

#模拟面试#简历项目#连续追问

求职指南·RAG

多轮对话、引用与权限隔离项目模拟面试

匹配正文：…，承担【真实职责】。需要准备：会话场景；个人职责；数据与权限边界。通过【真实方案】改善【多轮一致性或引用指标】，并满足【权限与延迟约束】。需要准备：指标基线；权限策略；失败样本；线上代价。逐层练习 1. 说清你的职责简历原句是“【自己的真实项目描述】”。会话状态、检索、引用、鉴权和前端展示中，哪些模块由你负责？考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。本人负责的模块、决策和交付边界团队、平台与外部服务的边界如果还没讲清：补充对应事实或可脱…

#模拟面试#简历项目#连续追问

求职指南·Agent

Agent 工具调用与 Schema 设计项目模拟面试

匹配正文：…块】。需要准备：工具范围；个人职责；接口工件。通过【真实 Schema 或路由改动】改善【真实成功率或错误指标】，代价为【真实延迟或维护成本】。需要准备：指标基线；实验样本；失败类型；工程代价。逐层练习 1. 说清你的职责简历原句是“【自己的真实项目描述】”。工具 Schema、模型路由、参数校验、执行器和业务 API 分别由谁负责？考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。本人负责的模块、决策和交付边界团队、平台与外部服务的边界如果还没讲…

#模拟面试#简历项目#连续追问

求职指南·Agent

Agent 超时、重试、幂等、安全与降级项目模拟面试

匹配正文：…约束变化后的迁移、容量和风险判断能力。容量、数据量或租户增长的量化模型新约束下的方案调整与代价配套学习：Agent 推理链路延迟优化策略。回答完这道题，检查这几件事先用自己的项目回答，再对照下面几项，看看哪里还需要补充。这里是静态自查，不会提交答案、记录成绩或计算面试通过概率。你具体负责了什么？区分自己完成的部分、团队协作和平台已有能力，避免把团队成果说成个人成果。先做到：能区分本人、同事和平台职责，并给出实现证据。再补一层：职责、决策、协作边界和可核验…

#模拟面试#简历项目#连续追问

求职指南·Agent

Trace、线上监控与问题复盘项目模拟面试

匹配正文：…一题后，继续下一组问题。配套学习：Agent 如何防越权与隐私泄露?、工程化核心目标是什么?。 5. 说明结果怎么验证可用性、延迟、模型错误、检索空召回、工具失败和业务成功怎样关联？告警基线是什么？考察重点：核验效果数字是否有定义、基线、样本和可归因证据。 SLI 分子分母、统计窗口、告警阈值与业务成功口径历史窗口、版本与流量切片下的告警基线告警历史、误报漏报、事故样本和演练记录如果还没讲清：补充对应事实或可脱敏证据，再继续下一组问题。练习顺序：完成这一题后…

#模拟面试#简历项目#连续追问

系统教程·评估

大模型评估与监控面试题大全

匹配正文：…么来、指标为什么这样选、badcase 怎么归因，以及线上质量下降时怎么定位。只说准确率不够，必须能把检索、生成、工具调用、成本和延迟拆开评。 LLM-as-Judge 能直接替代人工评估吗？不能。它适合做大规模初筛和趋势监控，但需要抽样人工校准、固定 rubric，并警惕位置偏差、格式偏差和模型同源偏差。面试中要讲清边界。 RAG 和 Agent 的评估有什么不同？ RAG 更关注召回、相关性、引用和回答正确性；Agent 还要评估任务完成率、工具调用轨迹、失败恢复和成本…

#专题学习#大模型评估与监控面试题大全

系统教程·检索

重排与检索优化面试题大全

匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略知识模块重排模型、排序指标与召回优化重排模型、排序指标与召回优化常见问题 Rerank 为什么是 RAG 面试高频题？因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…

#专题学习#重排与检索优化面试题大全

系统教程·模型基础

Transformer 与模型架构面试题大全

匹配正文：…但必须懂模型结构到能做工程取舍：为什么 Decoder-only 成主流、KV Cache 为什么省时、GQA 为什么省显存、推理延迟怎么优化。配套教程大模型应用开发要懂哪些概念、懂到什么程度转大模型应用开发，数学和深度学习理论要补多少知识模块 Transformer、Attention 与模型结构 Transformer、Attention 与模型结构 KV Cache、批处理与推理优化 KV Cache、批处理与推理优化常见问题应用岗需要手推 Transfor…

#专题学习#Transformer 与模型架构面试题大全

系统教程·检索

向量检索面试题大全

匹配正文：…试出来。面试里能讲出实验方法，比报一个固定数字更靠谱。向量数据库选型要讲哪些维度？常见维度是索引类型、过滤能力、更新频率、吞吐延迟、运维成本、权限隔离和生态集成。不要只比较名字。继续学习用 30 行代码跑通你的第一个最小 RAG RAG 面试题大全与知识体系

#专题学习#向量检索面试题大全

面试题·模型训练· 百度

DDPM vs Flow Matching: 采样效率与优缺点?

匹配正文：…不需训练时积分 ODE；采样时用 ODE solver，NFE 由路径、求解器和误差决定。因此训练时间步数、采样 NFE 和生成延迟必须分开。FM 可能因路径更直而少步，但不保证单步或固定十步。DDPM 也不是只能使用固定一千步采样。理论联系与选型扩散过程存在连续时间 SDE 与 probability-flow ODE 视角；Flow Matching 的 diffusion path 可以与这些构造联系起来，但只有在明确 schedule、path 和参数化时才能谈…

#扩散模型#流匹配#生成模型

系统教程·AI 编程

面试高频:LLM、Token、上下文、Agent 到底是什么

匹配正文：…为什么会幻觉?」→ 它是概率预测,不是知识库;不知道也会"流畅地编"。「上下文越长越好吗?」→ 不是,注意力稀释 + 成本 + 延迟,够用就好。「Token 和字符是一回事吗?」→ 不是,token 是子词,中英文切分粒度不同。关联面试题(去站内练手) 「请解释一下大语言模型的基本原理 / 为什么会产生幻觉?」「什么是 Token?它和上下文长度、推理成本有什么关系?」「Agent 和直接调用 LLM 有什么区别?」 👉 去题库搜大模型原理 / 幻觉 / A…

#Agent#AI 编程

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…检索结果数量是不是一。普通 RAG 也不等于能力弱。对企业内部政策、说明书和制度问答，它往往更可控：知识范围明确，权限容易处理，延迟和成本更容易预测，测试集也更容易构建。面试时如果只说“简单问题用 RAG，复杂问题用 Deep Research”，面试官通常会继续问：“复杂到底怎么定义？” 这时要把“复杂”拆成能观察的任务特征。判断二：是否需要根据中间结果继续行动？有些问题的答案仍然很具体，但第一次检索无法预先确定下一步查什么。例如用户问“某个开源组件是否适合当前环…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由