匹配正文：…向量 BM25 + 法条编号精确匹配条款号、关键词命中知识图谱实体链接（当事人-案由-法条关联）复杂关系推理查询侧优化意图识别：区分"法条查询"/"类案参考"/"流程咨询" 查询扩展：用LLM生成同义表述（如"工伤认定"→"职业病鉴定"）重排序交叉编码器精排（如法律领域微调的ColBERT）时效性加权：新法优先；地域匹配：当事人所在地法规优先三、生成优化 Prompt工程角色：资深法律顾问约束： - 仅基于提供的{references}回答，不确定时明…

#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：…识转为语义向量，实现语义匹配而非关键词匹配生成阶段检索结果作为Context → 与Query拼接 → LLM生成回答关键：Prompt设计需明确引用规范，避免幻觉时效性衰减的应对策略数据层：分层知识管理热数据（24h内）：内存缓存 + 实时索引，延迟秒级温数据（近期）：高频更新周期，小时级增量索引冷数据（历史）：低频全量重建，天级或周级索引层：多路召回融合时间戳过滤：检索时优先召回近期文档，或按时间加权打分多版本共存：同一实体保留历史快照，检索时返回最…

#字节#时间衰减检索#RAG 工作流程

面试题·Agent· 百度

为何拆解任务给多Agent协作?

…生成场景，我可以让一个Agent专门写代码，另一个专门做代码审查，第三个负责测试。每个Agent只关心自己的领域，可以针对性地优化提示词和工具集，质量自然更高。故障隔离也很关键，单一Agent如果某个环节出错，整个任务就崩了；多Agent下，一个子任务失败可以重试或降级，不影响其他部分。举个例子，电商客服退款流程。用户发起退款请求，我不会让一个Agent处理全部。我会拆成几个子任务：先由一个意图识别Agent判断用户是退货还是换货，然后一个信息提取Agent从对话中抓取订单…

← 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

匹配口述回答：

#百度#Agent#多Agent架构

面试题·Agent· 商汤科技

Tool Calling 失败处理

匹配口述回答：…一步是工具注册，就是提前把每个工具的接口定义成一份 schema，包括名称、描述、参数格式，比如 JSON Schema。第二步是意图识别，模型根据用户的问题判断要不要调工具。第三步是参数生成，模型按 schema 输出结构化的参数。第四步是执行和回填，外部系统跑完工具，结果拿回来，模型再生成最终回复。实现方式上，主要有三种。Prompt-based 最简单，把工具描述塞进 system prompt，靠模型遵循指令输出固定格式，适合快速验证。Native Fine-tun…

#商汤科技#Agent#Tool Calling 失败处理

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配口述回答：…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]]或者[[知识图谱]]。工具这块靠 [[Function Calling]] 调用外部API，但有个坑：工具描述写不好，调用成功率会直线下降。行动就是执行结果反馈，形成闭环。工程上，我特别关注错误恢复机制。比如工具调用超时、…

#字节#Agent#大模型 Agent 优缺点

面试题·知识图谱· 字节

医疗法律 RAG 合规追溯

匹配口述回答：…法律这种高价值、高风险的垂直领域时，到底要怎么搭一条能真正跑通的链路。核心已经不是通用RAG那套“文档切一切、向量存一存、召回来拼Prompt”了，而是怎么把领域知识的结构化、查询的复杂意图、还有最终答案的可靠性串起来。我先说知识处理这块，这是最花功夫的。通用RAG里往往一刀切[[Chunk]]，但垂直领域不行。我的做法是把数据分成三层来对待：结构化数据，比如药品库、法条，直接做成[[Knowledge Graph]]，存实体和关系；半结构化数据，像病历模板、合同范本，我会…

#字节#医疗法律 RAG 合规追溯#医疗和法律 RAG 怎么做安全合规与证据追溯

面试题·检索· 字节

RAG 系统迭代优化方向有哪些?

匹配正文：检索环节优化查询侧优化：Query改写（HyDE生成假设文档）、Query扩展（多视角改写）、意图识别路由到不同知识库索引侧优化：混合检索（向量+关键词BM25）、多粒度索引（文档/段落/句子）、Embedding微调（领域适配）召回策略：多路召回（向量+关键词+图谱）、MRR多轮迭代召回重排序环节优化精排模型：Cross-Encoder（精度高但慢）、ColBERT（延迟交互，效率平衡）多阶段漏斗：向量召回Top100 → BM25粗排 → Cross-Enco…

#字节#RAG迭代优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：…等向量数据库，可配合稀疏索引（BM25）做混合检索二、在线检索流程 Query理解：query改写、扩展（HyDE生成伪文档）、意图识别向量检索：ANN近似最近邻搜索，召回Top-K（通常20-100个）重排序（Rerank）：用Cross-Encoder（如BGE-Reranker）精排，选出最相关的3-5个送入LLM 三、生成阶段上下文拼接：将检索结果按相关性排序，拼接为上下文 Prompt工程：明确指令"基于以下参考信息回答，若信息不足请说明" 答案生成：LLM…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：答案要点检索层面：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…

#AIlab#RAG流程优化#RAG 优化

面试题·Agent· 蚂蚁

Agent项目经验怎么突出亮点?

匹配口述回答：【真实性边界】这是一道经历核验题，我只讲自己真实参与并能用代码、实验、日志或设计记录说明的项目，不套用题库里的公司、职责和成绩。【回答框架】项目服务【真实用户或流程】，要解决【具体问题】，主指标是【定义与统计窗口】，同时受【延迟、成本、权限或安全】约束。我的直接职责是【本人模块】，模型平台、数据或其他服务由【团队角色】负责。请求进入后依次经过【意图识别】、【规划或状态机】、【工具调用】、【结果校验】和【人工或降级】，我会把关键状态与失败分支讲清楚。【事实填空】当时的基线是…

#蚂蚁#AI Agent 项目经验#大模型业务落地

面试题·检索· 字节

RAG Retriever 工作机制详解

匹配口述回答：…又不想堆内存，那就 IVF-PQ。现在说它怎么跟生成器配合。流程很简单：query 进检索器，捞出 top-K 文档，然后拼到 prompt 里喂给生成器。但这里有几个坑。先看上下文窗口限制，文档太多太长会截断，所以得按相关性排序，截到窗口能装下为止。然后看置信度过滤，相似度低于某个阈值的文档直接扔掉，不然噪声会让模型胡说八道。另外还要看 [[Rerank]]，就是加一个 [[Cross-Encoder]] 对检索结果重新排序，因为双塔的分数不一定准，重排能显著提升 top…

#字节#Retriever#RAG Retriever