匹配正文：…传感器融合交叉验证）人类在环（HITL）：高风险场景保留人工熔断接口四、字节场景下的工程权衡维度推荐方案原因延迟敏感（推荐系统）中心化仲裁 + 缓存预计算 10ms级响应要求规模扩展（内容审核）去中心化共识（Raft变种）千级Agent水平扩展安全关键（自动驾驶）硬件级TEE + 双冗余仲裁功能安全ASIL-D 核心原则：没有万能方案，需在一致性-可用性-分区容错三角中按业务取舍。学习建议建议先掌握多 Agent 基础概念与协作模型，再学习冲突检…

#字节#Agent#多 Agent 冲突检测

面试题·文档处理· 字节

Chunk 向量化与索引怎么选?

匹配正文：…控 SaaS：按量付费，适合波动负载字节场景的特殊考量：内部通常自研或基于Faiss二次开发，追求极致性能与成本控制，同时需要与推荐系统基础设施打通。学习建议掌握常见嵌入模型（如BERT、Sentence-BERT）和向量数据库（如FAISS、Milvus）的基本原理与对比维度，结合RAG流程理解向量化与检索的协同机制。

← 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

#字节#向量检索#Chunk 向量化

面试题·评估· 字节

召回策略怎么选? Recall@k 怎么看?

匹配正文：…序质量头部结果的相关性优先级 Precision@k 前k个结果中相关文档占比过滤噪声能力 Recall@k的特殊性：RAG与推荐系统不同——推荐可"猜对"，RAG必须"找全"。Recall@k直接决定LLM能否看到答案，是天花板指标。二、关键决策依据 1. k值选择策略同一固定排名的前缀扩大时，Recall不下降；更换检索参数或重新查询不保证结果是嵌套前缀。最终仍受上下文和噪声预算约束。实践：通常k=5~20，结合Recall@k曲线拐点确定 2. 多路召回评估 …

#抖音#评估与监控#RAG 召回策略评估

面试题·评估· 哔哩哔哩

粗排冷启动指标与路径

匹配正文：…冷启动可选择独立探索通道或在统一模型中显式建模内容/缺失历史特征；按数据和风险决定，线上实验分新老用户与物品观察。学习建议掌握推荐系统粗排流程，理解常用评估指标如AUC、GAUC，并学习冷启动场景下的embedding初始化与迁移学习方法。参考资料 Stanford信息检索教材 Stanford排序评估

#哔哩哔哩#评估与监控#向量检索

面试题·评估· 同花顺

多Agent系统优化策略

匹配正文：…离：关键Agent预留资源配额，避免被挤占关键权衡通信-一致性-可用性的三角权衡，需按业务场景取舍。例如金融场景强一致性优先，推荐系统可用性优先。

#同花顺#Agent#多Agent系统优化

面试题·检索

什么是 Embedding 向量嵌入？

匹配正文：…量方向的夹角，值越接近 1 越相似向量由专门训练的嵌入模型生成（如 BGE 系列），不是随便编码它是 RAG 检索、语义搜索、推荐系统共同的地基核心概念 Embedding（向量嵌入）是指用模型把一段文字映射成一个固定长度的数字向量（比如 1024 个小数），使得语义相近的文字在向量空间中的位置也相近。可以把它想象成给每段话发一个“语义坐标”：谈论同一件事的句子，坐标就挨得近。比如“我想退货”和“这个商品我不要了”，字面上几乎没有重复的字，关键词搜索会认为它们无关；但…

#入门#基础概念#Embedding是什么

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配正文：…C内容用向量检索理解场景化表达（如"显白口红"→橘调色系）权重动态调整：搜索词含品牌词时提高BM25权重，长尾词时提高向量权重推荐系统（内容召回）以向量检索为主：用户兴趣是隐式语义，非明确关键词 BM25仅作冷启动或热门兜底小红书场景的特殊考量笔记搜索是典型的半结构化文本+强语义需求场景：标题/标签用BM25精确匹配运营关键词正文内容用向量检索理解"氛围感穿搭""早八妆"等社区黑话实际落地需解决：图文多模态统一检索、实时笔记的增量索引更新学习建议建议先掌握…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· soul

召回阶段怎么选方法?

匹配正文：…实践：通常采用多路召回（各方法并行）+ 粗排过滤 + 精排排序的级联架构，通过召回多样性保证后续排序的上限。学习建议建议先理解推荐系统整体流程，再分模块学习召回技术，结合实际案例对比不同方法，强化对优缺点的理解。

#soul#多路召回#召回方法对比

面试题·推理优化· 字节

FAISS 怎么实现高效 ANN 搜索?

匹配追问：…VFPQ）？与HNSW相比各有什么优劣？在实际RAG系统中，如何根据数据规模和延迟要求选择索引类型？场景切入假设你在做一个电商推荐系统，商品和用户都用向量表示，每天有上亿次请求，内存有限，你怎么快速找到最相似的几个商品？会用到哪些技术？层层追问向量检索在亿级数据下怎么做？……精确搜索太慢了，有什么近似方法？……那IVF和PQ分别解决什么问题？它们怎么组合的？直球架构讲一下FAISS的核心原理，特别是IVF和PQ这两种索引结构的原理和它们如何配合实现高效近似最近邻搜…

#向量检索#近似最近邻搜索#量化压缩

面试题·模型训练· 百度

重参数化技巧怎么解决梯度问题?

匹配追问：…下（如VQ-VAE），重参数化技巧失效，有什么替代方案扩散模型中的重参数化与VAE中的有何具体差异场景切入假设你在做一个电商推荐系统，用户历史行为编码成向量，但模型需要从高斯分布中采样来增加多样性。你直接用采样操作，梯度传不过去，怎么办？层层追问 VAE 里从分布采样那一步怎么训练的？……采样操作不可导对吧？……那你有什么办法让梯度回传？……重参数化具体怎么做的？直球架构解释一下重参数化技巧，它怎么让采样操作变得可微？在 VAE 和扩散模型中分别扮演什么角色？

#重参数化技巧#VAE#扩散模型

面试题·Agent· 小红书

长序列怎么压缩与摘要?

匹配追问：场景切入假设你负责电商推荐系统，用户一年下来有上千条浏览记录。模型处理不了这么长的序列，你会怎么从中挑出最有用的部分，同时不丢掉用户的长期兴趣？层层追问用户行为序列太长时，你们一般怎么处理？……如果直接截断，怎么保证不丢失关键信息？……除了截断，有没有办法把历史信息压缩成更紧凑的表示？直球架构设计一个生成式推荐系统，要处理用户数千条历史行为。请给出序列压缩或摘要的方案，包括截断策略、记忆网络或分层建模，并说明各自的优缺点和适用场景。

#小红书#Agent#长序列压缩

面试题·Agent· 百度

Agent 核心机制怎么工作?

匹配追问：…个电商客服Agent，用户问‘帮我查一下上周的订单’，然后又说‘再推荐个类似的商品’。Agent得先调订单接口，再根据结果决定调用推荐系统。你具体怎么设计这个‘思考-调用-继续思考’的流程？层层追问你理解的大模型Agent是咋工作的？……那它怎么决定下一步该干啥？……如果它需要调用外部工具，比如搜索或数据库，你怎么让模型知道什么时候调、调哪个、参数填什么？直球架构请直接讲大模型Agent的核心架构和工作原理，重点说清楚感知-思考-行动的循环、ReAct范式、Funct…

#百度#Agent#Agent 工作原理

面试题·RAG· 小红书

生成式推荐的序列原理

匹配口述回答：这道题其实在问推荐系统的范式转变，从传统的打分排序变成序列生成。我理解生成式推荐的核心是把推荐当成一个语言模型任务，用户历史行为拼成一个 prompt，然后自回归生成下一个物品的 ID，而不是算一个分数再排序。具体说一下它的工作流程。第一步是统一 Token 空间，把用户 ID、物品 ID、行为类型、时间戳这些都离散化成同一个词汇表里的 token。第二步是序列化输入，比如 [BOS] 用户u [SEP] 点击i1 [SEP] 收藏i2 [SEP] 时间t，让模型去预测下一…

#小红书#Item Tokenization#生成式推荐的序列原理

面试题·RAG· 小红书

用户兴趣模型：数据与特征取舍

匹配口述回答：这道题本质上是问怎么把用户和内容高效匹配起来，让推荐系统既懂用户短期兴趣，又不忘长期偏好。我会从数据、特征、模型和更新策略几个方面来说。先说数据收集。我会搭一个三层体系：显式反馈、隐式行为和社交关系。显式就是点赞收藏这些，隐式包括曝光到点击的漏斗、停留时长、滑动速度，还有搜索词，这个意图信号特别强。社交关系比如关注和同好社群。这里有个关键：埋点一定要覆盖负反馈，比如快速划过或者点不感兴趣。如果模型只学正样本，推荐会越来越窄，用户很快就腻了。特征工程这块，我倾向于分层表征。…

#小红书#用户兴趣建模#用户兴趣模型

面试题·检索· 字节

RAG 工作流怎么应对时效衰减?

匹配追问：场景切入假设你做一个新闻推荐系统，用户搜了“美联储加息”，一周后同样的Query进来，你觉得检索结果应该一样吗？怎么处理知识过时的问题？层层追问 RAG的流程你肯定熟，先检索再生成。……那如果文档库里有一年前的旧闻，用户问的是最新事件，你用什么办法不让旧数据干扰？时效性怎么量化到检索里？直球架构请描述RAG的完整工作流程，并重点讲构建向量库时，如何设计机制应对信息时效性衰减导致的召回效果下降。

#字节#时间衰减检索#RAG 工作流程

面试题·检索· 字节

RAG 向量库怎么处理时间衰减?

匹配追问：场景切入假设你在做新闻推荐系统，用户搜“疫情最新政策”，库里既有昨天的文章也有去年的。你拿RAG去召回应优先返回哪个？怎么让系统自动给新内容加权，别老把旧东西翻出来？层层追问你平时用RAG做知识库问答，流程大概是怎样的？……那检索的时候，如果用户问的是实时信息，怎么保证召回的是最新的？……如果我想让时间越近的文档得分越高，具体在向量数据库里怎么实现？直球架构描述一下RAG的完整工作流程，从离线建库到在线检索生成。另外，针对信息时效性问题，你会怎么设计向量检索库，让新…

#字节#向量库时效性#RAG 工作流程

面试题·检索· 安克科技

RAG向量匹配原理与ANN算法取舍

匹配口述回答：…通常一致，这就很适合语义匹配。工程上我们会提前把向量归一化，这样点积就等于余弦相似度，计算更快。当然，如果场景对向量长度敏感，比如推荐系统里用户活跃度本身就有信息量，那可以用内积或欧氏距离。但RAG里，余弦相似度是默认选择。接下来是[[ANN]]算法选型。最主流的是[[HNSW]]和[[IVF]]。HNSW本质是多层导航图，搜索时从顶层快速往下跳，精度很高，但内存开销大，适合百万级以内、对延迟敏感的场景，比如客服机器人实时检索FAQ。IVF先定位几个簇再扫描桶内候选，桶内是…

#安克科技#HNSW与IVF#RAG 向量匹配