匹配正文：“帮我分析一下这个行业。” 这句话对人来说已经够模糊，对 Agent 更危险。如果模型直接搜索“行业分析”，得到的通常是一堆范围不同、时间不同、口径不同的材料。它可能先看到市场规模，就围着规模写；也可能先看到一篇新闻，就把新闻里的观点当成整份报告的主线。最后的报告很长，却没有回答三个最基本的问题：研究对象是谁，比较维度是什么，结论需要哪些证据。 Deep Research 超出普通搜索的地方，在于它会先把开放任务整理成一组可以执行、检查和收口的子任务。初始计划又不可能永远…

#Deep Research#问题边界与研究闭环#Deep Research 问题拆解

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…ngChain的本质是**"乐高式"编排框架**——将LLM调用、数据处理、工具执行拆分为原子组件，通过标准化接口自由组合。五大核心组件组件职责典型场景 Model I/O 统一封装各厂商LLM接口，管理Prompt模板与输出解析切换GPT/Claude/文心无需改代码 Retrieval 文档加载、切分、向量化、检索全流程 RAG知识库问答 Chains 预定义的工作流（如LLMChain、SequentialChain）固定步骤的流水线任务 Agents 动态…

← 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

#快手#评估与监控#Agent

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…量+关键词+图谱） ↓ 重排序（Rerank）→ 上下文压缩 → 构建Prompt ↓ LLM生成 + 引用溯源 ← 答案后处理核心组件选型： Embedding：BGE、M3E（中文）、OpenAI text-embedding-3 向量库：Milvus（大规模）、Qdrant（轻量）、Elasticsearch（混合场景） Rerank：Cross-Encoder（精度高但慢）、ColBERT（平衡）三、最佳实践环节关键做法文档切分按语义段落切，256-512…

#字节#RAG 最佳实践#RAG 技术原理

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配标题与标签：RAG 系统实现：组件与流程检索增强生成的核心组件与工作流程详解检索字节 RAG系统实现 RAG 实现 RAG 组件检索增强生成流程字节

#字节#RAG系统实现#RAG 实现

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…忆（训练学到的权重）与非参数化记忆（外部知识库）结合，通过检索实时引入上下文，解决纯LLM的知识固化问题。架构组成与工作流程三核心组件：知识源：文档库、数据库、API等，需向量化索引检索器：编码查询→相似度搜索→返回Top-K相关文档（常用Dense Passage Retrieval或Embedding模型）生成器：将"查询+检索文档"拼接为上下文，生成最终回答标准流程：用户Query → 向量化 → 向量检索召回 → 重排序（可选） → 上下文拼接 → LL…

#淘天#阿里#RAG 架构

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：答案要点清晰描述RAG三阶段流程（索引-检索-生成）说明检索器核心组件（向量化、相似度计算、Top-K召回）解释生成器如何利用检索结果（上下文拼接、注意力机制）提及关键优化点（重排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …

#美团#RAG架构#RAG 系统架构