匹配正文：…度的辅助检索入口，但回答时必须显示来源并保留原图核验。若场景要求代码可执行，就应该走人工校验或源文件接入，不能把 OCR 结果直接升级成确定事实。图片描述参与 Embedding，会不会把模型幻觉写进知识库？有这个风险。因此描述要标明生成方式，与 OCR 文本和原图分开存储。检索可以利用描述扩大候选，但最终回答与引用应回到可核验的图像内容。对高风险资料，还需要人工检查描述与原图是否一致。为什么不把所有特殊内容都交给多模态模型？因为成本、延迟、可复现性和定位能力都要考虑…

#RAG#切分与索引#RAG 表格切分

面试题·Agent

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…可能会问：“Agent 只有三四个工具时可以把 Schema 全塞给模型，工具扩展到几十上百个以后怎么办？” 这道题不能只回答“用向量检索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清…

#Agent#工具调用与安全#Agent 大工具集路由

求职指南·求职

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…机器人」「给某垂直领域的 300 份 PDF 做问答,解决人工查条款慢的问题」有技术决策和权衡「用了 LangChain 和向量库」「按语义切块,因为固定长度切会切断条款;向量库选 X 是因为要本地部署」有量化结果「效果不错,能回答问题」「自建 50 题评估集,召回率从 62% 调到 81%,P95 延迟 1.4s」扛得住三层追问问「为什么不用别的方案」就答不上每个技术点预设「为什么→为什么不用别的→出问题怎么办」逐条说透: 真实业务问题是转行者的独特优…

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

#求职#职业转型

面试题·Agent

缓存能省调用，为什么 Deep Research 反而可能拿旧资料回答“最新”？

匹配正文：…无痕替换。这也是缓存与证据库的差别。缓存追求复用，可以过期；证据记录追求可追溯，需要按授权和审计策略保留版本信息。工具和抽取器升级后，旧缓存还能用吗？原始网页内容可能仍然有效，但旧抽取结果未必适配新 Schema。工具升级要区分资源缓存与处理缓存。原文按页面版本复用，相关片段、结构化字段、向量和派生计算则绑定处理器、Prompt、模型与 Schema 版本。若升级只影响一个字段，可以定向重算受影响层，不必重新搜索全部来源。若新版修复了阅读顺序或表格解析，旧证据片段可…

#Deep Research#研究工具与稳定性#Deep Research 缓存新鲜度

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：… 这时适合处理问题的是 Rerank，也就是重排。可另一个问题马上来了：既然 Rerank 能更细地比较问题与候选，为什么不跳过向量检索，直接让它给整个知识库打分？ Bi-Encoder 和 Cross-Encoder 差在哪里？ Embedding 模型通常采用双塔，也叫 Bi-Encoder。 Query 进入一侧编码器，文档进入另一侧编码器，最后比较两个向量的距离。文档向量可以在离线阶段提前算好，用户提问时只需要计算 Query 向量，再到索引中寻找近邻。这种方式适…

#RAG#检索与重排#RAG Rerank

面试题·Agent

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配正文：…查看与删除入口。任务数据的业务留存和个性化记忆的用户授权，也不应混为同一件事。记忆索引怎样保持一致长期记忆可能同时有关系记录、向量索引和缓存。更新或删除主记录后，索引未同步，旧内容仍可能被召回。写入流程需要记录索引状态和版本。检索结果回到主存储再次检查有效、权限和最新版本，不能直接把向量库中的旧文本交给模型。删除时同步处理索引与缓存，失败进入重试和审计。向量模型升级也会改变检索空间。新旧向量要区分版本，并用固定任务验证迁移结果。没有真实测试时，不能声称支持无损升级。 …

#Agent#记忆与存储#Agent 长期记忆设计

求职指南·求职

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…一层层追问。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /questions,每道题有书面答案和口…

#求职#职业转型

面试题·RAG

多轮 RAG 如何理解“这个怎么申请”？

匹配正文：…“不再支持”“能否免除”“除了哪些情况”等表达时，可以把否定词、比较对象和限定条件单独抽出，与改写结果做一致性核对。只比较两句话的向量相似度，可能看不出方向已经反转，因为正反陈述往往共享大量词。改写器也不应把旧答案写进新 Query。上一轮模型回答“A 产品通常支持线上办理”，下一轮用户问“那纸质材料呢”，可补全为“A 产品线上办理是否需要纸质材料”，不能直接改成“A 产品线上办理不需要纸质材料吗”。前一句只恢复问题，后一句已经把未经当前证据确认的结论带入检索。因此，验收…

#RAG#生成与对话#多轮 RAG

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…、效果评估、token 成本、模型降级。编码环节别荒废,把基础算法手感捡回来,大模型岗不难但会考关键差异:在校生要把"系统能跑"升级成"系统可评估、可控成本、可降级";在职后端则是把已有的系统设计能力"翻译"到大模型场景,你缺的不是设计能力,而是检索、评估、成本这几个大模型专有词汇和它们的权衡。分别可以对照研究生怎么转大模型和 Java 后端转大模型的路径。一个具体反例:上来就堆组件画框图最常见的翻车:系统设计一开口就往白板上堆组件,向量库、缓存、网关、消息队列全画…

#求职#职业转型

面试题·RAG

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

匹配正文：…取链也要分开验证。写入前先判断这条信息是否值得保存、是否需要用户确认、保存多久以及谁能读取；模型抽取出的内容只能作为候选，不能自动升级成永久事实。读取时则先限定身份和任务范围，再比较相关性、时效、来源权威度与冲突状态。把两条链混成一次向量搜索，会让“模型猜到的偏好”悄悄变成长期事实。当用户纠正旧信息时，我不会直接覆盖到无法追溯。新值应指向被替代版本，旧值退出默认召回，但保留必要的审计关系；撤回或删除则按适用的数据规则处理实体记录、向量副本与缓存。这样既能解释系统为什么使用当…

#RAG#生成与对话#RAG 记忆模块

面试题·Agent

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

匹配正文：…hema，更不能在澄清问题里泄露其存在和细节。用户确认某个口径后，可以把选择保存在当前查询 State，后续追问沿用，但不能自动升级成所有用户的全局定义。 Schema 召回不能只搜表名候选生成可以组合多路信号：表和列描述的语义相似；业务术语映射；指标目录；实体与示例值匹配；数据域和用户角色；历史正确样例；精确关键词。例如问题涉及“退款后的支付收入”，语义召回可能命中支付表和退款表，术语词典命中净收入指标，关系图补充订单主键。只搜表名可能只找到一张 payment 表，…

#Agent#工具调用与安全#Text2SQL Schema 选择

面试题·RAG

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

匹配正文：…要人。怎么用评测集验证一次改动？先冻结知识库版本、问题集和正确证据。记录当前基线的完整配置，包括解析版本、Chunk 策略、Embedding、候选数量、融合方式、Rerank、阈值和生成模型。一次只改变一个主要因素，再运行同一批样本。保存每条问题的候选原文、排名、最终上下文、答案和引用，而不是只保存汇总指标。汇总时分层看检索、生成和无答案表现，再按题型查看。总分上升但否定题下降，不能直接宣布改动成功。最后运行回归集和保留集，确认已知问题没有退化，新问题也能得到同…

#RAG#评测与上线#RAG 评测集

面试题·RAG

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

匹配正文：…服务的旧版本。发布动作最好只切换一个明确的“当前版本”指针，而不是边写边让在线流量读取。任务恢复还要验证依赖版本。解析完成后系统升级了 Embedding 模型，恢复时不能直接把旧解析任务接到不兼容索引，必须根据任务记录决定继续、重算还是废弃。状态机的价值不是多几个枚举值，而是把恢复、重试、取消和发布变成可以验证的行为。没有它，后台任务一旦中断，团队只能靠查日志和手工删数据收尾。对用户而言，状态还要转换成可理解的进度。可以告诉他正在解析、等待校验或处理失败，并给出能否重…

#RAG#评测与上线#RAG 系统设计

面试题·评估· 字节

Agent 系统优缺点与发展前景

匹配正文：…复杂任务处理规划-执行-观察的循环架构（ReAct模式）支持多步骤推理任务自动分解，降低单步推理难度，提升最终成功率交互体验升级从"问答"转向"协作"，用户只需设定目标，Agent自主完成中间过程主要缺点系统稳定性链式错误传播：前期步骤出错导致后续全部失效 LLM本身的不确定性被放大到整个执行链路效率与成本多次LLM调用+工具执行，延迟显著增加（秒级→十秒级） Token消耗不可预测，商业化场景成本敏感安全与可控工具权限边界模糊，过度授权有风险，限制过严…

#字节#评估与监控#Agent

面试题·知识图谱· 百度

GraphRAG 为何召回更精准?

匹配口述回答：…AG]]为什么在需要关联推理的场景下会失效，而[[GraphRAG]]怎么用结构化先验来补这个短板。我理解的核心就是从「语义相似」升级到「结构关联」。先说说传统RAG的痛点。它把文档切成小块，每个块独立做[[Embedding]]，然后靠向量相似度去匹配。这么做最大的问题是丢失了文档之间的逻辑关联。举个例子，客服场景里用户问「我上次退货的退款怎么还没到」，传统RAG可能只匹配到「退款政策」那个片段，但真正的答案需要把「用户A的退货单号」「物流签收时间」「财务处理流程」这几个…

#百度#知识图谱#评估与监控

面试题·知识图谱· 淘天

RAG 系统痛点怎么破?

匹配正文：…序策略，将高置信度结果放首尾 3. 语义鸿沟（Semantic Gap）表现：用户问题与文档表述方式差异大，字面匹配失败根源：Embedding的语义空间对齐不足；跨领域、跨粒度（词级vs概念级）匹配困难改进：领域微调Embedding模型；HyDE（假设文档嵌入）用生成式查询替代原始问题；引入知识图谱做实体链接和关系推理（GraphRAG方向）进阶方向 GraphRAG通过构建实体关系图，将"平面检索"升级为"结构化推理"，从根本上缓解语义鸿沟和上下文碎片化，但成本…

#淘天#知识图谱#RAG 痛点

面试题·知识图谱· 字节

GraphRAG 原理与实现方法

匹配正文：…aphRAG的核心流程：索引阶段构建知识图谱+社区发现，查询阶段利用图结构进行全局推理与传统RAG的关键差异在于从"文本块检索"升级为"关系推理" 能回答需要跨文档聚合的抽象问题（如"主题是什么"）适用场景：大规模文档集、需要全局理解的复杂查询实现难点：图谱构建质量、社区划分粒度、查询路由策略 GraphRAG 核心原理索引阶段（离线）实体关系抽取：用LLM从文档中提取实体、关系、属性，构建知识图谱社区发现：用图算法（如Leiden算法）将图谱划分为语义相关的社区…

#字节#知识图谱#GraphRAG 原理

面试题·RAG· 字节

医疗法律RAG架构怎么搭？

匹配正文：…拒答策略：超范围问题（如具体诊疗建议）转人工引用溯源：输出必须关联检索片段ID 知识更新机制场景方案示例增量更新新文档向量化入库新发布诊疗指南失效标记版本标签 + 生效时间字段法律修订/药品退市全量重建季度离线重建索引 Embedding模型升级实时修正运营后台人工标注用户反馈纠错关键：建立知识版本表，记录每条的生效/失效时间，检索时过滤。领域特殊考量医疗：多模态支持（影像报告+文本），严格遵循循证等级法律：地域适配（不同法域），区分"参…

#字节#专业领域RAG#RAG 系统设计

面试题·RAG· OPPO

动态增量更新怎么防检索偏差?

匹配正文：…义一致性假设"——即检索时query与doc的embedding应来自同一分布。具体成因：模型版本漂移：新旧文档使用不同版本的embedding模型，向量空间不对齐时间衰减效应：领域知识演化导致相同词汇语义变化（如"新冠"在2019 vs 2023的含义）索引碎片化：局部更新导致向量空间密度不均，近邻搜索出现"断层" 缓解策略策略核心思路适用场景版本隔离新旧文档分索引存储，检索时多路召回+重排序融合模型升级、大规模更新渐进式重嵌入设定阈值触发全量重计算…

#美团#增量更新检索偏差#RAG 知识库更新

面试题·检索· 淘天

Naive RAG vs Advanced RAG 区别?

匹配正文：…教学假设假设电商政策问答既包含自然语言问题，也包含订单号和时间条件。可以从 Naive 基线开始，再分别加入实体抽取、BM25、向量召回、RRF、重排和权限过滤。每次只增加一个主要模块，不能直接宣称准确率会达到某个数字。评测与选型分别测知识覆盖、Recall@K、MRR/NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。简单文档问答若基线已满足要求，不必升级；只有明确 bad case 和消融证据支持时才增加 Advanced 或 Agentic 组件。

#淘天#重排与优化#Naive RAG

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配口述回答：…一个多轮对话，中间有人工审核、中断恢复，LangChain 原生就不太够。所以后来出了 LangGraph。你可以把它理解成把链升级成了图，每个节点是函数，边是条件路由，状态是显式维护的 checkpoint。这意味着你可以随时暂停、恢复，甚至把某一步交给人工处理。这点在生产里特别关键。 LlamaIndex 的定位更偏[[检索增强]]，它的 Agent 本质上是对 RAG 流程的封装。如果你的场景强依赖知识库，比如企业 SOP 检索加生成，LlamaIndex 天然合适，…

#淘天#Agent#Agent 框架对比

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配口述回答：…AG]]来存和检索。这里有个常见的坑：很多人以为长期记忆只存事实就好，但其实要区分知识类型。比如客服场景，退款规则是静态知识，适合向量检索；但用户的历史行为是动态的，更适合用结构化数据库。所以真正落地时，我倾向于混合记忆，短期靠Prompt，长期按类型选存储，而不是一刀切用向量库。工具模块是Agent能力的放大器。大模型本身不会算数、不会查库存，所以通过[[Function Calling]]让模型输出结构化JSON来调用外部工具，比如计算器、搜索引擎、API。这里的关键…

#百度#Agent#Agent 规划记忆工具分工

面试题·Agent· 百度

Agent 核心组件架构

匹配正文：…记忆系统（Memory）类型作用实现方式短期记忆当前对话上下文滑动窗口、Prompt内维护长期记忆跨会话知识积累向量数据库存储+检索增强工作记忆中间执行状态临时变量、执行轨迹 3. 工具调用（Tools）功能：扩展LLM能力边界（计算、搜索、API操作等）关键机制：Function Calling（模型输出结构化JSON）→ 外部执行 → 结果回传工具描述需清晰定义：功能说明、参数schema、返回值格式 4. 行动执行（Action）将规划结…

#百度#Agent 核心组件架构#Agent 系统架构怎么搭？规划、记忆、工具与行动

跨页表格、代码块和图片怎么切，才不丢结构？

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

没有大模型项目经验,怎么攒出能写进简历的项目

缓存能省调用，为什么 Deep Research 反而可能拿旧资料回答“最新”？

Rerank 为什么更准，却不能对整个知识库运行？

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

大模型岗面试流程全解:每一轮考什么、怎么准备

多轮 RAG 如何理解“这个怎么申请”？

大模型系统设计和编码环节怎么准备

对话历史太长怎么办？滑动窗口、摘要和长期记忆怎么分工？

Text2SQL 面对上百张表，怎样选对 Schema 并处理业务歧义

RAG 评测集怎么构建？问题、答案和证据必须怎么标？

一个可上线的 RAG 系统怎么拆？离线入库、在线问答和监控如何闭环？

Agent 系统优缺点与发展前景

GraphRAG 为何召回更精准?

RAG 系统痛点怎么破?

GraphRAG 原理与实现方法

医疗法律RAG架构怎么搭？

推荐不准的分层诊断

动态增量更新怎么防检索偏差?

Naive RAG vs Advanced RAG 区别?

LangChain vs LlamaIndex vs AutoGPT 架构差异?

Agent 规划记忆工具分工

Agent 核心组件架构