匹配正文：…如RAGAS、ARES）与组件级指标的区别强调事实性/幻觉检测的重要性提及业务场景下的实用指标（如延迟、成本）体现对评测方法局限性的认知 RAG评估要分两个层面来看：检索端和生成端，再加上端到端的整体评估。一、检索质量指标（决定上限） Recall@K / MRR：核心看相关文档有没有被召回，RAG的瓶颈往往在检索 NDCG：考虑排序质量，排在前面的文档相关性权重更高精确率：避免引入过多噪声文档干扰生成二、生成质量指标（决定体验）事实一致性（Faithfulne…

#淘天#评估与监控#RAG 核心指标优先级

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配口述回答：这道题问的是AI [[Agent]]框架的选型，其实本质是在问：你打算把多少控制权交给大模型，多少留给人。三个主流框架，LangChain、AutoGPT、MetaGPT，正好代表了三种不同的控制粒度。先说LangChain。它更像一个编排工具箱，你通过链式组合把流程写死：先调模型、再调工具、再输出。它的优势是灵活，生态丰富，一百多个集成，快速搭个[[RAG]]原型或者工具调用场景特别顺手。但这里有个坑：它的抽象层太厚了。你写一个简单的链，背后可能封装了三层回调、十个组件…

← 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

#Agent#AI Agent 框架对比#LangChain vs AutoGPT

面试题·模型微调· 百度

Tool Calling 技术路径怎么选?

匹配口述回答：这道题其实在问，怎么让大语言模型真正动起来，不光会聊天，还能调用外部工具去干活。本质上，是把LLM从纯语言模型变成能执行动作的[[Agent]]，这里的技术路线可以分成三大类，各有各的适用边界，而且真正落地时往往是混着用的。先说最简单的，提示工程。就是在system prompt里把工具描述写成JSON Schema，靠模型的[[In-Context Learning]]能力让它自己决定什么时候调用、传什么参数。好处是零成本，改个prompt就能上线，但问题也很明显，模型容…

#百度#模型微调#Tool Calling 实现

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配口述回答：这道题其实问的是大模型落地时的一个核心矛盾：到底该把知识塞进模型参数里，还是挂在外面随时查。本质上，纯参数化的大模型有三个硬伤：知识有截止日期，容易自信地胡说八道，而且更新一次成本太高。所以引入[[RAG]]，就是把知识外挂到可动态更新的检索库，让模型在生成时实时查资料，说白了就是给模型配了个实时更新的外脑。但落地的时候，边界很重要。RAG和[[SFT]]不是谁替代谁，而是各有各的适用场景。SFT负责训练语言能力和基础推理，比如让模型学会怎么组织句子、怎么多步推理，这些是R…

#美团#RAG vs SFT#RAG

面试题·模型微调· 百度

Prompt Engineering 关键原则有哪些?

匹配正文：…w-shot）、思维链（CoT）、角色设定的原理与适用场景能结合具体实例说明设计技巧理解Prompt Engineering的局限性与适用边界核心定义 Prompt Engineering是通过设计和优化输入提示词，引导大模型生成更准确、有用输出的技术。核心价值：无需训练成本，直接挖掘模型固有能力。三大关键技巧与实例 1. 少样本学习（Few-shot Learning）原理：在Prompt中嵌入输入-输出示例，激活模型的上下文学习能力。翻译任务示例：输入：苹果…

#百度#模型微调#Prompt工程

面试题·知识图谱· 字节

GraphRAG 怎么提升检索质量?

匹配正文：答案要点 RAG基本原理（检索+生成两阶段流程）传统RAG的局限性（语义碎片化、缺乏全局关联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合）实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：索引阶段：文档切分→Embedding→存入向量数据库检索阶段：用户查询向量化→相似度搜索→召回Top-K片段生成阶段…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

GraphRAG 怎么提升检索效果?

匹配正文：答案要点传统RAG的局限性（语义孤立、全局信息缺失） GraphRAG的核心流程（索引阶段构建知识图谱+社区摘要，查询阶段利用图结构检索）社区发现算法在GraphRAG中的作用 GraphRAG相比传统RAG的三类优势（连接性、全局性、可解释性）实际落地时的权衡（成本、延迟、图谱质量）传统RAG的局限传统RAG将文档切分为独立文本块，通过向量相似度检索。问题在于：语义孤立——文本块间的关系丢失；全局信息缺失——无法回答"总结全书主题"这类跨文档问题。 GraphRA…

#字节#知识图谱#GraphRAG

面试题·知识图谱· 字节

向量库 vs 知识库 vs 符号记忆？

匹配正文：答案要点区分短期记忆与长期记忆的技术边界向量数据库的embedding检索机制及局限性结构化知识库（知识图谱/数据库）的优缺点外部符号记忆的定义与典型实现三种方案的组合使用策略与选型依据长期记忆的三种主流方案 1. 向量数据库（语义记忆）原理：对话历史、文档等编码为embedding，按语义相似度检索优点：支持模糊匹配、语义关联、非结构化数据缺点：数值/逻辑查询弱，存在幻觉召回，无法精确推理场景：开放域问答、相似案例检索、个性化对话风格学习 2. 结构化知…

#字节#Agent#Agent 长期记忆

面试题·知识图谱· 海尔

数据/架构/推理/工具怎么选?

匹配追问：…据，模型架构上有什么招数吗，比如检索增强？……推理的时候能做什么？……实在不行，是不是得靠外部工具兜底？直球架构请系统性地分析大模型幻觉的缓解方案，从数据、模型架构、推理策略、外部工具四个层面分别给出关键技术，并说明各自适用场景和局限性。

#海尔#幻觉治理#大模型幻觉缓解

面试题·Prompt· 百度

AI Agent 架构与框架怎么选?

匹配正文：…心三要素：规划、记忆、工具调用 ReAct的推理-行动交替机制 CoT的纯推理链与Agent的区别 AutoGPT的自主循环架构及局限性框架选型需考虑任务复杂度、可控性、成本 AI Agent基本架构 Agent = 大模型核心 + 三大关键组件：组件作用规划（Planning）拆解任务、制定执行策略、自我反思修正记忆（Memory）短期上下文 + 长期知识库（向量存储）工具调用（Tool Use）与外部API、数据库、计算资源交互主流框架对比 1. Re…

#百度#Agent#AI Agent 架构

面试题·Prompt· 字节

AI Agent 核心特点与局限

匹配正文：答案要点 Agent与LLM的本质区别（环境交互vs静态推理）核心组件：感知-规划-行动-记忆当前主流架构模式（ReAct/CoT/Plan-and-Execute）优势：任务分解、工具扩展、持续学习局限性：幻觉累积、长程规划稳定性、成本与延迟落地场景举例（自动化运维、智能客服、代码助手） Agent的核心特点 Agent = LLM + 环境交互能力，区别于纯生成模型的关键：闭环反馈机制四大核心组件感知：接收环境状态（API返回、用户输入、工具输出）规划：任…

#字节#评估与监控#Agent

面试题·检索· 字节

RAG 重排作用与实现

匹配正文：为何需要重排初检的局限性向量检索（双塔模型）追求效率，用点积/余弦快速近似，牺牲语义精细度多路召回（BM25+向量+关键词）结果混杂，缺乏统一相关性度量存在"伪相关"：向量相似≠真实答案相关解耦设计的好处召回阶段：广撒网，保召回率，毫秒级响应重排阶段：精筛，保准确率，接受百毫秒级延迟重排的核心作用作用说明语义精排用交互式模型捕捉query与doc的细粒度匹配多路融合统一打分不同来源的候选（向量/BM25/图谱）业务过滤加入时效性、权威性、用户偏…

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 字节

RAG 为什么需要 Rerank?

匹配正文：答案要点说明两阶段检索的动机（召回vs精度的权衡）解释向量检索的局限性（语义粗粒度、无法利用交互信息）阐述Rerank的核心作用（细粒度语义匹配、计算资源后置）提及常见的Rerank模型（Cross-Encoder、ColBERT等）为什么需要Rerank 向量检索的固有缺陷双塔架构（Query-Document独立编码）只能捕捉粗粒度语义，缺乏细粒度交互 Embedding维度受限（通常768/1024维），信息压缩导致精度损失无法利用Query和Docume…

#字节#Rerank模型#RAG Rerank

面试题·检索· 字节

RAG 为何需要重排序?

匹配追问：…”，你觉得这个结果行不行？……那接下来你通常会怎么做来提升质量？直球架构在RAG系统中，为什么不能只靠向量相似度做召回，还需要大模型重排序或生成？请从向量检索的局限性、两阶段架构的必要性以及大模型的独特能力几个角度来分析。

#字节#向量召回与重排#RAG 重排序

面试题·检索· 字节

RAG 技术实现怎么落地?

匹配正文：…bedding和向量检索的核心作用能区分Naive RAG与Advanced RAG的关键差异能结合具体场景说明RAG的价值和局限性 RAG核心架构 RAG = 检索模块 + 生成模块，用外部知识弥补大模型参数知识的局限。 1. 索引阶段（离线）文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、text-embedding-3）编码为稠密向量存储：写入向量数据库（Milvus、Faiss…

#字节#RAG应用场景#RAG 技术实现

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合工…

#美团#评估与监控#RAG 工作原理

面试题·评估· 京东

RAG vs RLHF 幻觉治理

匹配口述回答：这道题其实是在问，大模型产生[[幻觉]]，我们到底从哪下手。检索增强提供证据，偏好训练调整行为；幻觉成因可能重叠，不能把[[RAG]]和[[RLHF]]分别对应成不知道与知道但乱说两类。先说 RAG，它的核心思路是开卷考试。模型生成前，我先从外部知识库检索相关文档，比如用 [[Hybrid Search]] 把关键词和向量检索结合起来，然后把文档拼到 prompt 里，告诉模型“你就按这些材料回答”。这样给模型提供了可追溯证据，但提示不是硬约束，模型仍可能误读资料或编造。这…

#京东#RAG 与 RLHF#RAG vs RLHF 幻觉治理

面试题·Prompt

Few-shot 和 Zero-shot 是什么意思?

匹配口述回答：面试官问的这个问题，其实是在考察我们对大模型**[[上下文学习]]**机制的理解。说白了，zero-shot和few-shot都不更新模型参数，而是靠prompt里的信息让模型临时学会一个任务。先简单说下定义。[[Zero-shot]]就是不给例子，直接用文字描述任务，比如我写一句“判断这个评论的情感是正面还是负面”，模型直接答。[[Few-shot]]是在prompt里放几个输入输出对，像“苹果很好吃 → 正面；这个手机太卡了 → 负面；新买的耳机音质不错 → 正面”，然…

#入门#基础概念#Few-shot

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配口述回答：… BLIP2 生成 caption，然后把这个文本[[向量化]]，丢进 [[Vector Database]] 里检索，最后喂给 LLM 生成答案。说白了，就是把多模态问题强行压成单模态问题，图像信息在转换过程中会有有损压缩，caption 写得好不好直接决定了检索质量。比如一张复杂的图表，如果 caption 只写了“柱状图显示增长”，那丢了横纵轴标签、数据趋势这些细节，召回肯定不准。真多模态就不一样了。它让图像和文本统一编码到同一个共享语义空间，直接做跨模态相似度计算。…

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 百度

不用图数据库能做 GraphRAG 吗?

匹配口述回答：…或者 JanusGraph 是内置的。增量更新也是，传统方案要全量重建或者写复杂的 diff，图数据库能事务性地增删点边。还有跟 LLM 集成，图数据库有 LangChain 这些成熟的封装，自己手写 Cypher 生成太累了。所以我会把工程判断标准总结成这样：如果实体关系超过 50 万条，或者常规查询涉及三跳以上，或者你需要实时更新图谱，再或者团队没精力维护图查询引擎，那建议直接上真图数据库。不然你后期会踩很多坑。其实还有个务实方案我提一下，中小规模可以用 Postg…

#百度#知识图谱#GraphRAG 实现

面试题·Prompt· 小红书

提示工程有哪些核心方法?

匹配正文：…）准确说明CoT/ToT/ReAct的核心机制与区别能结合业务场景分析选型（简单任务vs复杂推理vs工具调用）指出提示工程的局限性（上下文长度、稳定性、可扩展性）一、基础提示技巧 Zero-shot / Few-shot Zero-shot：直接描述任务，适合简单明确的需求（如格式转换、简单分类） Few-shot：给2-5个示例，显著提升小模型表现和输出格式稳定性优缺点：零成本低，但复杂任务效果有限；示例设计耗精力，且占用上下文角色设定与约束通过"你是一位专家…

#小红书#提示工程方法#Prompt 技术

面试题·多模态· 美团

Agent 发展路径分哪几个阶段?

匹配口述回答：…中间会经历哪些台阶，每个台阶上最难啃的骨头是什么。我倾向于把它分成四个阶段来讲。先看工具调用和任务自动化这个阶段，这其实就是现在大模型落地的主流形态。比如客服场景里，Agent根据用户说“我订单丢了”去调订单查询接口、退款接口，走一个固定的流程。这个阶段的核心挑战不是模型能不能理解意图，而是工具描述写得好不好、参数能不能填对、出错了能不能优雅恢复。技术上的突破点主要是 [[ReAct]] 范式，就是让模型推理和行动交错着来，而不是先想好再干。另外[[Function Cal…

#美团#评估与监控#Agent