匹配正文：…用户或租户是否有权调用，目标资源是否可访问，是否包含危险路径、任意代码或敏感参数。第六层是幂等和副作用校验。只读工具主要防重复成本。有写操作时，必须使用幂等键、用户确认和审计，防止重试造成重复副作用。全部通过后，调用才进入网关。不能让工具自己承担所有拒绝逻辑，因为那样错误已经走到执行边界。 Function Calling 从模型输出到真实执行的校验链结构化调用先经过解析、Schema、业务、状态、权限和幂等检查，再执行。为什么 required 越多不一定越好？ …

#Deep Research#研究工具与稳定性#Function Calling 参数校验

求职指南·求职

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…"能调工具的 demo",而是把 Agent Harness(agent loop、工具 schema、记忆、权限确认、失败恢复、trace、评估、成本)一层层做扎实,并留下和 RAG 项目一样完整的证据链。正确的做法是从 30 行的最小 Agent 起步,先把"决策—调用—观察—再决策"的循环跑通,再逐步长成 Deep Research 这类多步任务系统,每加一层都留下能被面试官追问的痕迹。作者:吴师兄 | 适合:想主打 Agent 方向、要攒一个能进简历的自建项目的人 …

#求职#职业转型

面试题·RAG

RAG 检索效果差怎么排查？从 Query 到 Rerank 逐层定位

RAG 回答错了，最常见的第一反应是什么？改 Prompt，换大模型，或者把 Top-K 调大。这三个动作都可能有用，但它们不应该成为排查起点。因为最终答案只是链路最后一层。错误可能早在文档解析时就发生，也可能是 Query 被改写带偏、过滤条件挡掉了正确文档、向量召回没找到、融合时被压下去，或者 Rerank 把正确证据排到了后面。如果连正确证据在哪一层消失都不知道，改参数更像碰运气。排查前，为什么先要有“正确证据”？如果只知道“答案错了”，排查没有参照物。系…

← 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

匹配正文：

#RAG#生成与对话#RAG 检索优化

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：大模型面试里最能分辨真假的环节,就是项目深挖。面试官不会随机提问,而是顺着一条几乎固定的追问链,从"你解决的是什么业务问题"一路问到评估、badcase 和上线成本,哪一环你只有话术、没有证据,他就在哪一环停下判你"水"。所以准备项目不是把讲法背顺,而是提前把这条链上的每一环都补一条"问题+方案+取舍+数字"。这一篇拆开 RAG 和 Agent 两条最常被追的链,逐环告诉你面试官想验证什么、你该怎么带着证据答。作者:吴师兄 | 适合:项目主线能讲顺、但被往深追第二层就卡住的…

#求职#职业转型

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…o 里跑通一次,还是真能在出错时兜住。维度内容面试官在验证什么你能不能设计工具调用、管好上下文与记忆、处理失败与死循环、控成本,让多步任务稳定收敛先看哪个 Deep Research Agent 教程:从 ReAct、工具、记忆到评估代表题型 "Agent 怎么规划任务""工具调用失败怎么重试""上下文爆了怎么办""怎么防止 Agent 陷入死循环" 项目里怎么体现讲你的工具注册与权限确认、trace/replay 怎么做、失败恢复和成本控制的具体机制刷题去 …

#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：…，而不是只看最终回答的流畅度。多轮 RAG 上线前的验证清单改写正确只是第一步，还要检查检索证据、话题隔离和失败回退。线上 Trace 应保留会话 ID、当前 Query、改写 Query、话题判断、使用的历史片段、检索证据和最终答案。这样出现答非所问时，才能判断问题发生在历史选择、改写、检索还是生成。面试官继续追问，怎么接？为什么不把全部历史直接交给大模型？全部历史会占用上下文，也会引入旧主题和错误陈述。应只保留当前问题需要的近期原文、摘要或检索到的长期记忆，并…

#RAG#生成与对话#多轮 RAG

面试题·Agent

多 Agent 怎么编排？固定流水线和 Supervisor 监督模式怎么选

匹配正文：…输出结构化工件。依赖明确的节点按顺序，互不依赖的子问题并行，所有分支结束后进入合并。固定流程的优势是可预测。测试可以覆盖每条边，Trace 能看见任务停在哪个节点，重跑可以从 Checkpoint 继续，成本与权限也容易估算。对有明确合规步骤的任务，代码图能保证“审核未通过不能发布”。它的局限是面对开放任务不够灵活。研究过程中可能发现原问题假设错误，需要新增子问题；某类资料缺失，需要换专家角色；证据冲突，可能回到检索而不是继续写作。如果把所有可能路径提前硬编码，图会变得庞…

#Agent#多智能体与评估#多 Agent 编排模式

面试题·RAG

RAG 首字响应为什么慢？Embedding、检索和生成怎么逐段优化？

匹配正文：…因可能完全不同。把性能追问分成四类下面四个问题是用于检查机制理解的教学设计，不对应某次真实面试的逐字记录。为什么不先换更快的大模型？先看 Trace。模型排队和首 Token 如果不是最长阶段，换模型不会解决主要等待，还可能改变答案质量和成本。 BM25 和向量检索一定能并行吗？当两路使用同一个已准备好的 Query 且没有结果依赖时可以并行。如果向量路线依赖额外改写或意图路由，要先完成对应前置步骤。缓存 Query Embedding 会不会串数据？向量本身不…

#RAG#评测与上线#RAG 首字响应

面试题·Agent· 百度

Agent模块协作机制与失败场景

匹配正文：…bservation 返回状态机。失败时根据错误类型重试、换工具、降级、请求确认或终止。 5. 协作与评测模块通过版本化协议和 trace_id 连接，记录状态迁移、工具调用、结果和停止原因。评测任务完成率、错误副作用、工具成功率、循环率、延迟、成本和人工介入率。RAG 只是可选知识工具，不应把检索结果自动写成长期真值。结论：自主性来自可反馈的规划，可靠性来自状态机、权限、预算和可回滚工具执行。图解 Agent模块协作机制与失败场景图解

#百度#Agent#Agent 系统架构

面试题·Agent· 蚂蚁

Agent项目经验怎么突出亮点?

匹配口述回答：…约束和证据】选择【实际方案】。改动后【真实指标】从【真实基线】变为【真实结果】，样本量或流量为【】，观察窗口为【】；代价是【延迟、成本或复杂度变化】。最典型的失败是【真实 bad case】，目前通过【重试、幂等、检查点、权限确认、降级或人工】处理。【证据自检】这些结论必须能对应【提交记录】【实验表】【trace 或监控】【故障复盘】。如果只能解释团队整体结果、说不清本人改了哪一处，我会明确缩小个人贡献表述；没有真实数字就不填数字。【追问入口】面试官可以继续追问：为什么不…

#蚂蚁#AI Agent 项目经验#大模型业务落地

面试题·评估· 得物

Agent部署关键环节与陷阱

匹配正文：…制：用户新消息可中断当前推理链，保存checkpoint 5. 监控与反馈指标埋点：端到端延迟（P99<2s）、工具调用成功率、LLM调用成本/千次 Trace链路：每个Agent执行生成唯一trace_id，串联LLM调用→工具执行→DB操作人工反馈： thumbs up/down回流至RLHF数据，bad case自动聚类告警 6. 容错设计故障场景策略 LLM超时/限流降级到轻量模型（7B），或返回"思考中"异步推送工具失败重试1次→换替代工具→告知用户无…

#得物#Agent#Agent 系统部署

面试题·评估· 美团

RAG 指标权衡与阈值

匹配口述回答：…回，哪怕多召回一些噪声，后面靠[[重排]]过滤。排序质量呢，用 NDCG 或者 MRR，就是看高相关的文档是不是排在前面。这个影响LLM输入的上下文质量，但计算成本太高，线上跑不动，一般离线评估用一下。再一个就是上下文相关性，直接看召回内容和用户问题的语义匹配度。这个主要是过滤噪声，避免把无关信息喂给模型，导致生成结果跑偏。生成质量这边，最关键的其实是事实一致性，就是模型生成的内容和检索到的文档是不是对得上。这个比答案相关性难搞多了，答案相关性只能看有没有答非所问，但检…

#美团#评估与监控#RAG 指标权衡与阈值

面试题·评估· 蚂蚁

Agent项目背景与技术方案怎么写?

匹配追问：场景切入假设你现在要给银行信用卡中心做一个客服智能体，每天十万咨询量，人工成本高、知识库分散在不同系统里。你会怎么设计整体方案？能不能聊聊你实际做过的类似项目？层层追问你在大模型落地方面有什么实际经验吗？……比如做个客服Agent，从项目背景、技术方案到具体工作，你是怎么想的？……能不能展开讲讲你负责的模块和遇到的难点？直球架构请分享一个你主导或深度参与的Agent项目，说清楚项目背景、技术架构、你负责的具体工作和量化成果。重点讲讲技术选型的思考和你的个人贡献，不要…

#蚂蚁#评估与监控#Agent 项目经验

面试题·评估· 蚂蚁

Agent 项目踩坑与恢复

匹配口述回答：…的部分交给【模型】，并通过【工具、状态、记忆、权限、监控】形成完整链路。【事实填空】实际遇到的质量问题是【】，稳定性问题是【】，成本或延迟问题是【】。我分别用【回放/trace/压测/人工抽检】定位，实施【真实改动】，结果为【真实数字与窗口】，副作用为【】。人工接管条件和回滚方式是【】。【证据自检】我会确认有基线、版本、样本、对照和个人提交；多 Agent 如果没有相对单 Agent 的实验，就只描述设计取舍，不写成已经验证的提升。【追问入口】请继续追问：哪些逻辑必须确…

#蚂蚁#评估与监控#Agent 项目踩坑与恢复

面试题·模型架构· 商汤科技

幻觉一致性延迟诊断

匹配口述回答：…把所有问题都归因于模型参数，而是先建立可复现基线。固定模型版本、prompt模板、系统指令、检索快照、工具返回和解码参数，记录完整trace，再判断缺陷出现在哪一层。否则同一次请求用了不同知识或工具结果，调temperature也解决不了。输出不一致要分三类。一种常见路线是随机采样差异，可以降低temperature、固定随机种子或采用约束解码；另一类是格式漂移，可以用JSON schema、语法约束和解析重试；还有一类是语义冲突，需要检查证据、prompt歧义和模型能力。…

#幻觉问题#输出一致性#推理延迟

面试题·Agent· 快手

Agent 系统实现流程与核心组件

匹配正文：核心架构生产级 Agent 通常由输入解析、规划与状态控制、工具执行、记忆和可观测性组成。LLM 可以提出计划和工具参数，但状态机、权限系统和工具层负责执行边界。 1. 规划与状态控制简单任务可以直接选择工具，复杂任务拆成可验证的子目标。 ReAct 类循环使用“决策—行动—观察”更新状态，不需要对外展示隐藏 Chain-of-Thought。每轮都检查完成条件、重复状态、最大步数、时间与成本预算，防止死循环和过早结束。 2. 工具调用工具用 Schema 描述名称、…

#快手#Agent#Agent 系统实现

面试题·Agent· 字节

AutoGen vs LangGraph 怎么选?

匹配正文：…LangGraph 显式图结构+checkpoint机制，可精确回放复杂条件分支、循环依赖 LangGraph 代码级控制，避免LLM"幻觉"导致流程失控快速原型、代码生成Agent AutoGen 内置UserProxyAgent等工具，上手更快一句话总结 AutoGen是**"让Agent像人一样对话协作"，LangGraph是"用图把LLM调用编排成可靠工作流"**。二者都能构建受控编排；可靠性、开发成本与速度应按任务、版本、状态/授权/停止策略及实测结果比较。 …

#字节#百度#Agent

面试题·评估· 蚂蚁

Agent 系统哪些模块最易出问题?

匹配口述回答：…写操作，比如发券、退款、发消息，如果没有幂等和确认机制，可能造成真实业务损失。第三类是上下文和记忆层。历史消息不断膨胀会让延迟和成本上升；摘要压缩如果删掉关键约束，模型会突然决策变差；长期记忆如果没有时效和权限过滤，还可能拿到过期或不该看的信息。第四类是模型服务层，比如 LLM 首 token 延迟变高、队列堆积、限流、输出格式不稳定。Agent 是多次调用模型的系统，一个请求里可能调用好几轮，所以模型服务的小抖动会被放大。监控体系我会分三层。基础设施层看 GPU 利用…

#蚂蚁#Agent#AI Agent 稳定性

面试题·Prompt· 字节

ReAct 架构原理与失败场景

匹配口述回答：…风力生成建议。若工具返回空结果、参数错误或权限拒绝，状态机会选择重试、换工具、请求澄清或安全终止。上线时必须设置最大步数、时间和成本预算，检测重复状态，并对工具做白名单、Schema 校验、权限、幂等和副作用确认。observation 还要限制长度、隔离提示注入并保留来源。另一个常见风险是把不可信的工具返回直接拼进下一轮提示，导致提示注入或状态污染。我会把工具结果解析成受限字段，丢弃未知指令，并用包含正常、超时、重复调用和恶意返回的回放集验证终止率、任务成功率与错误副作…

#字节#百度#Agent

面试题·检索· 美团

RAG 检索器与知识库怎么搭?

匹配口述回答：…告【真实指标】，并带上数据集、硬件、并发和统计窗口。候选召回、排序质量、答案正确性和引用支持率分开测，同时观察 P95/P99 与成本。线上 trace 保存过滤条件、各路候选、融合名次、重排分数、最终上下文和引用，错误才能定位到知识、过滤、召回、排序或生成。索引和模型更新走灰度，异常时回退整套兼容版本，而不是只换回其中一个组件。 RAG本质是给大模型配一个可检索的外部知识库检索器设计：混合检索解决不同场景匹配问题知识库构建：分层和清洗确保数据质量生成集成：引用溯源和拒…

#美团#知识库构建#RAG 检索器设计

面试题·Agent

Agent 项目经历完整复盘

匹配口述回答：…个人贡献。【回答框架】项目面向【真实用户或流程】，原有问题是【可观察现象】，成功指标为【定义、样本和观察窗口】，约束包括【延迟、成本、权限和安全】。我的职责是【本人模块】，团队提供【模型平台、数据、后端或产品能力】。系统从【请求】进入，经【规划或路由】、【工具执行】、【状态更新】、【结果校验】到【返回或人工】，完整链路为【】。【事实填空】实际模型和版本是【】，工具类型与数量是【】，我完成的关键改动是【】。它针对【真实根因】，与【备选方案】比较后选择，真实结果为【】，代价为…

#Agent 项目复盘#任务成功率#Agent 项目经历完整复盘

面试题·评估

RAG 效果差怎么排查？

匹配口述回答：…，模型很难从中提炼正确信息，所以要先确保检索质量再调生成。系统化追踪的话，我会用[[RAGAS]]或者LangSmith跑全链路trace，看每一步的输入输出。但说实话，自动化指标只能筛出明显的问题，真正决定效果上限的是人工bad case分析。我会按检索失败、理解失败、整合失败三类建个分类体系，每个case拆开看。这里我多说一句：很多人一上来就调Embedding模型或者换大模型，其实更常见的问题是分块策略太粗糙。比如固定512字符切分，很容易把一句完整逻辑切散。我倾向…

#检索诊断#生成诊断#RAG 效果诊断

面试题·Prompt· 字节

Agent任务规划:分解与ReAct机制

匹配口述回答：…t 的任务规划可以理解为把一个自然语言目标变成受约束、可观察、能恢复的执行图。入口先把目标写成明确的完成条件，同时补齐权限、时间、成本和风险限制。接着把任务拆成能够由一个工具或一段确定性逻辑完成的步骤，给每一步定义输入、输出、依赖和失败状态；如果步骤之间有分支或循环，我更倾向显式状态机或工作流图，而不是让模型在自由文本里一直规划。执行时，模型可以负责识别意图和选择候选动作，但服务端要校验工具 schema、资源归属与权限。每完成一步都把状态、工具参数、返回值和 trace …

#字节#Agent#Agent 任务规划

面试题·RAG· 百度

RAG 项目指标化复盘

匹配口述回答：…测，每轮固定语料与测试集做消融。项目结果按【评测结果】填写，同时交代 Recall@K 或排序指标、答案支持率、P95/P99、成本和观察窗口，不能用一个“准确率”概括全链路。我还会准备【失败案例】，解释它是知识缺失、过滤、召回、排序还是生成问题，以及对应的拒答、降级或回滚。语料、embedding、索引、reranker、Prompt 和模型都版本化，多租户权限和缓存隔离单独验证。这样面试官追问任何一层，都能回到真实 trace 和实验。 RAG本质是让大模型先查后答，不…

#百度#RAG项目复盘#RAG 项目指标化复盘