匹配正文：…数据集本书每章的完整可运行代码 + 测试样本,都在配套 GitHub 仓库: 🔗 github.com/MisterBooo/rag-from-zero clone后先阅读项目首页的配套代码与运行环境，把零依赖演练与完整模型/API链路分开验证本章的重写 + 扩写 demo(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:重排与检索优化 | 下一章:多轮对话与记忆管理 → | 回到项目首页

#RAG#检索#项目实战

项目实战·RAG

第 9 章:上下文问答与引用溯源

匹配正文：…数据集本书每章的完整可运行代码 + 测试样本,都在配套 GitHub 仓库: 🔗 github.com/MisterBooo/rag-from-zero clone后先阅读项目首页的配套代码与运行环境，把零依赖演练与完整模型/API链路分开验证本章的"带引用 + 会拒答"问答 demo(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:多轮对话与记忆管理 | 下一章:系统评估与上线优化 → | 回到项目首页

#RAG#检索#项目实战

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…区分短期记忆（上下文窗口）与长期记忆（外部存储）的技术路径至少提及2-3种具体架构方案（如Memory Bank、MemGPT、RAG-based Memory）说明记忆检索的关键设计（索引策略、相关性计算、遗忘机制）体现对Agent任务持续性的理解（多轮状态保持、目标追踪）有实际落地考量（延迟、存储成本、一致性）核心思路大模型记忆机制的本质是突破固定上下文窗口的限制，实现信息的跨会话持久化与高效检索。我从三个层面展开：一、架构层：原生上下文扩展长上下文模型 …

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

#得物#Agent#大模型记忆机制

面试题·Agent· 小红书

冷启动新用户怎么推荐?

匹配正文：…D（幻觉风险），而是生成兴趣标签组合或自然语言描述，再经语义索引召回真实item。二、探索-利用的Agent化设计将推荐建模为多轮对话式Agent： State: 当前已知用户信息 + 本轮反馈 Action: 选择探索策略（兴趣试探/社交跟随/热门保底/主动询问） Reward: 点击率 + 满意度信号 + 信息增益（新兴趣维度发现） ε-贪心变体：以p=0.3概率触发"主动询问"动作，用自然语言提问（"你对旅行更感兴趣还是美食？"），答案解析后更新画像 UCB上界修正…

#小红书#Agent#冷启动推荐

面试题·模型微调· 字节

架构与训练怎么提升多轮一致性?

匹配正文：…[滑动窗口: 最近6轮] + [当前query] 窗口溢出时：老轮次送summarizer压缩为1句，存入长期记忆推测解码优化多轮对话中用户意图变化慢，用draft model复用前序hidden state 树状注意力：共享前缀的多个候选回复并行解码关键取舍：超长上下文 vs 显式记忆不是互斥，128K内用原生长上下文，超出的用RAG式记忆检索，两者结合最实用。学习建议建议从对话状态跟踪、上下文压缩、记忆机制等基础概念入手，结合Transformer架构与RLHF…

#字节#模型微调#多轮对话一致性

面试题·RAG· 快手

LLM怎么融入推荐系统？意图理解与生成

匹配正文：…景传统方法 LLM增强搜索推荐关键词匹配语义改写、需求扩展（"平价手机"→"2000元档骁龙机型"）会话推荐序列建模多轮对话理解，捕捉隐性偏好跨域推荐难以迁移利用LLM的通用知识桥接领域gap 落地形式：LLM作为上游模块，输出意图标签或改写后的query，喂给下游精排模型。三、生成式推荐：直接生成结果两条技术路线：生成Item ID：将item ID视为token，用seq2seq生成下一个观看的video ID 优势：统一生成框架，天然支持多任务…

#快手#LLM推荐系统#LLM 推荐系统

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配口述回答：…不会所有流量都走语义重写，而是只对长尾Query或者对话场景做重写，或者用个小模型先过滤一遍。再一个就是对话历史融合，这个在[[RAG]]系统里特别重要。用户多轮对话里经常有指代，比如「它多少钱」，得结合前面的「iPhone 15」才能理解。还有意图漂移，用户先问手机，又问充电器，系统得知道话题变了。做法分两种，一种是显式改写，直接生成一个自包含的Query，比如「iPhone 15多少钱」；另一种是隐式编码，把历史拼接到当前Query里，让模型自己学。这里有个坑：显式改写…

#京东#Query改写#Query 改写

项目实战·Agent

Deep Research Agent

匹配正文：…答强在哪可以改成：在[真实任务集]对比[基线]，记录工具调用、引用支持度和 token，结果为[实测值] 精通 Agent / RAG / 强化学习 / 大模型微调问题：「精通」是大坑词，面试官会追问到你露馅可以改成：我实际负责[模块]，能用[日志 / 实验]解释 ReAct 与[候选方案]的取舍使用强化学习训练 Agent，性能大幅提升问题：哪个指标、提升多少？空泛等于没说可以改成：在[真实数据]上用[训练方法]对比[基线]，按[指标]复核，得到[实测结果与失败…

#项目实战#Deep Research Agent

求职指南·求职

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…"。同一件事,换个写法,一个被划进"背名词",一个被当成"真做过"。坏描述(只堆名词) 好描述(场景+方案+量化+取舍) 熟悉 RAG、向量数据库、Prompt 工程为某领域 300+ 文档搭问答系统,分块用固定窗口试过效果差,改成按标题层级切,召回率提升明显(经验值) 使用 LangChain 实现智能问答检索到"相似但无关"段落导致答错,加了重排 + 查询改写,忠实度靠 80 题评估集验证,而非拿 LangChain 当卖点掌握 Agent 开发、多轮对话做多步…

#求职#职业转型

面试题·项目与经历· 美团

面试反问环节怎么准备?

匹配正文：技术方向类（推荐） "咱们团队在RAG和Agent的结合上有什么探索？比如外卖/到店场景的多轮对话规划" "大模型在美团核心场景（如智能客服、推荐解释）的落地，目前最大的技术瓶颈是推理成本还是效果稳定性？" 团队与协作类 "团队的技术分享和论文跟进机制是怎样的？比如最近有没有跟进DeepSeek-R1或Kimi的long-context工作" "算法和工程团队的协作模式如何？模型上线后的A/B实验和监控体系是怎么设计的" 个人成长类 "对于校招/社招新人，团队有怎样的培养路径…

#面试技巧#职业规划#团队文化

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配正文：…执行Agent、验证Agent 通信机制：消息队列、共享状态、层级协调二、典型应用场景场景核心能力字节相关实践智能客服多轮对话 + 知识库工具调用飞书智能服务台自动化办公文档处理、日程编排、跨系统操作飞书多维表格自动化内容生产素材检索、脚本生成、多模态创作剪映/即梦AI助手代码开发需求理解、代码生成、测试调试豆包MarsCode 三、关键挑战可靠性规划错误：任务拆解不合理导致执行失败工具选择失误：选错API或参数格式错误安全性权限边界…

#字节#Agent#Agent 发展趋势

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配正文：…样本治理：曝光未点击可作为带噪候选，须考虑用户是否看见、位置与反馈延迟；与随机负样本、人工偏好及去偏方案做对照。 3. 系统集成：RAG与Agent的深度融合用户Query → Agent规划（意图识别→工具调用）→ RAG检索实时热点/库存 → 生成式模型融合多源信息 → 交互式澄清（多轮）→ 最终推荐 RAG增强：接入实时笔记池、趋势话题，解决生成内容"过时"问题 Agent协同：支持多轮对话式推荐，主动询问偏好（如"喜欢户外还是室内活动？"），突破单次请求的信息局限 …

#小红书#Agent#生成式推荐系统

面试题·Agent· 蚂蚁

模糊意图怎么补全?

匹配追问：…你做电商客服Agent，用户说‘我想退那个订单’，但没提哪个订单、退多少。你准备怎么识别他到底要退哪个，还缺什么信息？层层追问多轮对话中用户意图不完整你怎么处理？……如果用户前后说了两件不同的事呢？……那你怎么知道该问什么，又不至于问太多让用户烦？直球架构当用户输入模糊或缺失信息时，Agent如何结合上下文、DST、RAG和主动追问来补全意图？请从系统设计角度讲清楚每轮你怎么决策、怎么更新状态、怎么检索知识。

#蚂蚁#Agent#Agent意图补全

面试题·Agent· 百度

Agent 规划记忆工具分工

匹配正文：…思、错误修正、动态调整计划 2. 记忆模块（Memory）类型作用实现方式短期记忆当前对话上下文系统Prompt + 多轮对话历史长期记忆跨会话知识积累向量数据库存储 + RAG检索 3. 工具模块（Tools）扩展LLM能力边界：计算器、搜索引擎、API调用、代码执行器等核心机制：Function Calling，模型输出结构化JSON决定调用哪个工具工具描述需包含：功能说明、参数Schema、返回值格式 4. 行动模块（Action）执行规划结果…

#百度#Agent#Agent 规划记忆工具分工

面试题·评估· 得物

Agent部署关键环节与陷阱

匹配正文：答案要点模型服务化方案选型（vLLM/TGI/自研）与性能优化工具注册发现机制与Schema约束多轮对话状态持久化与Token预算管理任务调度策略（串行/并行/ReAct循环）全链路可观测性（延迟/成功率/成本）降级熔断与重试策略设计 1. 模型服务化层推理引擎：推荐vLLM（PagedAttention+Continuous Batching）或自研，首Token延迟<200ms，吞吐>1000 token/s 部署形态：多副本+负载均衡，GPU与CPU分离部…

#得物#Agent#Agent 系统部署

面试题·评估· 快手

LangChain 关键组件与流程?

匹配正文：…链式组合：通过LCEL（LangChain Expression Language）声明式编排流程状态管理：Memory组件维护多轮对话上下文关键组件组件作用典型场景 Chain 预定义的固定执行流程翻译、摘要等单步任务 Agent 动态决策，自主选择工具和步骤复杂多步推理（ReAct、Plan-and-Execute） Tool 外部能力封装（搜索、计算、API）扩展模型边界 Memory 对话历史管理 Buffer、Summary、Vector三种策略 R…

#快手#评估与监控#Agent

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…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 动态决策：LLM自主决定调用哪个工具、下一步动作多工具协作的复杂任务 Memory 对话历史的存储与注入多轮对话、长期个性化关键集成机制工具绑定（Tools）工具 = 函数签名描述（name/descr…

#快手#评估与监控#Agent

面试题·评估· 安克科技

评估集防泄漏与复现

匹配口述回答：…gent]]或[[RAG]]系统上线前就暴露问题。说白了，评估数据集就是系统的镜子，镜面不平，照出来的全是扭曲的。先说边界划分。RAG和Agent的评估重点完全不同。RAG更关注检索质量，比如召回率、NDCG，还有生成内容是否忠实于检索结果，有没有[[Hallucination]]。Agent则更看重工具调用，比如[[Function Calling]]参数解析对不对、任务规划是否合理、多轮对话状态能不能记住。但真正落地时，两者常常是混合的，比如一个客服系统既有知识库检索又…

#安克科技#评估与监控#Agent

面试题·模型微调· 快手

Agent 系统怎么调优优化?

匹配正文：…"Thought: ... Action: ... Observation: ..."的结构化数据训练，让模型学会推理和行动交替多轮对话数据：模拟真实场景的多轮交互，强化上下文理解和错误恢复能力 2. 强化学习优化结果奖励模型：以任务最终成败作为奖励信号，优化长期决策而非单步贪心过程奖励模型（PRM）：对中间推理步骤打分，解决稀疏奖励问题 DPO/RLHF：人类偏好标注"哪种工具选择更合理"，对齐复杂场景下的决策偏好 3. Prompt与系统层优化动态示例选择（Dyn…

#快手#Agent#Agent 调优

面试题·RAG· 蚂蚁

时间窗口对话系统：约束与取舍

匹配正文：…（如[2024-01-15 09:23] 用户: ...）长上下文模型中，利用NTK-aware插值或YaRN适配时间跨度变化 RAG增强向量检索 + 时间衰减重排：score = semantic_score × exp(-λ·Δt) 避免硬过滤：保留高语义相关但较早的内容作为"背景知识" 用户体验设计渐进式遗忘：非突然截断，而是"我记得您之前问过X，但细节可能需要确认" 显式锚定：允许用户主动标记关键信息突破时间限制（"记住这个"）时效性提示：对可能过期的信息主动…

#蚂蚁#时间窗口对话#时间窗口对话系统

面试题·RAG· 蚂蚁

时间窗口对话管理机制

匹配标题与标签：时间窗口对话管理机制 RAG 系统中基于时间戳的上下文截断与会话起止判断 RAG 蚂蚁会话时间窗口时间窗口对话管理 RAG 上下文截断时间偏移会话蚂蚁

#蚂蚁#会话时间窗口#时间窗口对话管理

面试题·Agent· 淘天

架构 vs 模块 vs 工具集成怎么选?

匹配口述回答：…用是灵活的，但工具之间的状态管理很麻烦。你调完一个API，下一个步骤要不要取前面的结果，这得自己维护上下文。LlamaIndex做RAG很强，但如果你场景不是检索，而是多轮对话或者决策，用它就有点杀鸡用牛刀。AutoGPT就更别提了，我见过一个团队想用AutoGPT做自动化报表，结果跑了半小时，花了上百块token，最后卡在一个循环里出不来。所以选型的前提是：你得先想清楚自己的场景到底要什么。是追求灵活性还是检索精度？是快速原型还是生产级稳定？如果只是搭个demo，Auto…

#淘天#字节#Agent

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配口述回答：…下来，适合那种输入输出很明确的简单场景，比如单轮 QA 或者轻量工具调用。但它的状态是隐式的，跑完就丢，没有持久化。你要是想做一个多轮对话，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 Age…

#淘天#Agent#Agent 框架对比

面试题·Agent· 百度

Agent 系统性能优化陷阱

匹配口述回答：…需要复杂推理时，才调大模型。这样可以大幅降低平均延迟。另外，生成加速我会用投机解码配合 [[KV Cache]] 复用，特别是多轮对话场景，缓存命中率很高，首 token 延迟能压到几百毫秒。这里有个前提：小模型和大模型在意图分类上的准确率要足够接近，否则路由错了，后面全白费。所以上线前我会用业务数据做对齐测试。再一个，外部工具集成。这是最容易出问题的点，因为网络抖动、服务超时、返回格式不对，都会让Agent卡死或乱走。我的方案是超时熔断加重试降级。举个例子，客服退款场…

#百度#Agent#Agent 性能优化