匹配正文：…的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似度（ANN）精确匹配、范围查询、聚合计算适用场景 "找相似内容" "找I…

#安克科技#混合知识库存储#向量数据库

求职指南·RAG

RAG 评测集与 bad case项目模拟面试

匹配正文：…态变化。端到端组件、数据流和每层输入输出关键接口与约束如何影响设计下一步：tradeoff。配套学习：评测数据集怎么选?、大模型任务表现差怎么排查？。 4. tradeoff · tradeoff 哪些指标自动计算，哪些必须人工或模型评审？为什么不只用一个端到端正确率？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：自动 vs 人工评价怎么选?、大模型应…

#模拟面试#简历项目#连续追问

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…既有产品条款 PDF,也有培训 PPT、内部制度 Word 和录播视频字幕。如果第一版直接把"这款产品的现金价值怎么算"丢给通用大模型,模型可能给出一套读起来很专业、但在资料里找不到依据的公式。这正是大模型最危险的地方之一:没有依据时,它仍可能生成流畅而笃定的答案。在事实问答里,这样的输出必须被检索、引用和拒答机制约束。这件事用一张图就能说清:直接问模型是"闭卷考试",上了 RAG 是"开卷考试"。闭卷 vs 开卷 3 个核心概念(先白话,再术语) 概念 1:什么是…

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

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…再按岗位深度补微调、评估和推理部署。作者:吴师兄 | 适合:正在纠结投应用岗还是算法岗的工程师、研究生、后端开发 | 前置:知道大模型基本概念,但不确定职业入口一句话分清:一个做模型,一个做系统算法岗更靠近模型训练和模型能力本身,应用开发岗更靠近业务系统和用户结果。两者都重要,但日常问题完全不同。维度大模型算法岗大模型应用开发岗核心产出更好的模型、训练策略、评估方法可上线的大模型应用、RAG/Agent 系统、业务流程自动化日常关键词 SFT、DPO、RL…

#求职#职业转型

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…做的,对应工程系统里的哪些职责? 教学函数对应工程系统的候选模块你写的 build_index = 字节、阿里、各家保险/医疗 RAG 里离线建库环节的入门版(它们会换成向量库 + 倒排索引); 你写的 retrieve = 工程系统的检索召回职责(可选向量检索、BM25 与重排,是否组合需评估); 你写的 assemble_context + answer = 上下文拼接 + 生成模块(换成 Prompt 工程 + 引用溯源 + 真·大模型)。顺便注意:输出里核辐射 …

#RAG#检索#项目实战

求职指南·求职

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：转大模型应用开发,不用把深度学习从头学一遍,真正要吃透的是一小批"每天做工程决策都会碰到"的概念:Token、上下文窗口、温度、Embedding、向量检索、RAG、Agent、评估指标这些。标准不是能背定义,而是能一句话讲清、还能说出它影响哪个工程取舍。这篇给你一张核心概念清单和"懂到什么程度"的可操作标准。作者:吴师兄 | 适合:准备转大模型应用开发、想知道概念地基要打到多深的人 | 前置:知道应用岗和算法岗的区别,不需要机器学习背景到底要懂哪些概念:一张清单表先给…

#求职#职业转型

求职指南·求职

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…戳穿了——你讲不出检索链路、讲不出评估方法、讲不出 Prompt 迭代过程,因为你根本没做过。而且这种「露馅」比诚实写「我是后端,大模型项目做了一个 RAG demo」还糟糕,前者让面试官觉得你在注水,信任直接归零。正确做法不是改标题,是真的做一个能讲透全链路的大模型项目,哪怕小,但每一环你都能被追问到底。存量的后端项目保留原样,作为「工程能力过硬」的佐证,而不是伪装成 AI 项目。不同起点怎么规划:在校后端方向 vs 工作三年的后端同样是后端底子,应届和在职的转型路径…

#求职#职业转型

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：大模型简历的核心不是堆名词,而是让每个项目从三个维度都立得住:工程维度(你搭了什么)、业务维度(为谁解决什么)、结果维度(用什么指标证明有效)。三维齐全、数字可追问,面试官才信你真做过,一面才不会穿。反过来,只写"熟悉 RAG / Agent / LangChain"而没有一个场景、一个数字,HR 和面试官都无法判断你是做过还是背过,直接归到"背名词"那一档。作者:吴师兄 | 适合:准备投大模型岗、卡在项目怎么写的在校生和转行后端 | 前置:手上已有或正在做一个 RAG /…

#求职#职业转型

求职指南·求职

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…熟悉 LangChain / LlamaIndex 等框架」用过其一即可,更看重你知道框架替你做了什么用框架重写一遍你的最小 RAG 「熟悉 Function Calling / ReAct / MCP」 Agent 岗核心项,会追问实现细节 MCP 入门、工具调用「熟悉大模型微调」应用岗通常只考 LoRA/SFT 概念与「何时微调 vs 何时 RAG」题库「模型微调」模块的判断类真题「熟悉推理优化(vLLM、量化、KV Cache)」部署方向核心项,其他方向是…

#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：大模型八股不该盲背。每个方向面试官真正想验证的东西是固定的:RAG 验证你懂不懂检索链路的取舍,Agent 验证你能不能让多步流程稳定跑,评估验证你怎么证明"效果好"。你按"这个方向想验证什么 → 先看哪个教程/项目 → 代表题型 → 项目里怎么体现"这套结构去准备,比刷一百道零散题有效得多。这一篇是按方向的考点地图,帮你搭准备框架;逐题答案和口语讲法在题库里刷。作者:吴师兄 | 适合:准备大模型面试、想按方向系统过考点的人 | 前置:看过技术栈全景、选好了主线方向本篇和…

#求职#职业转型

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：…的站内深挖章节过一遍。题目考察重点站内承接设计一个企业知识库问答系统(RAG) 切块/检索/重排、防幻觉、引用、评估闭环 RAG 系统怎么从零搭起设计一个多步 Agent / 工作流(如深度调研助手) 任务拆解、工具调用、记忆、循环终止、失败重试 Deep Research 这类 Agent 怎么设计设计一个高并发大模型推理服务批处理、KV Cache、并发调度、显存、限流降级服务化章和推理优化题库设计一个带评估的内容审核/分类系统 Prompt 分类 …

#求职#职业转型

面试题·Agent· 淘天

架构 vs 模块 vs 工具集成怎么选?

匹配正文：… 索引驱动（Index/Query Engine）+ 代理层自主目标分解 + 执行循环设计哲学 "可组合"——像搭积木一样拼装LLM应用 "检索增强"——让LLM更好地连接外部数据 "自主代理"——模拟人类自主决策模块化高度模块化，组件丰富但学习曲线陡模块化适中，RAG相关组件深度优化模块化较弱，偏向端到端黑盒关键能力拆解工具集成 LangChain：通过@tool装饰器或BaseTool基类注册，支持同步/异步，但工具间状态管理较复杂 LlamaIndex：…

#淘天#字节#Agent

面试题·Agent· 阿里

Agent 中 RAG 瓶颈怎么破?

匹配正文：…p-10）→ 重排序（仅对关键查询启用）异步预检索：用户输入时预测意图，提前触发检索流混合路由：FAQ类走规则/缓存，开放域走RAG 上下文优化动态压缩：根据相关性分数剪枝，保留关键段落；使用摘要模型生成"记忆卡片" 结构化注入：检索结果转为Markdown表格/JSON，降低模型解析负担 Agent工程优化检索决策前置：LLM先判断"是否需要检索"，减少无效调用结果缓存分层：Embedding结果缓存（小时级）vs 生成结果缓存（会话级）失败降级链：检索超时→用…

#阿里云#Agent#Agent RAG 瓶颈

面试题·Agent· 高德

多智能体系统 vs 单一 Agent 怎么选?

匹配正文：…Agent独立决策，无全局控制交互性：通过通信协议交换信息、协商任务协作性：通过分工合作完成单Agent无法胜任的复杂任务多LLM Agent vs 单一Agent的优势维度单Agent 多Agent协作任务处理能力串行处理，上下文易爆炸并行分解，子Agent专注子任务专业化程度通用但浅角色定制（规划者/执行者/验证者），深度专业化系统韧性单点故障某Agent失效可动态重分配涌现能力无群体智能，创意组合（如辩论、模拟） LLM特性加持：自然语…

#高德#Agent#多智能体系统

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：… Agent决策层 ReAct多轮迭代、工具调用链过长、LLM推理本身设置最大迭代阈值；并行化独立工具调用；用小模型做意图路由，大模型仅做最终生成编排开销服务间RPC、序列化、状态同步同机部署检索与推理服务；用共享内存替代网络传输；流式返回部分结果关键技巧：在阿里云场景下，利用函数计算FC的预留实例预热向量库，结合ARMS做全链路追踪定位瓶颈。二、结果正确率的成因与优化核心矛盾：Agent的"动态性" vs RAG的"静态性" 检索噪声：Agent任务漂移导致Q…

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配正文：四大框架核心定位框架核心定位设计哲学 LangChain 通用LLM应用编排模块化链式组合 LlamaIndex 检索增强型Agent 数据索引优先 AutoGPT 自主决策Agent 目标驱动循环 LangGraph 复杂状态流Agent 图结构状态机关键维度对比 1. 架构设计 LangChain：Chain为核心，线性/分支结构，通过LCEL语法糖组合 LlamaIndex：QueryEngine封装检索+生成，Agent是AgentRunner包装器 Aut…

#淘天#Agent#Agent 框架对比

面试题·评估· 美团

RAG 缓解幻觉的机制

匹配正文：RAG缓解幻觉的核心机制大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"：检索阶段：将用户查询向量化，从知识库召回Top-K相关文档增强阶段：将检索结果与原始查询拼接，构建增强提示生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中实际系统实现机制组件关键设计 Embedding模型领域适配（如用BGE、GTE替换通用模型）向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：答案要点区分传统搜索与大模型搜索的本质差异（语义理解 vs 关键词匹配）阐述RAG核心架构（检索+生成）及关键模块说明混合检索策略（向量+稀疏+图谱）分析大模型在搜索中的具体应用环节（改写、摘要、问答）指出落地挑战（延迟、幻觉、成本、数据更新）核心方案：RAG驱动的智能搜索大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。技术架构层级功能大模型作用查询理解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：… 识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品的价格"→补全具体产品名）多跳拆解 "A和B哪个更好"→拆分为两个子查询分别检索时效判断识别…

#OPPO#RAG 意图识别#RAG

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配正文：答案要点能清晰区分三类框架的核心定位（编排层vs自主执行vs多智能体协作）准确描述各框架的架构特点（链式编排、目标驱动、SOP角色化）能结合实际场景说明选型依据指出各框架的关键局限（LangChain过度抽象、AutoGPT幻觉循环、MetaGPT复杂场景适配）三类框架核心定位框架核心定位本质区别 LangChain 编排工具链开发者显式定义流程 AutoGPT 自主执行体大模型自主决策循环 MetaGPT 多智能体协作模拟软件公司SOP分工关键差异对…

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

面试题·评估· 安克科技

RAG 问答金标构建

匹配正文：…型/总结型） 3. 真实用户日志挖掘从生产环境脱敏后的query中采样需配合人工清洗过滤噪声 4. 混合策略（推荐） 70% LLM生成 + 20% 真实日志 + 10% 人工设计对抗样本答案标注流程 Step 1: 候选答案生成使用多个不同RAG系统并行生成答案保留答案分布的多样性 Step 2: 多轮人工校验第一轮：标注员独立标注（3人）第二轮：分歧案例仲裁（专家介入）第三轮：溯源检查（答案是否能在文档中找到依据） Step 3: 置信度打分高置信：3人…

#安克科技#评估与监控#RAG 问答金标构建

面试题·评估· 美团

Coding vs GUI vs Search 谁先落地?

匹配标题与标签：Coding vs GUI vs Search 谁先落地? Agent 三种能力的技术成熟度、场景广度与工程难度对比评估美团 Agent Agent 能力对比 Coding GUI Search 落地大模型 Agent 技术成熟度美团

#美团#Agent#Agent 能力对比

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：…性核心选型维度 1. 语义能力与任务匹配区分度：同类文档能否拉开向量距离（如BGE、GTE在中文场景表现好）粒度匹配：句子级vs段落级检索，长文本需用支持长上下文的模型（如M3E、BGE-large支持512-8192 tokens） 2. 语言覆盖纯中文：BGE、GTE、M3E等国产模型更优多语言/跨语言：OpenAI text-embedding-3、E5-mistral等多语言模型代码检索：需CodeBERT、CodeT5等专用模型 3. 效率与成本模型大…

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 字节

RAG 工作原理与架构怎么搭?

匹配正文：答案要点 RAG核心流程：索引-检索-生成三阶段向量检索与语义匹配原理关键优化技术（分块策略、重排序、混合检索） RAG vs 微调的选择场景实际落地中的挑战与解决方案一、RAG核心工作原理 RAG = 检索（Retrieval）+ 生成（Generation），解决大模型知识时效性和幻觉问题。三阶段流程：索引阶段：文档切分 → Embedding编码 → 向量数据库入库检索阶段：用户Query向量化 → 相似度搜索 → Top-K召回生成阶段：Query +…

#字节#RAG 系统架构#RAG 工作原理