匹配口述回答：…要注意的是，RAG不是向量化就完事了，如果检索结果质量差，生成必然跑偏。所以上线前我会用历史query回放，对比新旧流程的召回率和延迟，通过才切换，不通过就回滚。最后说边界。分块和模型选型没有银弹，固定切分适合日志、代码这种结构简单的，语义切分适合新闻、报告；稠密向量适合语义匹配，稀疏向量比如[[BM25]]适合关键词精确匹配，真正落地常常两者混合。我倾向用[[混合检索]]，把两条路的结果合并再[[重排]]，这样既能抓住语义也能兜底精确匹配。如果面试官追问，我会补充一点：…

#安克科技#RAG 文本向量化#分块策略

面试题·评估· 字节

RAG 为何要二次生成?

匹配口述回答：…说得对、说得通、说得完整”。两者缺一不可，但落地时得根据场景做取舍，比如对时效性要求高的场景，我会更依赖大模型自己的知识，减少检索延迟；对准确性要求高的场景，我会加强检索和重排，甚至做多轮验证。本质：找得到 vs 说得对准确性问题：语义相似不等于事实正确上下文完整性问题：chunk割裂逻辑幻觉控制：约束生成比自由编造安全落地取舍与风险约4分钟让大模型主动判断检索内容是否足够，触发多轮检索，而不是一次检索就定答案面试官可能会追问Self-RAG的具体机制、Age…

#抖音#RAG 二次生成#向量检索 vs 大模型生成

面试题·评估· 淘天

RAG 怎么减少幻觉?

匹配口述回答：…有几个风险我特别关注。一是文档切分策略，[[Chunk]]太大包含无关信息，太小丢失上下文，我倾向用语义切分配合重叠窗口。二是检索延迟，大规模知识库下，[[ANN]]检索可能变慢，需要做索引优化，比如用[[HNSW]]或[[IVF-PQ]]。三是生成质量，检索到的信息可能冗余或冲突，需要Prompt设计或Rerank来整理。另外，单纯RAG处理多跳推理问题比较吃力。比如问'2023年双十一满减规则和去年比有什么变化'，需要先检索2023年规则，再检索2022年规则，然后对比…

← 上一页第 22 / 25 页下一页 →

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…了。这时候我会考虑 [[Agentic RAG]] 或者 [[Self-RAG]]，让模型自己决定要不要再搜、要不要推理。但这个对延迟和稳定性要求高，得根据业务场景权衡。一句话定位：本质是专业场景下的可信生成问题文档处理与索引：双轨策略加图谱检索策略：多路召回加精排重排生成优化：强制引用加约束解码评估与取舍：宁缺毋滥，人工兜底约4分钟如果用户问的是多跳推理问题，简单的 Naive RAG 不够，需要考虑 Agentic RAG 或 Self-RAG，但延迟和稳定…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 淘天

RAG编码模型评估指标与对比

匹配口述回答：…如果文档删除或修改，我不用原地操作，而是软删除加版本号过滤。上线前我一定用一批历史query回放，对比新旧索引的Recall@K和延迟，达标才原子切换，不达标就回滚。所以我会把编码模型看成RAG的入口守门员，它的召回能力决定了整个系统的天花板，而生成模型只是在这个天花板下做文章。 RAG本质是给LLM配外挂知识库编码模型：DPR有监督精度高但贵，Contriever无监督通用但领域弱评估重点：Recall@K，因为生成能容忍噪声但不能漏落地风险：文档更新频繁时索引重建…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 美团

LLM 幻觉治理方法对比

匹配口述回答：…，比如对数字用计算器，对日期查日历，对实体做 [[NER]] 后去知识库核对。但后处理的成本很高，尤其是调用搜索引擎或者 API，延迟会明显增加。所以我会根据场景做取舍：在客服退款这类高准确率要求的场景，我会对关键实体做工具验证；在闲聊场景，我可能只做一次 Self-Consistency 就够了。说到这，其实还有一个方向我最近在关注，就是让模型自己反思，比如 [[Self-RAG]] 或者 [[Chain-of-Verification]]。它让模型先输出，然后自己检查，…

#美团#幻觉治理#LLM 幻觉治理方法对比

面试题·评估· 快手

Chain/Agent/Tool 怎么分工?

匹配口述回答：…还有性能损耗，运行时反射和序列化开销不小。所以我的取舍是，快速原型或者POC用LangChain没问题，但生产环境，尤其是高并发低延迟的场景，我会更倾向自研轻量框架或者用LlamaIndex这样更聚焦的工具。还有一个点是，LangChain的Agent依赖模型本身的推理能力，如果模型不够强，比如小模型，Agent的ReAct循环容易跑偏，这时候我会考虑用更结构化的[[Function Calling]]来约束，或者干脆退化成Chain。所以整体上，我会把LangChain…

#快手#评估与监控#Agent

面试题·评估· 阿里

主流Agent框架优缺点与场景怎么选?

匹配口述回答：…太抽象了，调试起来很痛苦，经常出现一个黑盒一样的Chain，出了问题你得一层层拆。而且性能开销大，到了生产环境你必须大量裁剪，不然延迟和成本都扛不住。所以我的感觉是，LangChain更适合快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，Ll…

#阿里云#评估与监控#Agent

面试题·评估· 快手

LangChain 关键组件与流程?

匹配口述回答：…期用Buffer，长期用Summary，并且定期清理。上线前我会特别关注召回质量，用一组测试query跑一遍，看Recall@K和延迟，不达标就调[[Chunk]]大小或[[重排序]]策略。另外，Agent的决策稳定性是个大问题。有时候同一个问题，Agent两次走的路径不一样，导致答案不一致。我倾向于用 [[Self-RAG]] 让模型自己学会反思，或者加一个[[验证链]]，对Agent的输出做二次校验。所以，LangChain我更倾向看成快速验证想法的工具，而不是生产级…

#快手#评估与监控#Agent

面试题·评估· 淘天

现代RAG架构有哪些改进?

匹配口述回答：…文档，那迭代反而放大错误。我特别关注的是，上线前要压测检索的Recall和Precision，同时控制迭代轮次，一般两轮就够，多了延迟和成本受不了。常见失败场景是迭代检索陷入死循环，模型反复说“还需要查”，这时候得设最大轮次，超时就用默认策略。所以我会把现代RAG看成一种动态决策系统，而不是简单的检索+生成。我更倾向的做法是先用[[Corrective RAG]]做置信度评估，低置信时触发工具扩展或生成降级，同时保留传统流程兜底。另外有个点值得注意，就是这些反思token…

#淘天#评估与监控#RAG架构改进

面试题·评估

RAG 检索语义相似但无关怎么解?

匹配口述回答：…以整体我更倾向把问题分层：先确认是不是query不够精确，再查检索策略有没有覆盖多路，最后看重排能不能兜底。上线我会特别关注重排的延迟和召回率，如果重排模型太大导致延迟超标，我会考虑用更轻量的[[ColBERT]]或者[[蒸馏]]模型。如果业务数据量够大，数据侧微调才是治本。总的来说，我会把这个问题看成是“语义空间和业务空间的对齐问题”，而不仅仅是一个检索召回的问题。落地时，我会优先用重排加混合检索快速止血，同时推动数据侧积累标注，做模型微调。这样既快又稳。问题本质：em…

#Embedding#Rerank#RAG 检索相关性

面试题·评估· 字节

RAG 上下文不准确，如何用数据定位？

匹配口述回答：…风险决定。原文错就修原文，索引不一致就修传播，候选漏了才调检索。修复后在原 bad case、独立测试和相邻切片复验权限、质量、延迟与回滚。冻结身份、数据和全链路版本沿原文到上下文逐层回放开发测试挑战线上集隔离标注绑定原文证据范围修复顺序跟随根因约3分钟上下文诊断必须保存候选到组装的中间证据和版本。可追问索引一致性、权限传播、评测泄漏和反事实定位。

#RAG#上下文诊断#数据质量

面试题·评估· 同花顺

多Agent组件优化策略与架构权衡

匹配口述回答：…、网状、分层。星型适合有中心协调器的场景，比如一个调度Agent分任务给多个执行Agent，管理简单，但中心容易成为瓶颈。网状拓扑延迟最低，适合点对点密集交互，比如多个Agent协同写代码，但连接数一多维护成本爆炸。真正落地我倾向分层拓扑，把Agent按职能分组，组内网状，组间星型。举个例子，客服退款场景里，订单查询Agent和退款执行Agent在同一个业务域内用网状互调，而它们跟外部合规检查Agent之间走星型统一入口。再说序列化。很多项目直接用JSON，但Agent间…

#同花顺#多Agent系统优化#Agent架构优化

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配口述回答：…是当意图识别和外部工具联动时，比如识别到“查库存”意图后触发 [[Function Calling]]，怎么保证调用链路的可靠性和延迟，这个在实际工程里挺有挑战的。总的来说，我把意图识别看成RAG系统的守门员，它做得好，检索和生成才能事半功倍。一句话定位：意图识别是RAG的路由中枢检索准确性：方式选择与查询改写生成质量：上下文筛选与幻觉防控落地风险：前提与常见失败场景工程师取舍：倾向Agentic RAG和轻量级初分约4分钟意图识别与外部工具联动时，如何保证调…

#OPPO#RAG 意图识别#RAG

面试题·评估

RAG效果差：检索vs生成怎么诊断？

匹配口述回答：…多跳推理场景下特别有用，比如用户问“张三在A公司的职位是什么，他后来跳槽去了哪”，一次检索很难覆盖完整信息链。当然这也有代价，就是延迟会明显增加。所以整体上，我会把RAG问题排查看成三步：先用黄金文档锁定责任方，再用指标和人工分析细化根因，最后针对性优化。如果检索和生成单独测都好但合起来差，那就去优化协同，比如改进prompt让模型更关注文档、加文档压缩、或者用动态检索。最怕的就是不看数据，上来就调embedding或者换模型。 RAG效果差，本质是定位哪个环节掉链子黄金…

#检索诊断#生成协同#RAG 效果诊断

面试题·评估

LangChain vs AutoGPT vs MetaGPT 怎么选?

匹配口述回答：…P根本没法预设。比如你做一个电商满减政策计算，不同商家规则差异很大，硬套SOP反而会出错。它的通信开销也大，几个Agent来回聊，延迟很高。所以实际选型，我有个判断：没有银弹。真正落地的项目，往往是混合的。比如客服系统，核心退款流程用LangChain编排，保证可控；同时加一个AutoGPT风格的Agent做异常场景的探索，但限定它的行动步数，超时就人工接管。MetaGPT的模式，我只在生成标准化文档或代码模板时用，而且会简化角色，比如只留架构师和工程师两个角色。其实现在…

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

面试题·评估· 字节

共识算法如何落地多Agent？

匹配口述回答：…适合任务之间耦合度高、需要频繁协商的场景，比如多机器人协作搬东西，每一步都要确认。但缺点也很明显，通信开销大，而且一旦消息丢包或者延迟，整个系统容易卡住。第二类共享记忆，就是大家读写同一个知识库或上下文。好处是状态透明，每个Agent都能看到全局进展，适合信息密集型的任务，比如数据分析。但这里有个坑：如果记忆没有权限控制，敏感信息容易泄露，而且并发写容易冲突。第三类角色分工，就是给每个Agent定好职责，比如规划者、执行者、验证者。这种方式适合流程固定的场景，比如客服退款…

#字节#评估与监控#Agent

面试题·评估· 美团

Agent 基础能力怎么定义?

匹配口述回答：…执行下发派单指令。整个流程分钟级闭环。不过这里有个常见失败场景，就是感知和记忆如果不同步，规划会基于错误信息做决策。比如路况数据延迟了，规划出来的路径就不准。所以上线我会特别关注感知数据的时效性和记忆的一致性，否则整个闭环都会崩。说到这，其实还有一个更前沿的方向，[[Multi-Agent]]协作。不同Agent承担不同能力模块，比如一个专门感知，一个专门规划，但协调机制就变成了新挑战。这个点可能值得深入聊。所以我会把Agent的基础能力看成一套工程化的能力映射，而不是…

#美团#Agent#Agent 基础能力

面试题·评估· 美团

Agent 功能模块怎么分工?

匹配口述回答：…。我会倾向于用基于视觉的方案，比如 [[OCR]] 识别文字位置，再加坐标定位，而不是依赖 DOM 结构，这样鲁棒性更好。但代价是延迟高，而且对截图质量敏感。这三个模块不是孤立的，而是通过 [[Function Calling]] 机制被统一调度。比如一个任务：“查一下北京明天天气，写个提醒脚本，设置到系统日历”，流程就是：Search 查天气 → Coding 写 Python 脚本 → GUI 操作日历 APP。规划模块（比如 [[ReAct]] 循环）根据当前状态决定…

#美团#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：…评估数据集本身也可能引入偏差，比如标注者偏好某些回答风格，这时候可以用[[Self-RAG]]让模型自己反思评估结果，但会带来额外延迟和成本。一句话定位：构建评估数据集本质是模拟真实用户反馈边界划分：RAG与Agent评估的差异，以及RAG vs 微调的适用场景标注策略：三层质量控制与可复现性多样性保障：三维覆盖与量化指标偏差控制：位置、流行度、标注者、模板偏差落地风险与前提：常见失败场景与工程师取舍约4分钟评估数据集本身可能引入偏差，可以用Self-RAG让…

#安克科技#评估与监控#Agent

面试题·模型微调· 高德

Agent 记忆怎么用向量库?

匹配口述回答：…信息，比如用户说‘对的’‘没错’；是否在后续对话被引用；是否跨会话反复提到，这往往是长期偏好。这里有个坑，重排序模型不能太重，否则延迟受不了，我一般用[[Cross-Encoder]]精排前10个候选，或者训练一个小BERT做二分类。其实还有一个挑战是记忆的删除和修改。向量数据库的图索引结构，原地删除非常危险，召回质量会崩。我会用软删除加异步重建，查询时用双缓冲影子索引，构建完用固定query回放对比Recall@K，通过才原子切换。最后说落地风险。前提是Embeddin…

#高德#Agent#向量检索

面试题·模型微调· 美团

向量检索怎么保准又保真?

匹配口述回答：…匹配混合检索：向量+关键词，各有适用场景重排序：从粗到精，用交互模型修正查询改写：让用户输入更匹配索引落地风险：数据分布、延迟、评估闭环约4分钟查询改写时激进扩写会引入噪声，需要先做意图分类，对模糊query改写，精确query保持原样。面试官可能会追问：意图分类怎么做？或者改写策略的具体实现细节，比如同义词库还是模型生成？

#美团#向量检索准确性#向量检索相关性

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配口述回答：…请求，那模型大小和推理速度就是命门。BGE-small才30MB，跑得飞快，但召回率可能差一点；GTE-large一个G，精度高但延迟大。我倾向小模型加加速，比如用ONNX或TensorRT，能压到几毫秒，比直接上大模型划算。如果预算够，也可以用云端API，但注意数据隐私，有些公司不允许文档出域。领域适配也是个坑。通用场景直接拿开源模型就行，但垂直领域像医疗或法律，你得检查模型在术语上的编码质量。比如一个医疗诊断系统，'心肌梗死'和'心绞痛'的向量距离如果太近，召回就乱。前…

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 百度

RAG 端到端工作流程

匹配口述回答：…不过 RAG 也有前提和风险。知识库本身的质量决定天花板，如果文档本身有错、过期、或者切分不合理，检索结果就会带偏模型。另外，检索延迟和精度要平衡，Top-K 取太多会让 Prompt 过长，影响模型推理速度和效果。上线我会特别关注 [[RAGAS]] 评估指标，比如上下文精度和召回率，定期用一批标注 query 做回归。还有一个进阶方向是 [[Self-RAG]]，让模型在生成过程中自己判断是否需要检索、检索结果是否可信，而不是每次都无脑拼接。这能进一步减少噪声引入，但实…

#百度#RAG 端到端工作流程#RAG 从查询到答案怎么工作？完整流程与可靠性边界