匹配正文：…图）的核心思想和适用场景掌握1-2种代表性算法的细节（如HNSW、PQ、LSH）理解各方法的时空复杂度权衡能结合实际场景（如RAG中的百万/十亿级检索）给出选型建议了解工业界的优化手段（如乘积量化+图索引的混合方案）向量相似度检索的核心矛盾是精确性与效率的权衡。高维空间下精确最近邻复杂度O(n)，必须依赖近似最近邻（ANN）算法。四大范式如下：一、基于树结构：空间划分思想代表算法：KD-Tree、Ball Tree、Annoy（随机投影树）核心思想：递归划分空…

#百度#ANN索引#向量检索方法

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：…bedding将文本映射到语义空间相似性通过距离度量（余弦/欧氏）计算 ANN算法加速大规模检索倒排索引或图索引优化查询效率 RAG中用于召回相关文档核心原理 Embedding语义映射文本通过预训练模型（如BGE、M3E、OpenAI的text-embedding）编码为固定维度的稠密向量语义相近的文本在向量空间中距离更近，这是检索有效性的基础相似性度量余弦相似度：最常用，关注方向一致性，对向量长度不敏感欧氏距离：关注绝对距离，适合归一化后的向量点积：计算…

#美团#Embedding检索#Embedding 相似性检索

面试题·模型架构· 得物

大模型面临哪些核心挑战?

你们业务中幻觉问题具体怎么解决的，有没有做事实性校验的pipeline 长上下文场景下你们怎么权衡成本和效果，有没有试过RAG+长文本的混合方案推理延迟要求很严的话，你们量化方案选的是哪种，有没有做投机解码场景切入假设你在做一个实时客服机器人，用户问一句你就要立刻回一句，不能卡顿。你手头有个千亿参数的模型，怎么让它跑得快又不炸显存？层层追问大模型落地主要有哪些瓶颈？……那推理延迟怎么优化？……还有幻觉问题，你遇到过吗？怎么解决的？……长上下文呢，比如处理一份几十页的…

← 上一页第 22 / 24 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

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

匹配追问：

#计算效率#幻觉问题#长上下文

面试题·推理优化· 得物

超长上下文怎么处理?

匹配追问：…段信息？……稀疏/分布式注意力解决什么？……KV、显存与目标长度评测怎样约束选型？直球技术请从位置插值/缩放与继续训练、分块/RAG、稀疏或块式注意力、分布式容量四层说明长上下文方案，并区分外推、有效利用和系统可承载长度。

#长上下文#位置编码#稀疏注意力

面试题·评估· 字节

LLM 幻觉与安全风险怎么缓解?

匹配口述回答：…此需要分层数据和独立安全回归。知识密集任务要把答案连接到证据。检索可返回最新文档，计算器、代码执行或数据库可处理确定性事实，但 RAG 不是自动真实。检索可能漏证据，模型可能忽略上下文，文档还可能包含提示注入。系统应区分指令与不可信内容，校验引用是否真的支持对应断言，工具采用最小权限、参数白名单、超时和审计，高风险动作需要确认。【完整展开】解码只能改变候选分布。降低温度或约束 JSON 能提高复现性和格式通过率，不能把错误知识变正确。Contrastive Decodi…

#幻觉检测#内容安全#RLHF

面试题·项目与经历· 360

扫描PDF怎么解析内容?

匹配追问：如何处理复杂表格和跨页表格的识别与还原如果OCR结果存在大量噪声，如何在RAG检索阶段保证召回质量多模态大模型（如Qwen-VL、GPT-4V）与传统OCR方案如何取舍或结合场景切入假设我们公司最近在做合同审核的自动化，用户上传的扫描件PDF纯图像，没有任何文字层。你作为技术负责人，会怎么设计流程把这些PDF里的内容解析出来？层层追问你平时处理过PDF文档吗？……如果是扫描件那种图像PDF呢？……那从图像里提取文字你会用什么技术？……提取完文字之后，怎么知道哪些是…

#文档智能#OCR#版面分析

面试题·项目与经历· 商汤科技

实习项目业务场景怎么讲?

匹配口述回答：…说明规则为何覆盖不了长尾、检索是否能提供实时知识、生成是否真的必要。若只需要确定字段，可优先规则或分类模型；若知识频繁变化，可用 RAG；若需要稳定遵循某种回复格式和行为，再考虑 SFT。SFT 常用示范数据做 next-token 训练，它能适配任务分布，但不保证新增事实知识或普遍提升推理。【完整展开】行动部分按证据链描述。数据侧说明来源、许可、切分、防泄漏和质量检查；模型侧给出基线、候选方案、固定评测集与消融；系统侧说明检索、模型、规则、人工和外部工具各自边界；上线侧…

#业务理解#需求分析#技术选型

面试题·多模态· 得物

多模态异构数据怎么统一存储?

匹配追问：…粒度不一致（如一张图对应多段描述），如何解决检索时的歧义问题？在十亿级多模态数据规模下，向量索引如何设计才能保证实时性？多模态RAG中，如何决定何时融合、何时分别检索？场景切入假设要建设一个同时支持文本查图、图片查音频的多模态资料库。你会怎样保存原始资产、版本化各模态 embedding，并选择统一索引或独立索引加后融合？层层追问原始文本、图像和音频分别存在哪里？……不同 encoder 的向量能直接比较吗？……若不能，怎样训练共享空间或做分数校准？……模型升级时…

#多模态融合#特征对齐#向量数据库

面试题·项目与经历· 美团、小红书

自我介绍怎么突出大模型?

匹配口述回答：…生产经验。技术专长只保留能画架构、解释失败和回答细节的内容。【完整展开】岗位匹配来自公开 JD、招聘页面和面试沟通。若岗位重 RAG，可突出知识覆盖、检索评测和引用验证；若重训练，可讲数据、损失、分布式与评测；若重推理，可讲硬件、并发、延迟和成本。不能因为岗位写了 RLHF 就临时添加不存在的 PPO 项目，也不要猜公司内部正在做什么。兴趣部分给出具体问题和真实学习证据，例如复现过【公开论文或开源项目】、完成过【课程或实验】，同时说明尚未覆盖的边界。结果数字附带基线、分…

#自我介绍#面试技巧#背景匹配

面试题·Agent· 同花顺

Agent 实现 AGI 面临哪些挑战?

匹配口述回答：…完了就完了，不会真的更新自己的能力。记忆系统停留在存储-检索，缺乏抽象和整合。如果面试官感兴趣，我可以展开说说怎么用[[Self-RAG]]或者[[Reflexion]]让Agent从错误中学习。所以我的判断是，AGI级别的Agent需要架构层面的突破，不是单纯靠Scaling能解决的。我更务实的看法是，未来五到十年，应该是专业Agent集群加人机协同的路线，而不是追求单体的完全自主。本质差距：窄Agent与通用Agent的鸿沟规划推理的脆弱性：长程任务和元认知缺失工…

#同花顺#Agent#Agent AGI 挑战

面试题·Agent· 字节

Agent 长期记忆存储结构

匹配口述回答：…平衡压缩率与召回质量。面试官可能会追问：具体怎么衡量信息损失？有没有做过对比实验？或者有没有更好的压缩策略，比如用[[Self-RAG]]让模型自己判断该保留什么？

#字节#蚂蚁#向量检索

面试题·Agent· 百度

Function Calling 消息流

匹配口述回答：…要清楚，模型不负责执行，只负责决策。和相邻方案比，它的适用场景很明确。如果模型只是需要补充知识，比如回答一个事实性问题，那用[[RAG]]去检索文档库就够。但如果模型需要完成一个动作，比如查天气、订票、操作数据库，那就必须靠Function Calling。[[Agent]]系统里它又是核心，因为Agent需要感知外部世界、执行行动、做复杂规划。但真正落地的时候，往往不是单一方案，比如智能客服，既需要RAG查知识库答复客户，又需要Function Calling去查物流、取…

#百度#Agent#Function Calling 消息流

面试题·Agent· 高德

ReAct 框架核心优势在哪?

匹配口述回答：…步都先想清楚要干什么，然后去查或算，拿到结果再接着想。但真正落地的时候，我很少只用 ReAct 一种，比如很多场景我还会配合 [[RAG]] 一起用，RAG 负责检索静态知识，ReAct 负责动态交互和工具编排，各有各的适用场景。举个例子，客服退款场景。用户说“我买了个东西，但商家说满减政策变了，少退了50块”。纯 CoT 的话，模型只能根据训练数据猜测，很可能给出错误解释。用 ReAct 呢，模型会先 Thought：我需要查最新的满减政策。Action：调用政策查询接口…

#高德#Agent#ReAct 框架

面试题·Agent· 高德

多智能体系统 vs 单一 Agent 怎么选?

匹配口述回答：…nt里某个Agent出问题，任务可以动态重分配给别的Agent，系统不会完全瘫掉。举个例子，像企业客服场景。传统做法是用一个[[RAG]]加一个LLM，用户问退款政策，模型去查知识库然后回复。但遇到复杂问题，比如订单异常同时涉及库存和价格，单Agent要么答不全要么上下文爆炸。多Agent怎么做？我见过一个架构：一个主管Agent先理解用户意图，然后派一个订单Agent查订单状态，一个库存Agent查库存，一个价格Agent查价格，最后汇总给回复Agent生成答案。每个Ag…

#高德#Agent#多智能体系统

面试题·Agent· 蚂蚁

Agent 系统哪个模块最不稳定?

匹配口述回答：…失败时直接切规则引擎，而不是简单重试。不过说实话，这些方案都是事后补救。我更倾向从系统设计层面提前规避，比如引入 [[Self-RAG]] 让模型自己学会反思，或者用 [[Reflexion]] 机制让Agent在每步执行后自我校验。但这又会引入额外的延迟开销，所以怎么平衡可靠性和实时性，是个值得深挖的问题。一句话定位：本质是LLM开放生成与确定性执行的矛盾规划模块：意图漂移和无限循环是最大风险工具调用：参数解析脆弱，JSON格式和语义错配常见记忆模块：检索噪声复利…

#蚂蚁#Agent#Agent 稳定性

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配口述回答：…：上下文长度受限。一旦任务链太长，模型会遗忘前面的信息，所以真正落地时，我一般会搭配短期工作记忆和长期向量记忆，用 [[Self-RAG]] 让模型自己学会反思，但核心还是控制单次任务的范围。再来说多智能体。当任务需要多个领域专家协作时，单智能体就撑不住了。比如软件开发，需要产品经理、架构师、开发、测试四个角色一起干活，你没法让一个Agent既写代码又做测试。这时候我会用层级式架构，一个Orchestrator Agent负责调度，下面挂 Planning Agent、Co…

#百度#Agent#Single-Agent 设计

面试题·Agent· 高德

多 Agent 协作复杂度

匹配口述回答：…单会吓死人。这里其实有个值得深挖的点：多Agent的幻觉传播问题，本质上和人类团队里谣言扩散很像。我最近在看一些用[[Self-RAG]]或者[[Chain-of-Verification]]做内部校验的方案，每个Agent输出前先自我验证一遍，能显著降低污染。但代价是延迟和token成本更高，怎么权衡是个开放问题。所以我的判断是：多Agent本质是用系统复杂性换取能力边界突破。如果任务链条短、领域聚焦，单Agent更稳。如果任务明确可拆分、需要多角色协作，那多Agent…

#高德#Agent#多 Agent 协作复杂度

面试题·Agent· 美团

Function Calling 怎么解析用户指令?

匹配口述回答：…分类任务；再抽取具体参数，这更像生成任务。这里有个边界划分的问题。很多人会把 [[Function Calling]] 和 [[RAG]] 或者 [[Agent]] 搞混。RAG 解决的是知识缺失，比如客服查政策文档；Agent 解决的是多步推理和工具编排，比如出差订酒店机票需要调多个 API。而 Function Calling 解决的是“一句话触发一个精确动作”，比如用户说“帮我查明天北京天气”，直接映射到天气 API。真正落地时，它们经常混着用：先用 RAG 检索知识…

#美团#Agent#Function Calling 原理

面试题·Agent· 百度

多 Agent 协同为什么必要?

匹配口述回答：…身很简单，或者子任务之间耦合太紧密，强行拆成多Agent反而引入通信开销和一致性难题。比如一个简单的FAQ问答，单Agent加[[RAG]]就够，拆成两个Agent反而慢。所以我的判断是：只有当任务存在正交的职责边界且需要持续协作时，才引入多Agent复杂度。否则我会倾向先用单Agent加工具调用试试，不行再拆。总结一下，我会把多Agent看作一种系统架构模式，核心是职责分离和容错，但前提是边界清晰、契约严谨。上线后我会特别关注Agent之间的超时和重试策略，以及状态一致性…

#百度#Agent#多 Agent 协同

面试题·Agent· 字节

工具集设计关键因素?

匹配口述回答：…，这样模型能回顾自己做过什么，方便多轮规划。还有一个有意思的点，当工具数量超过几十个时，模型选工具会变得困难，这时候需要引入[[RAG]]来检索工具描述，而不是让模型从所有工具里硬选。这块其实涉及工具库的索引和检索质量，值得深入聊。所以整体上，我会把工具集设计看成是给模型搭脚手架，既要让模型够得着，又不能让它摔下来。上线前我会特别关注错误处理的覆盖率，比如所有工具调用失败后的兜底逻辑，以及安全隔离的完善度。工具集设计本质是平衡问题工具粒度：原子与组合的取舍描述清晰度…

#字节#Agent#Agent 工具集设计

面试题·Agent· 美团

Agent 主流架构怎么选?

匹配口述回答：…了重来。但反思不是白送的，它多一次LLM调用，延迟和成本都在涨，得看场景值不值得。其实现在还有一个趋势，就是把Agent和 [[RAG]] 结合起来，叫[[Agentic RAG]]。Agent负责规划查询策略，RAG负责检索，比单纯用Agent调工具更灵活。但这里有个前提：检索的准确度要高，不然Agent拿到错误信息会越跑越偏。所以我的整体判断是：没有银弹，只有场景匹配。ReAct灵活但慢，Plan-and-Execute快但僵，Multi-Agent强但复杂。我更倾向…

#美团#Agent#Agent 架构设计

面试题·Agent· 美团

Agent 必备基础能力有哪些?

匹配口述回答：…、工具调用、记忆，但真正让它们生效的是协作循环和反思机制。面试官如果感兴趣，我可以再聊聊多Agent协作或者如何用 [[Self-RAG]] 让模型自己学会反思。一句话定位：这道题本质考的是Agent在真实落地中如何组织能力感知和记忆：数据入口与缓存，边界在哪里规划与工具调用：ReAct循环和反思机制协作关系：以订单异常处理为例串起来落地风险与取舍：别把Agent当神，要防死循环和幻觉约4分钟 Agent落地中常见的失败场景是规划死循环或工具返回导致幻觉，需要加步…

#美团#Agent#Agent 基础能力

面试题·Agent· 美团

哪类 Agent 最易大规模落地?

匹配口述回答：…速器，而不是万能钥匙。它最适合那些重复、规则明确的场景，而且需要和其他方案配合。如果面试官感兴趣，我们可以聊聊这个Agent和[[RAG]]方案怎么结合，比如用RAG从文档里提取规则来配置工作流。这道题本质在问哪个赛道离钱最近、技术最稳我的判断：任务自动化Agent，尤其企业内部垂直场景三个维度：技术可行、需求刚性、成本可控具体场景：商家运营自动化，配合其他Agent一起用风险与前提：场景边界要清晰，数据质量要保证约4分钟任务自动化Agent和RAG方案结合，用…

#美团#Agent#AI Agent 商业化

面试题·评估· 高德

高并发 Agent 延迟卡在哪?

匹配口述回答：…标。召回阶段：多级索引与量化取舍生成阶段：投机解码与批处理架构解耦与降级兜底监控指标与落地风险约4分钟 Agentic RAG 在降低无效召回与引入决策延迟之间的平衡问题面试官可能会追问 Agentic RAG 的具体实现、决策延迟如何衡量、以及与传统 pipeline 的优劣对比

#高德#Agent#Agent 系统延迟优化