匹配口述回答：…其实还有一个更前沿的方向，就是让模型在训练时就学会规划，比如用[[Tree-of-Thoughts]]数据做[[SFT]]，但这对数据质量和计算资源要求很高，落地时我会先评估收益是否值得。所以我的结论是，基础模型为Agent优化不是堆功能，而是在结构化、工具感知、课程训练和标准化输出之间做取舍。我更倾向先做好格式标准化和工具感知，再逐步引入强化学习，而不是一上来就端到端训练。一句话定位：基础模型如何为Agent定制架构优化：结构化输出与工具感知训练目标：从规划到执行的…

#得物#Agent#Agent 大模型优化

面试题·Agent· 小米

Agent 训练数据怎么获取?

匹配口述回答：…一定要在真实环境做小流量验证，看指标有没有掉。总的来说，我更倾向于把数据获取看成一条动态管线，不同阶段用不同策略，而且永远保持对数据质量的敬畏。一句话定位：Agent训练数据的核心矛盾合成数据：冷启动的工程化方法人类反馈：对齐真实需求的代价环境交互：闭环迭代的关键策略选择与风险约4分钟利用Agent自身的反思机制自动生成纠错数据，实现自我进化面试官可能会追问具体怎么实现反思机制，比如Self-Relfine或Chain-of-Verification的技术细…

#小米#Agent#Agent 训练数据

面试题·Agent· 美团

哪类 Agent 最易大规模落地?

…注一个前提：场景边界要足够清晰，流程步骤要稳定。如果企业流程本身三天两头变，Agent就得频繁改配置，维护成本会很高。另一个风险是数据质量，API返回的字段格式不一致，或者SOP文档有歧义，Agent就容易出错。所以我会先挑流程最固化、数据最规整的场景切入，比如财务对账或者库存同步。所以整体上，我更倾向把任务自动化Agent看成企业数字化转型的加速器，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[[…

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

匹配口述回答：

#美团#Agent#AI Agent 商业化

面试题·文档处理· 京东

Chunking 策略怎么平衡上下文与精度?

匹配口述回答：…体关系。所以，我会先比较递归分块、结构分块和不同重叠窗口，再根据bad case判断是否需要语义分块或Agentic分块。前提是数据质量过关，边界清晰，否则再花哨的策略也救不了。一句话定位：分块本质是上下文完整性和检索精确性的平衡边界划分与策略选择：固定长度 vs 语义分块，递归分块+重叠是起步标配业务场景举例：企业合规文档检索，段落边界和重叠策略的实际应用落地风险与前提：embedding长度限制、LLM上下文窗口、评估驱动迭代工程师判断收尾：倾向递归分块起步，…

#京东#RAG Chunking 策略#文本分块最佳实践

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：…地动图索引，召回率会崩，我会用软删除加异步重建。所以整体上，我更倾向把知识库搭建看作一个持续调优的过程，而不是一次性工程。前提是数据质量要过关，如果源文档噪声太大，后面所有环节都会打折扣。常见失败场景就是预处理没做好，导致检索结果一堆垃圾，用户直接弃用。上线后我会特别关注Recall@K和延迟的监控，定期做bad case分析。定位：RAG知识库搭建本质是质量与延迟的平衡预处理：格式解析与元数据，扫描件OCR的坑分块：固定长度与语义切分的适用边界，重叠窗口向量化与索…

#美团#RAG 知识库搭建#文档预处理

面试题·评估· 字节

子任务价值怎么归因?

匹配口述回答：…向于把子任务评估看成一套组合拳，而不是单一方法。边界划分很清楚：小规模在线场景用塑形，大规模离线数据用因果，混合架构做兜底。前提是数据质量要够，不然因果推断会引入偏差。常见失败场景是只堆方法不看场景，比如数据稀疏时硬上因果，结果方差太大。本质是信用分配问题奖励塑形：势能奖励与动态权重因果推断：反事实评估与混淆控制状态价值分解：Option框架与UVFA 混合架构与落地风险约4分钟在线环境中因果图可能随时间漂移，需要结合在线A/B测试和时序因果模型保证推断时效性面…

#字节#百度#评估与监控

面试题·评估· 美团

Agent 训练链路怎么搭建?

匹配口述回答：…准，上线前做一批人工校验，确保它和人类判断一致。总的来说，我更倾向于先用DPO快速验证可行性，再上PPO精细调优。前提是你的偏好数据质量够高，否则PPO的稳定性优势也发挥不出来。常见失败场景是数据多样性不足，模型在边界case上崩掉，所以我会在评估阶段重点覆盖这些case。一句话定位：训练链路本质是平衡准确性和效率数据与建模：用冷启动SFT建立格式能力，再通过DPO快速对齐偏好策略与奖励：解耦规划与执行，用过程奖励解决稀疏奖励问题评估与迭代：自动指标+人工+在线闭环…

#美团#Agent#Agent 训练链路

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：…in，延迟翻倍。另一个是调试，一定要加日志和中间结果输出，不然出了问题根本不知道是检索错了还是LLM理解错了。还有一个前提是，你的数据质量得过关，如果文档本身混乱，再好的检索框架也救不了。所以我的倾向是，把LangChain和LlamaIndex当成工具箱，而不是框架。真正生产时，我会用它们的底层能力，但自己写一个轻量的编排层，控制好抽象粒度。另外，最近[[Agentic RAG]]的概念很火，就是让Agent自己决定什么时候去检索、检索什么、怎么用检索结果。这个方向其实…

#阿里云#评估与监控#Agent

面试题·评估· 高德

多工具评分排序机制

匹配口述回答：…数据要够。如果工具调用日志稀疏，或者工具本身经常变更，像 API 版本升级、服务下架，那评分和模型都得频繁重训。我上线前会特别关注数据质量，比如每个工具至少要有几百次成功和失败的样本，否则我会先用规则兜底。所以我的取舍是：优先用分层评分做冷启动，等数据积累到一定程度再上路由模型。而且路由模型我倾向用轻量级的，避免推理延迟太大。面试官如果想了解更具体的实验设计，比如怎么确定 α、β、γ 的初始值，我可以展开说说。本质是多目标优化，平衡匹配度、成本、历史表现分层评分加模型化…

#高德#Agent#智能体工具选择

面试题·评估· 小红书

用户兴趣建模：数据与特征陷阱

匹配口述回答：…体上，我更倾向把兴趣建模看成一套分层响应系统：底层用全量更新保证基础质量，中间层用增量更新快速适应，顶层用实时更新捕捉脉冲。前提是数据质量要过关，埋点得有足够的唯一标识和时间戳，不然实时更新再快也是垃圾进垃圾出。本质是动态兴趣建模与工程权衡数据收集：三层信号与实时/离线分流特征工程：时间衰减与兴趣漂移算法选型：多路召回与精排多目标更新策略：全量/增量/实时分层与风险约4分钟用户兴趣短期剧烈波动时，模型易过拟合，需引入探索与保守的平衡因子这个延伸点会引向面试官追…

#小红书#评估与监控#用户兴趣建模

面试题·评估· 美团

Agent 基础能力怎么定义?

匹配口述回答：…。所以我会把Agent的基础能力看成一套工程化的能力映射，而不是简单的LLM包装。核心是闭环和依赖管理，评估必须量化，落地要警惕数据质量。一句话定位：本质是LLM到自主系统的能力映射核心要素：感知、记忆、规划、工具调用、行动执行依赖关系和评估标准美团外卖调度案例落地风险与可延伸点约4分钟感知和记忆不同步会导致规划基于错误信息，是常见失败场景面试官可能会追问如何保证感知数据的时效性和记忆的一致性，或者进一步讨论Multi-Agent协作的协调机制

#美团#Agent#Agent 基础能力

面试题·模型微调· 同花顺

Agent 规划能力怎么训练?

匹配口述回答：…，走一步看一步，得动态调整策略。这三种场景训练方法不一样，但实际落地时往往是混着用的。先说[[SFT]]阶段怎么搞。核心就一条：数据质量比数量重要。我见过不少团队拼命堆合成数据，结果模型学了一堆“完美示范”，碰到真实错误就懵了。所以我会优先做两件事：一是收集少量但高质量的人工标注轨迹，尤其是专家在真实API上走完的完整思考-行动-观察循环，这个特别贵但特别值；二是用强模型比如GPT-4做[[蒸馏]]，生成带推理过程的解决方案，但一定要人工审核一遍，把那些“看着对但实际走不通…

#同花顺#Agent#Agent 规划能力

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：…多久到账’，通用模型可能把‘退款’和‘退货’混在一起，这时候就得用业务数据做对比学习微调，缩小语义鸿沟。不过这里有个前提：你的标注数据质量得过关，不然微调反而会带偏。再一个就是召回策略。我倾向于走 [[混合检索]]，就是向量召回和 [[BM25]] 关键词召回一起上。向量召回擅长理解意图，比如用户说‘想找个便宜点的火锅店’，它能找到语义相似的店；但用户如果明确说‘海底捞’，关键词召回就能保证精确命中。这两条路各有适用场景，落地上我一般会加权融合，权重根据业务数据调。比如在订…

#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 工作原理与架构怎么搭?

匹配口述回答：…比如让模型按特定模板写报告。真正落地常常是 RAG 提供实时知识，SFT 优化生成风格，两者一起上。最后说下落地风险。一个前提是数据质量必须高，文档本身有错、有矛盾，RAG 反而会放大错误。上线前我会特别关注两件事：一是检索延迟，高频场景下向量检索加重排可能超过 500ms，需要加缓存或者用 [[HNSW]] 索引优化；二是数据一致性，文档更新后，旧向量和旧片段要能及时清理或软删除，否则用户会看到过时信息。还有一个点值得深入，就是怎么评估 RAG 系统的质量。光看单个环节…

#字节#RAG 系统架构#RAG 工作原理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：…，查询时就会返回过时结果。这块我还在探索更稳定的方案。所以整体上，我更倾向把RAG看成一套持续迭代的系统，而不是一次搭完就完事。数据质量、检索策略、模型调优，每个环节都要根据业务反馈不断调整。一句话定位：RAG本质是查文档+读文档的工程化数据准备：分块是核心难点，语义切分比固定长度好检索策略：混合检索兜底，重排提升精度生成集成：上下文压缩和Prompt防幻觉评估闭环：Bad case驱动迭代约4分钟知识库频繁更新时，增量索引的一致性校验是个坑，旧索引可能返回过…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配口述回答：…馈量要足够大，小流量场景容易噪声淹没信号。所以整体上，我更倾向把 [[RAG]] 系统看作一个持续优化的闭环，而不是一次性搭建。数据质量永远比模型重要，如果文档解析或者术语标准化没做好，后面检索和生成再努力也白搭。一句话定位：这不是搭流水线，是解决领域知识怎么让模型真正用起来数据准备：文档解析、术语标准化、分块策略检索模块：混合召回、重排序、查询改写生成模块：Prompt设计、上下文压缩、引用溯源评估与迭代：自动化指标、专家闭环、数据飞轮约4分钟数据飞轮中反馈…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

大模型知识库怎么构建?

匹配口述回答：…就断章取义。我倾向先按主题或章节自然边界做语义切分，再把零重叠、短窗口与较长窗口作为候选，用同一评测集验证边界证据是否完整。另外，数据质量要有个门槛，用规则加小模型打分，分数太低的片段直接丢掉，不然就是垃圾进垃圾出。然后说Embedding选型。通用场景用BGE-M3、GTE这些没问题，但垂直领域一定要微调。比如金融合规文档，很多专业术语和上下文，通用模型根本抓不住。微调用对比学习，加In-batch Negatives和Hard Negatives，让模型学会区分相似但不…

#百度#大模型知识库构建#知识库向量化

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配口述回答：…立查询再聚合。生成层可以做上下文压缩，用一个小模型先提取关键句，减少噪声。这里有个坑：很多团队一上来就堆技术，但忽略了一个前提，数据质量。如果文档本身就有矛盾或者格式混乱，检索质量根本救不回来。所以上线前我一定会花时间做数据清洗和标注，不然检索框架再强也是白搭。另外，RAG不是孤立的。高频稳定的知识适合用[[SFT]]内化到模型参数里，而动态海量的知识才外挂成RAG。真正落地常常是RAG加微调一起上。比如外卖场景，菜品知识更新快用RAG，但下单对话策略这类高频稳定的逻辑就…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 快手

Agent 系统怎么调优优化?

匹配口述回答：…励模型会每一步打分，解决稀疏奖励的问题。像[[DPO]]或者[[RLHF]]，其实就是让人类告诉模型，哪种工具选择更合理。但RL对数据质量要求很高，如果奖励信号不准，模型会学歪。所以实践中我倾向先用SFT把基线拉起来，再用RL做局部优化，比如只在工具选择这一步加RL。最后是Prompt工程，这个成本最低，见效也快。比如动态示例选择，根据用户意图从库里捞相似的成功案例拼到提示里；还有工具描述优化，用LLM自己迭代描述，看哪个版本调用成功率最高。但Prompt的缺点是上限低，复…

#快手#Agent#Agent 调优

面试题·模型微调

生成质量差怎么调优?

匹配口述回答：…，还可以上 [[RLHF]] 或 [[DPO]]，针对连贯性和[[忠实度]]训练奖励模型，减少[[幻觉]]。不过微调有个前提：你的数据质量要够好，如果数据里本身有错误，模型会学歪。最后是生成控制和后处理兜底。解码参数上，我会把temperature降到0.1到0.3，让输出更确定。后处理可以用规则或小模型检查答案是否覆盖了文档里的关键点，漏了就重试或提示。其实还有一个方向值得关注，就是让模型自己反思生成质量，比如 [[Self-RAG]] 的思路。它不是在生成后校验，而是…

#RAG 生成质量#指令遵循#生成模块调优

面试题·模型微调

什么是微调(SFT)?和预训练有什么区别?

匹配追问：…它经常不好好回答而是往下续写?中间发生了什么训练? 追问边界如果我手上只有 2000 条业务问答数据,做 SFT 够吗?数据量和数据质量哪个更重要?微调完发现模型通用能力变差了,可能是什么原因?

#入门#基础概念#SFT 微调

面试题·模型微调

全量微调和 LoRA 微调怎么选?

匹配口述回答：…有差别。但如果是把模型从中文变成阿拉伯语，或者从通用领域变成医疗诊断这种专业领域，数据量百万级，任务跟预训练分布差异极大，仍应比较数据质量、rank、挂载层与全参方案，而不是仅凭语言或专业领域决定。再一个，灾难性遗忘的风险。全量微调容易学了新的忘了旧的，比如你让模型学会了客服话术，它可能把原有的常识问答能力丢了。LoRA启用adapter后仍会改变行为，也可能遗忘。未合并且没有其它基座改动时，可停用adapter与原模型对照。它便于共享基座、切换小adapter；全参也能做…

#入门#基础概念#LoRA微调

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配口述回答：…，因为关键信息本来就是文本。落地风险也要注意。真多模态的前提是你有足够的高质量图文对数据来做 [[SFT]] 或者对齐训练，如果数据质量差，效果反而可能不如伪多模态。而且推理成本高，线上部署要考虑延迟和显存。伪多模态的常见失败场景是：用户问“这张图里的红色按钮是干什么的”，如果 caption 漏掉了“红色”这个属性，检索就偏了。所以我的选择是：先判断视觉信息是否可文本化。如果可文本化，比如合同扫描件、商品参数表，优先用伪多模态快速落地；如果视觉细节是关键，比如工业图纸、…

#淘天#知识图谱#伪多模态RAG

面试题·知识图谱· 淘天

GraphRAG 技术难点有哪些?

匹配口述回答：…，我更倾向于把[[GraphRAG]]看作一个精度放大器，而不是万能方案。它适合高价值、高关联性的复杂推理场景，但前提是你有足够的数据质量和工程投入来支撑。本质：结构化与检索效率的平衡图谱构建：噪声与schema取舍实体链接：跨文档与新实体问题推理路径：搜索深度与相关性可扩展性：存储计算与成本约4分钟图谱构建的时效性，特别是增量更新中实体消歧和冲突消解容易被忽视面试官可能会追问增量更新的具体方案，比如事件驱动架构或冲突消解策略

#淘天#多模态#GraphRAG 难点