匹配正文：… 功能代表工作 ID Tokenizer 将item ID映射为语义token 随机ID → 语义ID（如基于内容的哈希）序列生成模型编码历史，建模序列依赖 GPT类架构、Transformer decoder 生成解码自回归采样下一个token Beam search、Top-p采样典型流程：[BOS] item_23 item_156 item_89 → 生成 item_342 [EOS] 与传统判别式方法的核心区别维度判别式（DSSM/DeepFM等）生…

#小红书#生成式与判别式推荐#生成式与判别式推荐选型

面试题·RAG· 京东

Query 改写有哪些创新方法?

匹配正文：…率和相关性。三类创新方法及优势 1. 同义扩展（Lexical Expansion）做法：基于词典、Embedding相似度或生成模型，扩展同义词、近义词、缩写/全称优势：低成本、可解释性强对垂直领域术语（如电商SKU属性）效果好易与倒排索引结合，延迟可控典型技术：Word2Vec/ fastText相似词、BM25+同义词表、T5生成扩展 2. 语义重写（Semantic Rewriting）做法：用Seq2Seq或LLM直接改写Query，改变句式但保留意…

#京东#Query改写#Query 改写

面试题·RAG· 蚂蚁

时间窗口对话管理机制

匹配正文：…由业务体验和安全要求确定。 3. 摘要与历史恢复超窗内容可以生成摘要，但摘要是有损且可能出错。应保留结构化事实、来源消息 ID、生成模型版本和回查入口；金额、权限、承诺和安全状态等关键字段应从权威存储读取，而不是只相信摘要。 4. 安全与可观测性金融、客服等场景要让会话超时与身份授权解耦：上下文仍在不代表授权仍有效。监控窗口命中率、摘要使用率、跨会话污染、恢复失败和上下文 token。结论：可靠方案是读写都校验时间窗口、显式管理 session 边界，并让摘要可追溯而不…

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

#蚂蚁#会话时间窗口#时间窗口对话管理

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…估闭环，持续优化Embedding模型与领域数据对齐。学习建议建议先掌握RAG基本流程框架，再结合实际案例理解检索器、重排序和生成模型的协作机制，多动手搭建简单RAG系统加深理解。

#阿里云#重排与优化#向量检索

面试题·检索· 小红书

RAG 局限性怎么破?

匹配正文：…ReAct循环（检索→推理→再检索），动态决策检索时机与工具 RAG + Fine-tuning：领域embedding微调 + 生成模型SFT，打通语义空间关键权衡：RAG并非万能，与Fine-tuning是互补关系——RAG解决"知识更新"，Fine-tuning解决"知识内化"；复杂推理场景需走向Agent化，而非堆砌检索次数。

#小红书#RAG局限性#RAG 局限性

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：…vector 检索策略提升召回质量稠密+稀疏混合、多路召回重排序模型精排优化 Cross-Encoder、ColBERT 生成模型最终答案生成 GPT-4、Claude、本地LLM 进阶优化手段查询改写：用LLM扩展同义问法，解决语义gap 上下文压缩：检索后先用小模型过滤无关片段，减少噪声 Self-RAG：让模型判断是否需要检索，避免过度依赖落地注意点切分粒度：太细丢上下文，太粗检索不精准，建议按段落/语义边界元数据过滤：结合时间、来源等标签预过滤，减少…

#字节#RAG系统实现#RAG 实现

面试题·检索· 字节

领域 RAG 架构如何控幻觉?

匹配正文：…验生成内容与检索片段的一致性人机协同高风险场景（医疗诊断/法律意见）设置审核节点用户反馈收集：👍/👎 → 用于检索模型和生成模型的迭代四、工程落地要点离线在线分离：知识库更新走离线Pipeline，不影响在线服务缓存策略：热门法条预加载，相似Query结果缓存监控看板：检索命中率、生成引用率、用户满意度三联指标

#字节#专业领域RAG#领域 RAG 架构

面试题·检索· 字节

RAG架构：检索器与重排序策略

匹配正文：…界：候选漏召回限制基于该证据集的作答，但高Recall不保证忠实生成；解析、权限、重排、上下文选择与生成均会影响端到端质量，不能把生成模型当质量下限保证。参考资料 Faiss官方索引、增量与存储 Milvus官方标准与迭代过滤 IRCoT原论文:多步推理与迭代检索

#字节#向量库与重排序#RAG 架构设计

面经·项目面试

写了 asyncio.gather，8 个研究 Agent 为什么还在排队？

匹配正文：…(question)，这一行没有await。再往里看，材料里的IterResearch推理器把run定义为普通同步方法，在循环中生成模型响应、执行工具，再推进下一轮。外层换成异步签名，并没有把这些内部调用改成可挂起的异步等待。只要其中存在同步阻塞，事件循环就会跟着被占住。 gather会安排协程执行，但不会替普通同步函数自动创建工作线程。事件循环执行到第一个研究协程时，如果它一路调用同步方法直到返回，中间没有真正挂起，其他研究协程只能等。看到“创建了八个任务”，还不能断定“…

#DeepResearch#asyncio#多Agent

面试题·RLHF与对齐· 阿里

DPO vs PPO 怎么选?

匹配追问：…何解决DPO的固有问题如果让你设计一个长文本对齐方案，会选择PPO还是DPO，如何改进场景切入假设我们要做一个智能客服的摘要生成模型，用户反馈数据很多，偏好很明确。你会选 DPO 还是 PPO 来对齐？别急着说选哪个，先聊聊各自的优缺点。层层追问大模型对齐你用过哪些方法？……RLHF 那一套呢，PPO 你了解吧？……那 DPO 呢，知道它怎么绕过奖励模型的吗？……好，那你觉得这两种方法从原理到实际落地，核心差异在哪？直球架构请从算法原理、实现复杂度、训练稳定性和…

#DPO#PPO#RLHF

面试题·项目与经历· 商汤科技

项目局限性与改进方向

匹配口述回答：…任务成功还受问题理解、答案格式和工具调用影响。增大 top-k 可能提高 recall，也可能加入干扰，但重排、去重、上下文位置和生成模型决定干扰是否转成幻觉，因此不是天然 trade-off。应扫描 top-k 与 reranker 配置，画 recall、precision、faithfulness、延迟和任务成功曲线。下一步方案要足够小，例如只补一个失败切片的数据，只替换 reranker，只改变上下文排序，或只增加断言核验。提前定义预期指标和停止条件，避免无限优化。…

#项目复盘#技术债务#系统优化

面试题·模型架构· 百度

VQ-VAE 原理与完整结构

匹配追问：VQ-VAE与VAE相比，为什么离散表示更适合生成模型？ VQ-VAE-2相比VQ-VAE做了哪些改进？如何解决VQ-VAE训练中的码本坍塌（codebook collapse）问题？场景切入假设现在要把图像压缩成离散 token，再从 token 重建图像并学习生成先验。你会怎样设计 VQ-VAE 的编码器、码本、量化器和解码器？层层追问连续 encoder 输出怎样选最近码本向量？……离散选择不可导时梯度怎么传？……重建、codebook、commitment …

#VQ-VAE#向量量化#离散表示学习

面试题·多模态· 百度

扩散模型 SNR 怎么用?

匹配追问：为什么Min-SNR-γ中要对SNR设置上限截断，而不是直接用SNR本身加权？在视频生成模型如Wan2.1中，SNR调度与图像扩散模型有何差异？如何根据SNR设计自适应的时间步采样策略来加速训练收敛？场景切入假设现在要重新设计扩散模型的时间步采样和损失权重。你会先怎样定义时间方向与 SNR，再判断哪些噪声区域需要更多训练信号？层层追问在 VP 写法中 SNR 怎样由 alpha_bar 得到？……正向加噪时它如何变化？……x0、epsilon、v 预测的等价权重是…

#扩散模型#信噪比(SNR)#噪声调度

面试题·模型架构· 字节

判别式转生成式有哪些方法？

匹配追问：…？生成式方法相比判别式在推理效率上有何 trade-off？场景切入我们有个电商客服场景，原来用BERT做意图分类，现在想换成生成模型统一处理。比如用户问“退款到哪了”这种，怎么把分类任务转成让模型直接生成“退款状态查询”这个标签？你觉得有哪些转化方法？层层追问判别式任务转生成式，你了解哪些主流做法？……比如分类任务，怎么让模型输出“积极”而不是计算概率？……那如果数据很少呢，有没有不用微调就能适配的方法？直球架构请列举将判别式任务（如分类、匹配）转化为生成式任务…

#生成式建模#判别式转生成式#Prompt工程

面试题·评估· 百度

大模型应用怎么保障可靠性?

匹配口述回答：…开始保留检索生成全链路trace 组合确定性与模型验证建立分桶测试和校准限定反馈归因粒度约4分钟怎样证明一个验证器没有和生成模型共享同样的错误模式。可继续讨论独立黄金集、异构验证器、校准、误杀漏检和人工升级。

#数据验证#输出校验#反馈闭环

面试题·Agent· 小红书

生成式推荐系统有哪些改进方向？

匹配口述回答：…内，这样信息量就大了，不是一次请求定终身。具体流程是用户 Query 进来，Agent 做意图识别，然后调 RAG 检索实时信息，生成模型融合多源数据出推荐，最后如果用户不满意还能再问一轮。落地的时候有几个坑得注意。一个是 RAG 的检索质量，如果召回的内容不相关，生成出来的推荐理由就是胡扯，反而伤害体验。所以上线前我会特别关注检索的重排效果，用 [[Cross-Encoder]] 把 Top-K 再精排一遍。另一个是延迟，Agent 多轮对话加 RAG 检索，整体响应…

#小红书#Agent#生成式推荐系统

面试题·Agent· 同花顺

Agent 开发技术栈怎么选?

匹配口述回答：…使用框架，哪些做了封装，哪些明确没有使用。只说生态丰富或开发快，不能证明适合生产。如果涉及模型训练，还要区分工具路由分类器、参数生成模型和通用对话模型。训练数据应说明采样窗口、脱敏、负样本、训练验证切分与泄漏检查；指标不能只报分类准确率，还要看错工具的风险、参数合法率和端到端任务成功率。若只是 Few-shot、检索工具描述或 Prompt 调优，应如实称为推理侧优化。线上部分我会用一条真实 trace 说明截止时间怎样向子调用传播，哪些错误允许重试，哪些必须立即失败，重…

#同花顺#Agent#Agent 技术栈

面试题·文档处理· 百度

Chunking 策略怎么选?

匹配口述回答：…响非常大，因为它决定了知识库里最小的检索单元。切得好，检索能找到刚好回答问题的证据；切得不好，要么找不到，要么找回来一堆噪声，最后生成模型也会被带偏。它的核心权衡是信息粒度和上下文完整性。块太小，语义容易断，比如一句“该方法效果更好”被单独切出来，模型不知道“该方法”指什么；块太大，里面噪声多，[[embedding]] 会被多个主题稀释，检索精度下降，塞给大模型也浪费窗口。常见方法里，固定长度分块最简单，按 token 或字符数硬切。优点是稳定、好控制，适合日志、流水、…

#百度#文档处理#Chunking 策略

面试题·评估· 百度

RAG 错误根源怎么定位?

匹配口述回答：…G]] 出错时，我不会先凭感觉说是检索的问题还是生成的问题，而是做隔离变量实验。因为 RAG 是串联系统，前面检索错会传导到生成，生成模型也可能在检索正确的情况下自己发挥，所以要把两个模块拆开看。答案跑题、数字错误或引用缺失只能作为排查线索，不能直接归因。检索和生成可能同时失败，必须用黄金证据替换、重复对照和证据级指标隔离变量。第一步看检索 TopK。检查正确文档有没有被召回，排在第几位。如果正确文档根本不在 TopK，基本就是 retriever 召回问题，对应指标看 …

#百度#评估与监控#RAG 错误定位

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：…all@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是坑约4分钟知识库频繁更新时，用base+delta双索引解决增量问题，避免全量重建，并通过回放校验保证质量。这…

#淘天#DPR 与 Contriever#RAG 编码模型评估

面试题·评估· 淘天

RAG 评估：检索、生成与端到端指标

匹配口述回答：…MRR搭配看，MRR对第一个相关结果的排名倒数求平均，更偏向首个命中的排序质量。如果MRR低，说明正确答案虽然召回了但排在很后面，生成模型可能压根没用到它，那就需要优化排序。再就是生成层。传统NLP指标像BLEU、ROUGE，在RAG里参考意义有限，因为答案可以措辞不同但意思对。我更关注[[Faithfulness]]，也就是忠实度，说白了就是生成内容有没有被检索文档支持。它与Answer Correctness关注不同问题：忠实于错误资料仍可能不符合现实事实，不能给二者排…

#淘天#评估与监控#RAG 线上效果评估

面试题·评估· 百度

MRR 在 RAG 中怎么定义?

匹配口述回答：…场景只取 Top1。这个时候，正确文档排第 1 位和排第 8 位，体验差别非常大。排第 8 位在检索指标上可能算“召回到了”，但对生成模型来说，很可能根本用不上。所以 MRR 很适合衡量“相关信息有没有被尽早排到前面”。比如客服知识库里，用户问“会员退款多久到账”，如果第一条就是退款时效说明，模型大概率能答对；如果第一条是会员开通规则，第四条才是退款说明，模型就容易被前面的噪声带偏。但 MRR 也不是万能的。它只关心第一个相关文档的位置，不关心后面还有没有更多相关信息。对…

#百度#评估与监控#MRR 定义

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配口述回答：…提升精度。所以整体上，我会把[[RAG]]看成一种连接视觉和语义的桥梁，核心是把截图结构化，再通过混合检索找到精准的知识，最后用生成模型包装成回答。我倾向在工程上多做预计算和索引优化，而不是让大模型做所有事情，这样既快又可控。点明本质：截图理解+知识检索+生成，关键是结构化组件解析：用多模态模型或专用UI检测检索设计：双路索引，混合搜索生成增强：上下文组装与引用溯源落地风险：知识库构建和延迟优化约4分钟组件多时用GraphRAG建模层次关系，提升检索精度面试…

#淘天#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配口述回答：…文本页面的检索精度可能不如传统方法。所以整体上，我更倾向把多模态RAG看成一套组件化的方案，根据业务场景选编码器、定检索策略、挑生成模型，不存在万能框架。关键是把跨模态对齐的坑填好，再平衡好成本和效果。点明本质：多模态RAG解决的是图文混合输入场景下的检索生成问题框架选择：LlamaIndex适合快速集成，LangChain适合灵活定制核心组件：编码器、检索器、生成器的协同与对齐落地风险：模态对齐精度和成本是关键瓶颈给出可延伸点：ColPali免OCR方案正在改变…

#淘天#多模态#多模态 RAG 实现方案