匹配正文：… 语义增强查询改写（HyDE）、多向量表示（ColBERT）、重排序模型结构优化分块策略迭代（按语义/按结构）、元数据过滤、知识图谱索引动态检索自适应检索步数、迭代检索（IRCOT）、检索-生成交替进行生成侧提示工程：引用格式约束（要求标注来源）、少样本示例模型微调：基于检索上下文的SFT，强化忠实度训练后处理验证：事实核查模块、置信度过滤协同优化检索-生成联合训练：如REPLUG、RA-DIT，让生成反馈指导检索学习端到端优化：用生成损失反向优化检索…

#字节#评估与监控#RAG 评测优化闭环

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配正文：…语义匹配领域微调Embedding（如医疗用PubMedBERT）稀疏关键词索引精准匹配 BM25 + 医学/法律专业词表知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接三、检索策略多路召回 → 精排 → 重排：召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展精排层：Cross-Encoder打分，过滤低相关片段重排层：按时效性、权威性加权；医疗优先临床指南，法律优先生效条文查询优化：识别专业术语缩写（如"心梗"…

#字节#RAG 全链路#RAG 技术链路

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…落），非固定长度医疗：保留"症状-诊断-治疗"完整上下文块法律：保持"事实-法条-判决"逻辑链知识增强：提取实体关系构建领域知识图谱，作为检索补充二、检索系统层（混合召回）单一向量检索不够，需多路融合检索方式适用场景实现稠密向量检索语义相似、同义表达领域微调Embedding（如MedCPT、法律BERT）稀疏关键词（BM25）精确术语、药品名、法条编号 Elasticsearch 知识图谱检索关联推理、禁忌症、判例引用 Neo4j + 子图匹配 …

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

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 字节

Agent 系统优缺点与发展前景

匹配正文：…规划 ReAct → 更高效的树搜索/蒙特卡洛规划（如ToT、RAP），减少无效探索记忆短期上下文 → 长期记忆机制（向量库+知识图谱+可学习的记忆模型）融合 Agent与RAG深度整合，检索作为工具之一，形成"检索增强的Agent" 关键挑战评估困境：没有ground truth的开放任务，如何量化"好"与"坏" 产品化鸿沟：Demo惊艳 vs 生产可用，容错机制和兜底策略是核心生态标准：工具描述协议、Agent间通信协议尚未统一未来1-2年，Agent会从"技…

#字节#评估与监控#Agent

面试题·评估· 百度

Reflection 和 Memory 怎么协同?

匹配正文：…dic记忆历史经验、具体案例 Vector DB（如Milvus/Pinecone） Semantic记忆领域知识、通用规则知识图谱/结构化存储技术要点：记忆写入：关键决策点、失败案例、成功经验自动归档记忆检索：基于语义相似度 + 时间衰减 + 重要性加权记忆压缩：摘要提取、遗忘机制控制存储成本协同提升机制 1. 反思驱动记忆更新每次Reflection识别出的错误模式 → 写入Episodic记忆形成"错误-修正"的闭环学习 2. 记忆支撑反思质量遇到…

#百度#Agent#Multi-Agent System

面试题·评估· 小红书

RAG 有哪些主要缺陷?

匹配正文：…解码 6. 复杂推理场景失效多跳问答、对比分析、数值计算等需要综合多源信息时表现差改进：引入Agent（ReAct迭代检索）、知识图谱增强、专用工具调用四、小红书场景的特殊考量社区内容RAG还需解决：UGC质量参差（需内容过滤）、实时性要求高（新笔记秒级索引）、多模态内容（图文联合检索）。

#小红书#RAG 局限性#RAG 缺陷

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配正文：…型存储工作记忆当前对话/任务上下文上下文窗口短期记忆近期交互历史缓存/摘要长期记忆领域知识、经验教训向量数据库/知识图谱对协同的关键作用：共享记忆池：多智能体读写统一知识库，确保信息同步角色专属记忆：不同智能体保留个性化经验，避免同质化两者结合的效果感知 → 记忆检索 → 推理决策 → 执行 → 反思 → 记忆更新正反馈循环：反思产生的新洞察写入记忆，下次决策时复用协同增强：A的反思成果通过记忆共享，直接提升B的决策起点百度场景下的典型挑战：…

#百度#Agent#多智能体系统

面试题·评估· 虾皮

大模型怎么用于搜索检索?

匹配正文：…解层意图识别、查询改写、多轮澄清纠错、扩展、消歧（如"苹果"→水果/公司）检索召回层向量检索 + 稀疏检索（BM25）+ 知识图谱生成稠密向量（bi-encoder）精排/重排层结果重排序、去重、过滤 Cross-encoder 打分、多任务融合生成输出层答案摘要、直接回答、多源整合生成式摘要、引用溯源关键优化点混合检索：向量（语义）+ 倒排（精确匹配）+ 图谱（实体关系），召回率提升30%+ 查询路由：简单query走传统搜索，复杂query走大模型…

#虾皮#大模型搜索检索#搜索检索技术方案

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配正文：…nning）：ReAct、CoT、ToT等推理范式，让模型"先想后做" 记忆（Memory）：短期对话上下文 + 长期向量数据库/知识图谱工具（Tools）：Function Calling标准化调用外部API，扩展能力边界行动（Action）：执行结果反馈形成闭环，支持多轮迭代工程关键点意图识别准确率决定入口质量工具描述工程（Tool Description）影响调用成功率错误恢复机制：超时、异常、幻觉结果的兜底处理应用场景与适配性场景适配度原因智能客…

#字节#Agent#大模型 Agent 优缺点

面试题·评估· 美团

Agent 基础能力怎么定义?

匹配正文：…务输入多模态输入解析、用户意图识别、实时数据接入记忆维持上下文与经验积累短期工作记忆（对话历史）+ 长期知识记忆（向量库/知识图谱）规划将目标拆解为可执行步骤任务分解（CoT/ToT）、动态 replanning、依赖关系管理工具调用扩展能力边界，与外部系统交互 Function Calling、API编排、工具选择策略行动执行将决策转化为实际输出代码执行、事务提交、多轮确认机制能力依赖关系感知 → 记忆（写入） ↓ ↓ └────→ 规划 ←→ …

#美团#Agent#Agent 基础能力

面试题·评估· 得物

AI Agent 四大瓶颈怎么破?

匹配正文：…忆"丢失" 记忆更新与遗忘策略粗糙改进方向分层记忆架构：工作记忆（上下文）+ 短期记忆（session级向量库）+ 长期记忆（知识图谱+摘要）记忆重要性评分：基于访问频率、用户显式标记、时间衰减综合打分主动记忆整理：离线任务定期合并、摘要、去重历史记忆多步推理瓶颈与改进核心问题错误累积：前期规划偏差导致后续步骤全错任务分解粒度难把握：过粗失控、过细效率低缺乏实时反馈调整改进方向树状搜索+评估：如ToT（Tree of Thoughts），多路径探索后择优…

#得物#评估与监控#Agent

面试题·模型微调· 字节

RAG 技术原理与架构怎么搭?

匹配正文：…2 tokens；重叠窗口作为待测变量，并用同一评测集验证边界证据、召回与成本检索策略稠密+稀疏混合（RRF融合），复杂场景加知识图谱查询优化 HyDE（假设文档嵌入）、Query扩展、多Query生成上下文处理重排序精筛Top-5，过长时压缩或摘要生成控制要求模型标注引用来源，方便事实核查四、核心挑战检索失效：Query与文档语义鸿沟→用Query改写或HyDE缓解上下文窗口：多文档拼接超限→Rerank精筛+递归摘要知识冲突：检索内容与模型参数知识矛…

#字节#RAG 最佳实践#RAG 技术原理

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…机制边缘Query、新领域优化方向与方案 1. 检索层：混合检索+重排序向量检索（语义）+ 稀疏检索（BM25，关键词）+ 知识图谱（实体关系）多路召回引入Cross-Encoder精排模型，替代余弦相似度的粗排 2. 查询层：意图理解与改写识别Query类型（事实型/比较型/推理型），动态调整检索策略多Query扩展：对复杂问题拆解为子查询，分别检索后聚合 3. 生成层：上下文工程检索结果按相关性重排序，关键信息置首尾（利用位置偏置）上下文压缩：用更小模型提…

#美团#RAG 局限性#RAG 优化方向

面试题·模型微调· 百度

怎么提升对话模型事实一致性?

匹配正文：…，不仅看流畅度使用RAG增强的偏好数据：对比"有检索支持的回答"vs"纯参数记忆回答" 三、推理优化层面解码策略约束解码：用知识图谱或检索结果约束token生成空间 Self-Consistency：多次采样，投票选出最一致答案 Chain-of-Verification：先生成答案，再逐步验证每个事实点后处理校验实体链接+知识库校验：提取关键实体，核对是否存在于权威源置信度阈值：对低置信度回答触发"我需要查询更多信息" 四、外部知识集成（RAG核心）检索环节 …

#百度#模型微调#评估与监控

面试题·多模态· 美团

Agent 发展路径分哪几个阶段?

匹配正文：…学习核心挑战：多模态 grounding、长期记忆的有效检索、灾难性遗忘突破点：具身智能（Embodied AI）、向量记忆+知识图谱混合架构、在线适应（如Voyager的技能库）阶段四：自主目标设定与价值对齐（远期愿景）特征：基于用户模糊意图自主定义目标，具备自我改进能力核心挑战：目标的可解释性、价值对齐的安全性、权力寻求行为突破点：递归自我改进的安全框架、宪法AI（Constitutional AI）、人机协作的价值学习关键判断当前处于阶段1.5——有规划…

#美团#评估与监控#Agent

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配正文：…权限分级结果聚合：多工具输出融合与后处理关键技术考量维度设计选择记忆系统短期：对话上下文滑动窗口；长期：向量库+结构化知识图谱双存储工具调用 Function Calling原生支持 + 动态工具检索（相似度匹配Top-K）规划深度简单任务单步响应；复杂任务启用多步ReAct，设置最大迭代阈值安全可控输出审核层（敏感词+意图分类）；工具调用权限白名单扩展性插件化架构，新工具自动注册无需改代码差异化设计点人机协作回路：关键决策点引入人类确认，降低幻…

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 字节

Agent 能力怎么系统提升?

匹配正文：…，支持文本/图像/音频/结构化数据记忆层：短期工作记忆（上下文窗口）+ 长期 episodic/semantic 记忆（向量库+知识图谱）规划层：从简单CoT到分层任务网络（HTN），支持子目标分解与动态重规划执行层：原子动作封装，支持并行执行与异常回滚关键设计模块化：工具、记忆、策略作为可插拔组件元认知模块：监控自身状态，触发"困惑-求助"或"反思-修正" 二、外部工具集成：从静态调用到动态生态层级技术要点工具描述 OpenAPI标准 + 语义增强文档，支…

#字节#百度#评估与监控

面试题·Prompt· 百度

AI Agent 三大组件原理

匹配正文：…期记忆跨会话知识积累向量数据库（如Milvus/Chroma）+ Embedding检索实体记忆关键信息抽取结构化存储（知识图谱/数据库）典型运行流程用户输入 → 规划模块拆解任务 → 循环执行（推理→选工具→调用→观察） ↓ 记忆模块实时读写 ← 完成/失败判断 → 输出结果关键设计：设置最大迭代次数防止死循环，引入人类确认节点处理高风险操作。

#百度#Agent#AI Agent 设计

面试题·RAG· 淘天

RAG 核心架构与工作流程

匹配正文：…向量）、查询重写、重排序上下文爆炸多文档超出窗口限制摘要压缩、分层检索、长上下文模型多跳推理弱需跨文档关联时易断链引入知识图谱、迭代检索（Self-RAG）生成与检索耦合模型过度依赖或忽略检索内容训练时加入"无相关信息"样本、调整prompt权重典型失败案例：用户问"对比A和B产品的差异"，若检索分别返回A、B的独立介绍而无直接对比文档，模型难以自行归纳差异——这是RAG在综合推理类问题上的天然瓶颈。学习建议建议先掌握大模型基础知识，再学习信息检索与…

#淘天#阿里#RAG 架构

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：…词 + Dense向量，互补长尾与语义匹配三、索引结构优化分层索引：先粗筛（聚类中心）再精排，降低高维检索复杂度图索引：结合知识图谱实体关系，增强结构化推理能力元数据过滤：预过滤时间、类别等标签，减少无效向量比对四、增量与更新机制支持增量写入，避免全量重建；热点数据缓存，冷数据归档实际落地建议：先通过Bad Case分析定位是"召不回"还是"召不准"，再针对性优化——召回不足扩分块、调模型；准确率低加重排序、加过滤。学习建议建议系统学习该知识点

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 字节

高精度RAG系统设计陷阱

匹配正文：…数据库）+ 非结构化（临床指南、判例文书）分层索引：按效力层级（法律：宪法→法律→司法解释→案例；医疗：指南→专家共识→文献）知识图谱增强：实体关系抽取，支持推理型查询（如"某药物禁忌症涉及哪些疾病"） 2. 检索引擎层多路召回：Dense（语义匹配）+ Sparse（BM25关键词）+ KG（图遍历）领域适配：用领域语料微调Embedding模型（如医疗用PubMedBERT）查询改写：识别专业术语同义词（如"心梗"↔"心肌梗死"），扩展缩写 3. 生成控制层上…

#字节#高精度RAG#高精度 RAG

面试题·RAG· 字节

RAG 检索增强技术有哪些？

匹配正文：…融合专业术语、专有名词多的场景稀疏-密集结合 SPLADE等学习式稀疏向量，弥补纯向量盲区长尾实体、ID类查询图检索基于知识图谱的实体关系扩展需要推理关联的复杂问题三、精排优化（重排序） Cross-Encoder重排：用交互式模型（如bge-reranker）对召回Top-K精细打分，精度高但慢多阶段级联：向量召回→BM25过滤→Cross-Encoder精排，平衡效率与效果四、索引层面优化分块策略：按语义切分（而非固定长度），保证chunk内语义完整 …

#字节#HyDE#RAG 检索质量

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配正文：…义召回领域微调Embedding + 混合检索二级：关键词索引精确匹配（药品名、法条号） Elasticsearch 三级：知识图谱关联推理（禁忌症、判例引用） Neo4j 合规性保障机制溯源强制：每个回答附带原文片段+文档版本+页码权限控制：敏感内容按角色脱敏（患者/医生/律师可见层级不同）审计闭环：用户查询→检索片段→生成结果全链路日志留存边界提示：明确标注"辅助参考，不构成专业建议" 效率优化要点增量更新：仅重索引变更章节，避免全量重建缓存策略：高…

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 阿里

LangChain vs LlamaIndex 场景怎么选？

匹配正文：…图像生成+代码执行）优先选LlamaIndex 企业知识库场景：海量文档（10万+）的高效检索需要精细控制检索策略（分层摘要、知识图谱增强）数据源多样且需要自动化解析（非结构化+半结构化混合）实际趋势生产环境中两者常组合使用：LlamaIndex负责数据层（索引+检索），LangChain负责应用层（Agent编排+工具调用）。LlamaIndex也推出了llama-index-agent模块，边界正在模糊，但原生优势领域依然分明。学习建议建议系统学习该知识点

#阿里云#AI框架选型#LangChain vs LlamaIndex