匹配正文：…权、幂等键和人工确认。 2. 构造与切分数据收集成功轨迹、失败轨迹、取消/超时、参数缺失、工具拒绝、重复调用和越权尝试；日志先做隐私处理。合成轨迹必须执行验证或人工抽检，不能把教师模型输出直接当真值。按用户、模板或任务族切分训练集与评测集，避免同一提示改写后跨集合泄漏。数据记录工具 schema 版本与环境快照，否则工具升级后旧轨迹可能已经无效。 3. 建立无需训练的基线先用 prompt、少量示例、结构化输出和确定性状态机跑端到端基线。记录任务成功率、工具/参数准…

#美团#Agent#Agent 训练链路

面试题·评估· 淘天

偏好感知系统架构怎么选?

匹配正文：场景：偏好感知的售后助手目标不是让模型迎合点击，而是在政策正确、安全和隐私边界内，按用户明确选择调整解释深度、语言和交互方式。退款资格、金额与时效来自当前政策和订单工具，不能由“偏好”覆盖。数据构建对同一上下文生成候选，由标注者按事实/政策正确性、安全性、有用性和表达偏好分别判断；保留拒绝原因，不把多维标准过早压成一个分数。点击、停留、复制和转化是受位置、延迟、曝光和用户意图影响的观察数据。只有在用途、同意、最小化与因果校正成立时才作为弱信号，不能直接等同偏好标签。 …

#淘天#偏好感知对话系统#对话系统训练数据

面试题·评估· 字节

Agent 人工干预 vs 自动处理怎么切换?

匹配正文：…例： - L1（自动）：查询类、可撤销操作、公开数据 - L2（确认）：修改配置、发送通知、内部数据 - L3（人工）：资金操作、隐私数据、合规敏感场景关键：风险等级与置信度阈值解耦联动——高风险任务即使置信度高也可能触发复核。动态调度策略在线学习：根据人工反馈的实际错误案例，每周更新阈值参数上下文降级：高峰期自动放宽非关键任务的置信度阈值，但核心安全规则硬编码不可覆盖人机接力：Agent完成80%工作，人工聚焦关键决策点，保留完整上下文快照落地权衡最终是成本-…

← 上一页第 3 / 3 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

#字节#Agent#Agent 人工干预

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…程选择。两者并非互斥，实践中常先RAG打底，再SFT优化生成风格。学习建议掌握RAG与SFT的基本原理，对比其在知识更新、数据隐私和推理可解释性方面的差异，结合实际应用场景理解优势。

#美团#模型微调#RAG vs SFT

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…），降低推理难度 RAG更优的具体场景实时信息查询：天气、股价、赛事结果专业/垂直领域：医疗指南、法律条文、企业内部知识（数据隐私+快速迭代）长尾事实问答：冷门实体、最新产品规格需可溯源的场景：客服回复、金融咨询（必须给出参考来源）关键认知 RAG不是SFT的替代，而是互补：SFT负责语言能力和基础推理，RAG负责动态知识注入。复杂推理任务仍需SFT强化，纯RAG对检索质量极度敏感，需配套重排序、查询改写等优化。学习建议掌握排序模型基本架构，学习权重初始化常用方…

#美团#RAG vs SFT#RAG

面试题·模型微调· 华为

Few-shot vs Zero-shot vs Fine-tuning 怎么选?

匹配正文：…不是按“样本达到某个固定数量”自动切换。先建立覆盖正常输入、边界、拒答和分布外样本的评测集，再比较质量、延迟、单次成本、维护成本和隐私边界。没有这条基线，“Fine-tuning 天花板更高”或“10 个示例就够”都只是猜测。怎样选择方案更适合的情况主要代价与风险 Zero-shot 基座模型已经理解任务，指令和输出契约可以直接说清最省上下文；复杂标签、特殊格式或隐含业务规则可能不稳定 Few-shot / ICL 少量代表性示例能澄清标签边界、风格或输入输出映射；…

#华为#Few-shot 提示#Zero-shot 对比

面试题·多模态· 阿里

Multi-modal RAG 原理与挑战

匹配正文：…却增加路由和校准复杂度。关键挑战包括：细粒度区域或时间片对齐；OCR/ASR 错误和域偏移；有限上下文内的证据去重与排序；版权、隐私、提示注入和访问控制。评估要拆分各模态 Recall@K、跨模态重排、答案忠实度、引用定位、尾延迟和成本。财报图表问答、设备图片诊断、视频定位和商品图文客服都是适用场景，但模型与索引选择必须由目标数据基准决定。图解 Multi-modal RAG 原理与挑战图解

#阿里#多模态#多模态 RAG

面试题·Prompt· 脉脉

Prompt 如何系统设计、评测和发布？

匹配正文：…，并定义修复或失败路径。 Few-shot 示例用于展示边界和格式，数量由上下文预算与净增益决定，不固定为 3–5 个。避免把真实隐私数据放进示例。复杂任务可以要求给出简洁依据、可核查步骤或工具结果；不应依赖暴露内部思维链来获得安全性或可审计性。 3. RAG 与 Agent RAG 提示保存证据 ID，要求逐主张引用，并在证据不足或冲突时澄清/拒答。原始相似度不是校准置信度，不能统一写“低于 0.7 拒答”。先通过数据、检索、上下文组装和生成各层评测确定条件。 Agent …

#Prompt#提示工程#结构化输出

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配正文：…可以保留可审计的结构化字段：当前目标、所选工具、参数、执行状态、证据引用和简短决策摘要。内部推理文本既不保证忠实，也可能暴露提示、隐私或安全策略，不能把完整 Thought 当成可解释性证明。服务端执行循环服务端根据用户和对象权限给出当前可用工具 schema；模型返回结构化的 tool_call、respond、ask_for_confirmation 或 stop 候选；服务端重新校验工具名、参数、权限、预算和幂等键，再决定是否执行；工具返回结构化状态与来源。O…

#美团#评估与监控#Agent

面试题·RAG· 字节

高风险垂直领域 RAG 如何设计？

匹配正文：…。高风险结论由合格人员复核，系统保留修改原因。领域微调或 Self-RAG 不是必选项。只有在冻结数据和基线下证明净增益，并通过隐私、许可、偏差、成本与回滚检查后才采用。 5. 安全、审计与异常服务端执行身份认证和最小权限；记录查询、资料版本、候选、最终上下文、输出、复核人与动作，但日志字段最小化并限制访问。防护还包括提示注入、恶意文档、数据外传、模型/索引版本混用、过期资料、冲突来源和不可用时降级。系统不得直接执行处方、诊断、提交法律文件或改变当事人权益，除非特定产品…

#RAG#高风险应用#医疗

面试题·RAG· 字节

RAG 二次生成怎么提升安全性?

匹配正文：…mg"，模型可标注冲突并保守输出"建议遵医嘱，常见剂量范围为200-300mg" 3. 上下文脱敏与改写自动替换检索内容中的个人隐私信息（用户ID、手机号），再进入生成流程关键局限幻觉反噬：模型可能"自信地"篡改正确检索内容，需引入引用溯源（如要求模型标注答案来源索引）延迟成本：二次生成增加100-500ms延迟，抖音高并发场景需权衡学习建议建议系统学习该知识点

#抖音#RAG输出安全#RAG 二次生成

面试题·检索· 高德

向量数据库怎么支撑 Agent 记忆?

匹配正文：…消解失败检索时拼接历史3-5轮作为expanded query 记忆冲突/过时版本化存储 + 置信度打分，低置信记忆触发确认隐私敏感数据分级存储，敏感内容加密embedding或隔离索引架构示意：用户输入 → Query理解 → 并行检索[语义向量+关键词+知识图谱] ↓ 融合排序 → 上下文注入Prompt → LLM生成核心权衡：记忆容量↑ → 噪声↑ → 需更精密的过滤与排序机制。学习建议建议先掌握向量数据库和Embedding基础原理，结合RAG与A…

#高德#重排与优化#文档处理

面经·项目面试

评分端知道的答案，别顺手放进 Agent 的题面

匹配正文：…正文接起来读。这条路径还会将离线任务标识派生成稳定的会话标识，避免直接把原编号显示在题面里。它是标识处理的一步，不能据此承诺完整隐私保护或防作弊。对实际可见内容的检查仍然要继续做。允许的信息通过查询获得，不从评分答案袋抄编号用隐藏标记核对真实模板与数据行要验证投影，适合先准备一条完全人工的任务。可见部分放客户、区域和诉求；评分实体里放一个唯一订单标记，另放附件、期望政策等标记。顶层与专用可见区域都不提供订单号。这样，每个标记出现在哪里，都有明确的解释。先从原文件提取…

#Agent训练#输入边界#提示词

面试题·项目与经历· 美团

Agent 哪项能力最先商业化?

匹配口述回答：…、issue和日志，必须明确数据是否离开组织、是否用于训练、保留多久以及如何删除。即使基础模型用公开代码训练，产品运行阶段仍有新的隐私与知识产权责任，需要权限和审计单独治理。规模化产品还需持续应对模型升级带来的行为变化。同一prompt和仓库在新模型上可能得到不同修改，企业需要版本锁定、回归和灰度。若缺少这些能力，工具链成熟也可能在升级时产生不可控返工，影响真正的商业复用。说明Coding的工程优势删除估值和市场口径审计训练数据治理成本比较其他能力的真实边界给出分…

#智能体商业化#Coding Agent#技术成熟度评估

面试题·项目与经历· 美团

Agent 未来规模化方向

匹配口述回答：…、ERP 或代码仓库，输入输出和责任人较明确，也能用周转时间、完成率、返工和人工接管率验证价值。完全开放的个人助理横跨身份、支付、隐私和众多第三方系统，失败空间更大。以财务报销为例，模型可以读发票与说明、抽取候选字段、发现缺材料、生成审核摘要并建议路由，但不能因为输出是结构化 JSON 就称为确定性。金额计算、票据唯一性、预算、权限、合规名单和审批状态应来自权威系统与规则引擎，高金额或异常样本必须人工确认。错误转账、误批和隐私泄露未必能完整回滚，审计责任也不会因使用模型消失。…

#Agent商业化#B端落地#成本效益分析

面试题·模型架构· 商汤科技

幻觉一致性延迟诊断

匹配口述回答：…为了稳定格式而牺牲事实质量，或为了速度悄悄降低正确率。每种修复还应设反向指标：一致性优化不能让答案变得机械，检索增强不能降低召回隐私边界，量化不能超过质量损失阈值。只有主指标和护栏指标都通过，才允许扩大流量。先建立可复现基线拆解三种不一致按证据链治理幻觉澄清ROME与RAG边界按阶段优化延迟并回归约4分钟什么时候知识编辑比RAG更合适，什么时候应明确拒绝使用。可继续讨论更新频率、可追溯性、局部性评测、回滚和证据时效。

#幻觉问题#输出一致性#推理延迟

面试题·多模态· 得物

多模态大模型怎么理解？

匹配口述回答：…知。评测要拆开感知是否看对、grounding是否有区域证据、推理是否正确、回答是否受证据支持，还要看延迟、上下文成本、提示注入与隐私。这样才能从架构、训练到应用完整说明多模态能力。多模态系统还要处理模态缺失和冲突。图像缺失、音频损坏或OCR与视觉不一致时，应显式标记可用证据并允许降级；不能把缺失向量当正常输入。训练和评测都应包含单模态、完整多模态与冲突样本。先定义联合任务而非强制共享空间比较双塔与桥接模块解释cross-attention和统一token 准确描述Q…

#多模态融合#视觉语言模型#对比学习

面试题·Agent· 字节

Agent 技术演进与挑战?

匹配口述回答：…不了，拆太细成本爆增。工具选择失误也频发，比如传JSON参数时漏字段。安全性更头疼，权限边界得划清楚，比如Agent不能越权查用户隐私。提示注入也是大坑，恶意用户可能在对话里塞指令让Agent执行非法操作。可控性上，执行过程像黑盒，出了问题难回溯。成本更不可控，一个复杂任务可能触发几十次LLM调用。所以我的判断是：先保可靠性和安全，再谈效率。如果任务经常失败或泄漏数据，成本再低也没用。未来潜力，短期1-2年看垂直场景封装，比如“一键生成周报”这种确定性工作流，Agent把规…

#字节#Agent#Agent 发展趋势

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配口述回答：…拉开差距的是领域特化清洗。举个例子，在企业合规文档场景里，同一个缩写在不同部门含义完全不同，比如“PP”在财务是采购订单，在法务是隐私政策。所以我会事先建立领域词典做术语规范化，把缩写统一展开，同形异义词根据上下文消歧。另外，结构化抽取也很关键，比如技术手册按章节、论文按IMRaD结构识别边界，这直接决定了后续 [[Chunk]] 的语义完整性。然后是分块策略，这块我倾向动态分块而非固定 token 数。固定切分容易把逻辑上完整的段落拦腰切断，导致检索时召回一堆碎片。我一般…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 得物

Agent 上线要检查哪些关键环节？

匹配口述回答：…或每秒一千 token。前缀缓存只在共享前缀时节省 prefill，不是会话隔离。状态保存也不写死三十分钟 TTL，要按任务恢复、隐私和删除要求定义。 Agent 循环需要总时限、步骤或费用预算、重复调用检测和明确停止原因。页面离开或用户取消后要把取消传到下游；不能取消的副作用任务提供状态查询和补偿。并行只用于无依赖步骤。可观测上用同一 trace 关联模型、工具、状态和业务结果，但默认不记密钥、完整提示或用户原文。离线回归覆盖无权限、工具超时、重复响应、循环、取消和部分成…

#Agent#生产部署#工具调用

面试题·评估· 美团

RAG 解决了哪些问题?

匹配口述回答：… 或 nDCG 的真实结果】，答案层报告【逐主张证据支持、任务正确性或拒答表现】，系统层报告【P95/P99、吞吐与成本】，权限和隐私则作为独立门槛检查。每个数字都要带样本来源、标注规则、运行配置和日志位置；没有测过就说待验证。最后我会主动说明代价和边界。例如【方案】改善了【真实指标】，但增加【延迟、成本或维护复杂度】，在【失败切片】上仍然无效，回退方案是【】。这样的回答能让面试官区分通用知识、本人贡献和仍待验证的部分。先区分通用原理与本人项目事实说明真实问题、职责和基…

#美团#混合检索#RAG 技术

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配口述回答：…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。前提是得有领域数据做验证，不行就微调。微调不贵，用[[LoRA]]在几百条数据上跑几小时，效果提升明显。工程兼容性容易被忽略。输出维度是7…

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配口述回答：…让模型学习特定风格或格式，比如把回答变得幽默；但微调不能注入新知识，而且成本高、更新难。RAG适合知识频繁更新、需要溯源、或者涉及隐私数据的场景。真正落地时，我倾向于RAG为主，微调为辅：用RAG保证知识和溯源，用微调优化输出风格。所以我会把RAG看成是模型的外挂知识引擎，而不是替代品。它的前提是知识库质量够高、检索够准，否则就是垃圾进垃圾出。本质定位：RAG不是万能药，是知识外挂三阶段流程：索引、检索、生成业务场景：客服退款政策优化与风险：混合检索、分块策略边界…

#商汤科技#检索生成流程#RAG 技术流程