匹配正文：一、提示工程层面核心思路：给模型明确的"格式模板"和"思考空间" 结构化指令：用### 输出格式 ###明确分隔，指定字段名、类型、可选值 Few-shot示例：提供2-3个输入→推理过程→标准输出的完整样例思维链引导：要求模型先分析用户意图关键词，再输出结构，减少跳步导致的格式错乱示例框架：用户输入：{input} 分析：用户提到"退款"和"订单号"，属于售后意图输出：{"intent": "after_sales", "confidence": 0.95, "s…

#小红书#意图识别格式优化#结构化输出

面试题·模型微调· 字节

大模型输出JSON怎么保正确?

匹配正文：答案要点约束解码技术（如JSON Mode、Grammar-based Decoding）的原理和应用提示工程技巧（Few-shot示例、Schema描述、输出格式指令）后处理与验证机制（JSON修复、重试策略、Pydantic校验）模型选型与训练层面的优化（Code模型、SFT/RLHF针对性训练）实际落地中的组合策略和容错设计一、解码层：约束生成空间 JSON Mode 与 strict Structured Outputs JSON mode主要约束JSON…

#字节#Agent#大模型 JSON 输出

面试题·模型微调

RAG检索相关但生成差原因

匹配正文：答案要点区分"检索相关"与"对生成有用"的差异，识别信息过载/碎片化问题提示工程层面：重排序、上下文压缩、指令明确性上下文建模：长上下文窗口利用、多文档融合策略、噪声过滤模型微调：领域适配SFT、检索感知训练、负样本挖掘系统性思维：端到端优化而非单点修复核心诊断：检索≠可用检索相关但生成差，本质是检索结果与生成需求不对齐。常见原因：信息过载：Top-K过多导致噪声淹没信号，或关键信息被截断碎片化：多个文档各含部分答案，模型缺乏整合能力格式混乱：原始文档结构…

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

#上下文压缩#生成调优#RAG 生成优化

面试题·模型微调

LLM 封闭标签如何强约束?

匹配正文：答案要点提示工程（Few-shot + 格式约束）是基础手段约束解码（Constrained Decoding）是核心保障微调/SFT提升指令遵循能力 Function Calling/JSON Schema是工程实践标准方案后处理校验作为兜底机制核心思路封闭标签输出本质是可控生成问题，需多层防护：提示工程 → 模型能力 → 解码约束 → 后处理校验。技术手段（按优先级） 1. 提示工程（基线） Zero-shot：明确指令 + 标签列表 + "只能从以下选择"…

#Agent#LLM 输出限定#封闭标签集

面试题·模型微调

生成模型回答不准怎么调?

匹配正文：答案要点区分"检索准确"与"生成失败"的边界，定位问题根因掌握提示工程、上下文压缩、重排序等轻量级优化手段理解SFT/RLHF在RAG场景的特殊性（如拒答能力、引用忠实度）提及系统级方案如多模型路由、生成后校验问题定位：检索准≠生成好先确认是生成能力不足还是检索-生成对齐问题：检索片段本身矛盾/冗余 → 上下文组织问题模型忽略检索内容、自由发挥 → 注意力对齐问题模型无法理解专业领域知识 → 领域适配问题分层优化策略 1. 提示工程（零成本）显式指令：强…

#生成模型调优#上下文利用#RAG 生成不准确

面试题·多模态· 哔哩哔哩

RAG意图识别原理与检索协同

匹配题目：在基于检索增强生成（RAG）的系统中，意图识别模块是如何实现的？请说明其在整个流程中的作用、常用方法（如分类模型或提示工程），以及如何与检索组件协同工作。

#b站#意图识别与检索路由#RAG 意图识别

面试题·Prompt· 百度

大模型智能体系统架构设计思路

匹配标题与标签：大模型智能体系统架构设计思路从零构建 Agent 架构,关键技术选型与 Prompt 工程考量 Prompt 百度 Agent 系统架构大模型智能体设计 Agent 架构选型 Prompt 工程百度

#百度#Agent 系统架构#大模型智能体设计

面试题·Prompt· 字节

Agent架构设计原则？

匹配标题与标签：Agent架构设计原则？大模型 Agent 核心组件功能划分与 Prompt 设计最佳实践 Prompt 字节 Prompt工程 Agent Agent 系统架构大模型 Agent Prompt 设计原则字节

#字节#Prompt工程#Agent

面试题·Prompt· 阿里

JSON 输出怎么保证格式稳定?

匹配正文：核心思路：三层防御体系生产环境保障JSON可靠性，通常采用 "提示引导 → 约束强制 → 后处理兜底" 的三层架构。一、提示词工程层（软约束）做法：在prompt中嵌入格式示例、Few-shot样本、角色设定你是一个JSON生成器，必须严格按以下格式输出，不要添加任何解释： {"key": "value", "items": [...]} 优点：无需改模型、接入简单；示例仍消耗输入token，并有编写与维护成本缺点：不可靠（模型仍可能输出markdown代码块、注释…

#阿里云#Prompt工程#JSON 格式输出

面试题·Prompt· 阿里

JSON 输出怎么保证稳定可靠?

匹配正文：核心思路：三层防御体系实际部署中采用"提示引导 → 硬约束 → 容错修复"的递进策略，而非单一依赖某一层。第一层：提示词工程（软引导）做法系统消息明确角色："你是一个严格的JSON生成器" Few-shot示例：提供2-3个输入→合法JSON的完整样例显式格式指令："只输出JSON，不要markdown代码块，不要解释" 优缺点 ✅ 零成本、易迭代 ❌ 不可靠，模型仍可能幻觉或格式漂移适用：原型验证、对准确率要求不高的场景第二层：约束解码（硬约束）主流方案方…

#阿里云#Prompt工程#Agent

面试题·Prompt· 华为

Few-shot 提示怎么用?

匹配题目：在设计大模型提示（prompt）时，什么情况下应使用few-shot示例？请结合其作用机制、优势及典型应用场景，说明few-shot提示工程如何提升模型的推理与任务执行能力。

#华为#Few-shot 提示#Prompt 工程

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配标题与标签：思维链(CoT)什么时候用? Prompt工程中CoT与逻辑引导策略的适用场景与作用机制 Prompt 华为思维链 CoT Chain-of-Thought 使用场景 Prompt 工程策略逻辑引导 Prompt 华为

#华为#思维链 CoT#Chain-of-Thought 使用场景

面试题·Prompt· 字节

LLM 输出格式如何强校验?

匹配正文：答案要点区分Prompt层、模型层、后处理层三层防护策略掌握JSON Schema/Function Calling等结构化输出技术设计解析失败时的降级和重试机制结合实际业务场景说明方案选型依据我通常从三层防护来设计输出过滤机制：第一层：Prompt工程（预防） Few-shot示例：在Prompt中给2-3个符合格式的输出样例明确格式指令：用代码块包裹格式模板，强调"必须严格遵循以下JSON格式" 角色设定：指定模型扮演"严格的JSON生成器"角色第二层：结…

#字节#Prompt工程#大模型输出过滤

面试题·Prompt· 商汤科技

Agent 行为模式有哪些？

匹配标题与标签：Agent 行为模式有哪些？ ReAct、CoT 等常见架构简述,Prompt 工程视角 Prompt 商汤科技 Agent Agent 行为模式 ReAct 架构 CoT 架构 Prompt 工程商汤科技

#商汤科技#Agent#Agent 行为模式

面试题·RAG· 字节

RAG 查不到文档怎么降级?

匹配标题与标签：RAG 查不到文档怎么降级? 常见 fallback 策略优缺点对比,如生成式回答与提示工程 RAG 抖音 RAG降级策略 RAG fallback RAG 降级策略 RAG 无相关文档字节

#抖音#RAG降级策略#RAG fallback

面试题·检索· 百度

RAG Query 改写方法

匹配正文：…问题】{原始问题} 【输出要求】 - 引用格式：使用[^index^]标注来源 - 冲突处理：若资料矛盾，列出不同观点并说明依据工程技巧：动态截断：按相关性分数倒序，token 预算留给高分文档重排序注入：把 Cross-Encoder 分数作为 metadata 放入 prompt，引导模型关注高置信片段负例过滤：对检索结果做置信度阈值过滤，低分文档直接丢弃而非放入上下文踩坑经验改写过度导致语义漂移：加一致性校验（改写 query 与原 query 的 embe…

#百度#小鹏#美团

面试题·Agent

LLM、Workflow 和 Agent 怎么选？什么任务根本不该做成 Agent

匹配正文：…确定性、风险和验收方式才决定。先把三个容易混在一起的概念拆开一次 LLM 调用：模型负责理解或生成最简单的形态是把用户输入和提示词交给模型，模型返回文本或结构化结果，流程结束。例如，教学场景中有一段已经脱敏的会议记录，需要提炼三条行动项。输入、输出和处理步骤都很明确，也不需要模型访问外部系统。你可以要求它按固定 JSON 输出，再由程序校验字段。这里使用 LLM 是因为自然语言理解和生成有价值，但没有必要增加一个循环让模型反复“规划”。一次调用也可以有前后处理：输入…

#Agent#架构与规划#Agent 和 Workflow 区别

面试题·Agent

Deep Research 拿到一个大问题后，怎么拆成能查证的子问题？

匹配正文：…带引用报告，还是只整理事实不做决策。任务契约给后续计划划出边界。缺少这层约束，Agent 就无法判断查到什么时候算够，再工整的 Prompt 也解决不了这个问题。哪些缺失信息必须先追问？并不是每个模糊点都值得打断用户。判断标准是：不同答案是否会改变研究路线或最终建议。部署方式、数据权限、时间范围和硬预算通常会改变候选与证据，应优先澄清；报告颜色、章节顺序之类偏好，可以先采用默认值，后续再调整。追问也要具体。不要问“请补充更多信息”，而应问“你要求私有部署，还是可以使…

#Deep Research#问题边界与研究闭环#Deep Research 问题拆解

面试题·Agent

Agent Planner 生成的计划为什么不能直接执行？怎么校验和动态重规划

匹配正文：…果直接进入 Executor，模型的一次语言错误就会变成系统行为。因此，LLM Planner 输出的是候选计划，不是执行授权。工程系统要把候选计划变成可检查对象，逐层验证，再一次释放一个可以安全执行的节点。先给出 30 秒回答 Planner 输出的计划可能漏步、依赖冲突、引用不存在的工具、缺少参数来源或包含越权动作，所以不能直接交给执行器。我会先约束它输出结构化计划，再依次检查字段完整性、依赖图、工具与参数、权限、预算和完成条件。执行中如果新的 Observation…

#Agent#架构与规划#Agent 计划校验

面试题·Agent

LangGraph 的 StateGraph 怎么设计？State、Node、Edge 到底各负责什么

匹配正文：…型读一遍长文本并输出“下一步去哪”。模型可以参与产生这些信号，但系统应校验信号是否合法，并为未知值准备默认出口。这里有个很重要的工程取舍：不是所有分支都应该交给 LLM。鉴权失败必须停止，达到预算必须停止，高风险写操作必须转人工，这些属于确定性规则。只有“现有证据是否足以回答”“是否需要换一个检索角度”这类难以完全枚举的判断，才适合让模型提供建议。怎样设计循环，才不会把图变成另一种死循环图允许有环，是 LangGraph 适合 Agent 的原因之一。Executor …

#Agent#工作流与状态#LangGraph StateGraph 设计

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：一句话:RAG 听起来高大上,核心其实就三步——检索相关资料 → 拼进 prompt → 让模型照着答。把这三步亲手跑通,你就懂了"开卷考试"的本质;想做深,站内有完整 RAG 教程接住。为什么需要 RAG(一句话回顾) 仅靠模型参数不能可靠覆盖最新或私有知识，生成答案也可能出错。RAG 就是在提问前,先去外部知识库捞出相关资料,塞进上下文,让模型"照着资料答"——把闭卷考试变成开卷考试。三步拆解用户问题 ↓ ① 检索:把问题和知识库都变成向量,找最相似的几段相关片段…

#Agent#AI 编程

面试题·Agent

Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

匹配正文：…是秘密保险箱。即使用户主动粘贴，也应按安全策略拦截或脱敏，而不是为了“下次方便”长期保存。第六类是一次成功产生的全局方法。某个 Prompt 在一个样本上有效，不足以证明它是稳定程序记忆。可复用经验应经过多样任务验证或人工批准。面试时如果只回答“重要的信息才存”，面试官通常会追问谁来定义重要。更好的回答是给出类型、来源、用途、授权和验证五个判断维度。候选记忆需要一张暂存区候选与正式记忆分层，能让写入过程可回放。候选区可以保存提取内容、来源消息引用、候选类型、提取器版…

#Agent#记忆与存储#Agent 记忆写入机制

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…示来源已更新，但不能悄悄跳到新内容。这四类错误分别来自 metadata、证据完整性、语义方向和版本管理。它们不可能靠一句统一 Prompt 全部解决。文档更新后，引用怎样不失效？文档更新是引用系统最容易遗漏的工程问题。如果只保存页码，新增一页后后续页码可能整体变化。如果只保存 Chunk 序号，重新切分后顺序也会变化。如果只保存一小段原文，重复段落又可能让定位产生歧义。更稳妥的引用记录至少包含文档稳定 ID、文档版本、Chunk 稳定 ID、原始页码或时间位置，以…

#RAG#生成与对话#RAG 引用溯源

面试题·模型训练· 美团

训练数据清洗：规则 vs LLM

匹配正文：…报告precision、recall和误杀高质量样本的比例，并按语言、来源和长度切片。规则可能精确但漏长尾，LLM可能召回更高却受prompt和模型版本漂移。不能只看模型给自己的质量分。常见级联是先做低风险确定性规范化与去重，再用规则或轻量分类器过滤明显样本，把不确定语义案例交给LLM，最后对高风险删除进行人工复核。各层都应保留原因码和原文引用，支持回滚。规则先删掉多少数据完全由当前语料决定，不设固定比例。 LLM清洗还要防提示注入、内容泄露和输出不稳定。如果文本包含指令，…

#数据清洗#数据工程#训练数据构建