匹配口述回答：…；低于低阈值，直接转人工或追问；介于中间，就用大模型兜底并带上置信度警告。而且阈值不是死的，我会根据问题类型和用户身份动态调。比如技术类问题阈值设高一点，闲聊类可以低一点；VIP用户优先转人工，普通用户先走追问。举个例子，电商客服场景。用户问「我买的手机降价了能退差价吗」，系统去知识库里找「退差价政策」，如果找到了但分数不高，比如0.6，那我会让大模型结合政策原文和自己的理解回答，同时标注「以下内容基于知识库生成，如有疑问请咨询人工」。如果完全没找到，就追问「请问是哪个订单…

#抖音#RAG降级策略#RAG fallback

面试题·检索· 阿里

RAG流程：检索到生成各阶段陷阱

匹配正文：…Top-5重排后准确率可提升15-30% 4. 上下文构建与压缩关键挑战：上下文窗口限制（4K/8K/128K）、信息密度不均技术方案：文本切片策略：按语义段落/滑动窗口，非固定长度上下文压缩：LLMLingua选择性压缩、摘要式压缩引用标记：为生成内容附加来源，便于溯源 5. 生成与后处理提示工程：明确指令（"仅基于以下文档回答"）、Few-shot示例约束格式生成控制：温度参数、重复惩罚、结构化输出（JSON模式）质量影响：幻觉抑制依赖上下文相关性与指令遵…

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

#阿里云#重排与优化#向量检索

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配口述回答：…把文档切碎、转成向量存进[[Vector Database]]；检索是拿用户问题去库里捞最像的几段；生成是把捞回来的片段和问题拼成提示词，让LLM回答。听起来简单，但落地时每个环节都有trade-off。先说索引里的[[分块]]。分块太粗，一段话包含多个主题，检索时容易召回一堆不相关的东西；分块太细，又可能把关键上下文切断。我一般会先看文档类型：如果是技术手册这种结构清晰的，就按章节边界切，再用[[Sliding Window]]让相邻块重叠个一二十个token，保住连续性…

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG 流程：检索、融合、生成

匹配正文：… 离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索流程（Query改写、向量检索、重排序）生成阶段（上下文拼接、Prompt工程、答案生成）各环节的关键技术选型与权衡（分块策略、Embedding模型、检索算法） RAG完整流程分为离线构建和在线推理两大阶段：一、离线知识库构建文档解析：处理PDF/Word/网页等多格式，提取干净文本（注意表格、图片OCR）文本分块（Chunking）：按固定长度、语义段落或递归方式切分；块大小通常256-512 t…

#AIlab#RAG工作流#RAG 技术流程

面试题·检索· 高德

RAG增强与生成如何衔接？

匹配口述回答：…道题问[[RAG]]的工作流程，其实本质是在问怎么把大模型的知识边界扩展出去，让它能回答训练数据里没有的东西。我理解RAG不是单一技术，而是一套工程组合拳，核心就三件事：先把外部知识存成索引，再根据问题准确定位到相关片段，最后让模型基于这些片段生成答案，同时还要避免它胡编。先说离线建库。这一步很多人只关注选哪个[[向量数据库]]，但我认为真正的难点在[[分块]]和[[向量化]]。分块不是简单按512 token切，要结合业务场景。比如客服退款场景，一个订单的完整上下文往往跨…

#高德#RAG#RAG 工作流程

面试题·检索· 百度

RAG 工作原理与核心组件

匹配口述回答：…见过的东西？[[RAG]] 的思路很简单，用检索代替记忆。模型不需要记住所有知识，需要的时候去外部数据库里查，再把查到的信息塞进 Prompt 让它生成。这样好处很明显：知识更新快，可控，[[幻觉]]也能压下去。具体分三步走。先说离线索引，就是把文档切碎、转成向量存起来。这里有个前提：切分的粒度直接影响后面召回质量。切太粗，一块里面混着好几件事儿，检索容易带偏；切太细，上下文断了，模型看不懂。一般 chunk size 在 256 到 512 token，但真正落地时我会根…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 高德

RAG 组件功能与数据流向?

匹配正文：…5）混合重排序（Rerank）：Cross-Encoder模型精排，提升相关性上下文组装：检索结果去重、截断、按相关性排序注入Prompt 三、核心技术要点分块策略：按语义边界切分，避免切断关键信息；重叠窗口保持上下文连贯检索精度：多路召回（向量+关键词）+ Rerank，解决语义漂移问题生成控制：限制LLM仅基于检索内容回答，降低幻觉；引用溯源增强可信度四、演进方向阶段特点 Naive RAG 基础检索+生成，容易检索噪声 Advanced RAG 加入查询…

#高德#RAG数据流#RAG 工作流程

面试题·检索· 字节

RAG 核心实现原理是什么?

匹配正文：…最终答案生成需具备长上下文理解和指令遵循能力典型架构演进 Naive RAG（基础版） Query → 向量检索 → 直接拼接Prompt → LLM生成问题：检索质量差、上下文冗长、生成不可控 Advanced RAG（生产常用） Query → 路由判断 → 多路检索(向量+关键词+图谱) → Rerank精排 → 上下文压缩/摘要 → LLM生成增强点：查询改写、混合检索、检索结果过滤、引用溯源落地关键挑战检索精度：Embedding语义漂移、领域术语匹配差…

#字节#RAG实现原理#RAG 实现原理

面试题·检索· 京东

RAG 怎么解决大模型幻觉?

匹配正文：…检索 + 关键词BM25，覆盖语义和字面匹配 3. 生成层（Generation）上下文组装：检索结果 + 用户Query拼接成Prompt 大模型生成：基于锚定的事实进行回答工作流程用户Query → Embedding编码 → 向量库检索Top-K → 重排序筛选 → Prompt组装（系统指令+检索上下文+Query） → LLM生成 → 输出+溯源引用缓解幻觉的核心优势机制作用事实锚定生成内容被约束在检索到的上下文范围内，减少自由发挥可溯源输出可附…

#京东#幻觉抑制#RAG 技术原理

面试题·检索· 美团

RAG 系统有哪些常见陷阱?

匹配正文：…要点检索阶段：分块策略、embedding选型、多路召回、重排序优化上下文处理：窗口长度控制、冗余去重、相关性过滤生成阶段：prompt工程、引用溯源、幻觉抑制系统层面：延迟优化、缓存策略、离线评估体系一、检索质量分块策略按语义分块优于固定长度，可用LLM辅助判断边界块大小一般256-512 tokens，需保留上下文重叠（overlap）表格/代码等特殊内容需单独处理，不能粗暴切分 Embedding与召回领域数据务必微调embedding，通用模型域外…

#美团#RAG常见陷阱#RAG 系统陷阱

面试题·检索· 快手

LLM怎么融入推荐系统？序列建模与排序

匹配正文：核心思路：LLM4Rec 的三种技术路径 1. 特征表示层：文本语义增强 ID → 文本映射：将物品ID、用户行为转为自然语言描述（如"用户A最近浏览了红色连衣裙"） LLM编码：用LLM提取文本embedding，替代或补充传统ID embedding 关键挑战：ID信息丢失、文本描述质量依赖、embedding空间对齐 2. 序列建模：长行为序列处理方案做法问题直接输入将N条行为拼成超长prompt 上下文窗口限制、推理成本爆炸摘要压缩 LLM先压缩历史为兴趣…

#快手#LLM推荐架构#LLM 推荐系统

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…阶段归因：正确资料是否入库，是否进入候选，重排后是否保留，送给模型的上下文是否完整，生成是否忠于证据。不同原因对应不同修复。只改 Prompt，可能掩盖解析或检索问题。面试官：你怎样证明优化有效？先定义评测集的来源、证据标注和切分方式，再说明检索指标、生成指标以及端到端指标。每个结果都要带基线、样本量、配置和测量方法；如果还没有实测，就把表格留空。还要准备一条变差的 bad case，解释为什么整体均值上升仍不等于所有问题都更好。面试官：权限为什么不能在检索之后再过滤？…

#RAG#项目深挖#教学复原

求职指南·Agent

Trace、线上监控与问题复盘项目模拟面试

匹配正文：…f 哪些信息进指标、日志、Trace 或样本仓？采样率、保留期、成本和隐私如何取舍？考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。至少两个候选方案、真实约束与放弃原因质量、时延、开发和维护成本下一步：metrics。配套学习：Agent 如何防越权与隐私泄露?、工程化核心目标是什么?。 5. metrics · metrics 可用性、延迟、模型错误、检索空召回、工具失败和业务成功怎样关联？告警基线是什么？考察重点：核验效果数字是否有定义、基线、样本和…

#模拟面试#简历项目#连续追问

系统教程·Agent

Agent 面试题大全与开发指南

匹配正文：…。配套教程 Deep Research Agent 实战：8 章系统拆解知识模块 Agent 架构·工具调用·记忆·多智能体 Prompt 工程(Agent 的地基) 常见问题 Agent 面试和 RAG 面试考察重点有什么不同？ RAG 考检索质量与评估，Agent 考系统设计与鲁棒性：规划怎么做、工具调用失败怎么重试、记忆怎么分层、多 Agent 怎么协作。两者经常组合出现——Agent 把 RAG 当工具之一。没有 Agent 项目经验，从哪里开始最快？先实现一…

#专题学习#Agent 面试题大全与开发指南

系统教程·模型微调

大模型微调与训练面试题大全

匹配正文：应用岗不一定天天训练模型，但一定会被问到什么时候该微调、和 RAG / Prompt 怎么取舍、LoRA 怎么做、DPO 和 RLHF 有什么区别。这一页把微调、训练、对齐三类题连成一条线。配套教程要不要做微调 / Post-Train 项目，轻量版怎么做 Deep Research 第 6 章：训练数据与多阶段训练知识模块轻量微调、LoRA 与应用场景轻量微调、LoRA 与应用场景训练流程、数据与稳定性训练流程、数据与稳定性 RLHF、DPO 与偏好对齐 RL…

#专题学习#大模型微调与训练面试题大全

系统教程·多模态

多模态大模型面试题大全

匹配正文：…求：看图问答、文档理解、GUI Agent、视频理解都在招。面试准备要抓住视觉编码、对齐、数据、评估和工程落地。配套教程大模型技术栈全景：多模态方向怎么学做一个 Agent 项目怎么做：多模态工具与任务链知识模块 VLM、图文对齐与多模态应用 VLM、图文对齐与多模态应用常见问题多模态面试最常问哪些基础？常问视觉编码器、图文对齐、投影层、训练数据、OCR / 文档理解、评估指标，以及 VLM 和纯文本模型协同的工程方案。没有多模态项目经验怎么补？先做一个文档…

#专题学习#多模态大模型面试题大全

求职指南·求职

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

匹配正文：…阶段的判断标准不是“页面好不好看”,而是你能不能回答:“如果答案错了,我从哪一步开始排查?”如果你能把错误定位到切块、召回、重排、Prompt、模型能力或评估集,就开始有应用开发的味道了。第 3 步:完整项目,只做一个,但要做深面试官不缺“我做过一个智能问答系统”的候选人,缺的是能把系统从问题到上线讲清楚的人。一个可写进简历的项目至少要有四件东西: 项目要素面试官想确认你要准备的材料真实问题为什么需要大模型,不用普通搜索行不行业务背景、用户问题、失败案例技术决…

#求职#职业转型

面试题·RAG

RAG 已经能搜 PDF，为什么视频不能直接入库？

匹配正文：…讲年假的那几十秒，整理出答案，同时把原视频和时间位置交给你复查。这正是很多人希望 RAG 做到的事。 RAG 这个名字听起来有点技术，其实就是先从指定资料里找内容，再让大模型根据找到的内容回答。它和普通聊天的区别在于，大模型回答之前会先“翻资料”。但找到资料也不代表一定答对，答案最好还能回到原文检查。问题来了：PDF、Word 都可以作为资料，视频也是一个文件，为什么不能直接扔进知识库？因为知识库真正需要的不是一个文件名，而是可以搜索、可以定位、可以核验的内容片段。保…

#RAG#解析与入库#视频 RAG

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…轮研究。流程看起来很智能，实际却把一个本来一次检索就能回答的问题，做得更慢、更贵、更不稳定。反过来，如果用户问的是“请比较三种技术方案在小团队、低运维和数据合规约束下的适用性，并给出能够核查的依据”，只查一次再生成也不够。一次检索可能只拿到某个厂商的宣传页，模型会把不同时期、不同部署方式和不同口径的数据混在一起。所以这道面试题会越过概念背诵，直接考一个项目判断：什么问题用普通 RAG 就够，什么问题需要 Agentic RAG，什么问题才值得进入完整的 Deep Re…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

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：…定义相比，更有用的是抓住四个判断条件：任务路径是否固定、是否需要外部行动、行动结果能否验证、错误是否可控。三种架构解决三类问题技术名称不决定架构，任务的不确定性、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 …

#Agent#架构与规划#Agent 和 Workflow 区别

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…BM25",第 4、5 章); 你写的 answer 里"把 context 当依据" = 真实系统的上下文拼接 + 生成(换成 Prompt 工程 + 真·大模型,第 9 章)。换句话说:你这 20 行代码演示的是 RAG 的最小逻辑骨架;后面 9 章会逐步补上解析、切分、索引、评估和引用等工程环节。它不是生产系统,但能帮助你理解生产系统为什么需要这些模块。下面 Part 2,我们把这条流水线展开成真实系统的样子,并回答一个关键问题:为什么这套系统里,大模型反而是最省心…

#RAG#检索#项目实战

求职指南·求职

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

匹配正文：…。但不要把应用岗理解成“只会调包” 2026 年之后,应用开发岗的边界明显往模型侧延伸。一个成熟的大模型应用工程师,不能只会写 Prompt 和调 API,至少要知道: 应用场景只会调包会卡在哪里需要补的模型侧能力企业知识库问答答案不稳定,错了不知道是检索还是生成问题 Embedding、重排、评估集、引用溯源 Agent 工具调用工具乱调、循环失控、成本爆炸 ReAct、状态机、工具 schema、终止条件领域客服助手语气和流程不稳定,模板约束不够 SFT/…

#求职#职业转型

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

AI Agent 核心特点与局限

RAG 查不到文档怎么降级?

RAG流程：检索到生成各阶段陷阱

RAG 流程各环节优化陷阱

RAG 流程：检索、融合、生成

RAG增强与生成如何衔接？

RAG 工作原理与核心组件

RAG 组件功能与数据流向?

RAG 核心实现原理是什么?

RAG 怎么解决大模型幻觉?

RAG 系统有哪些常见陷阱?

LLM怎么融入推荐系统？序列建模与排序

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

Trace、线上监控与问题复盘项目模拟面试

Agent 面试题大全与开发指南

大模型微调与训练面试题大全

多模态大模型面试题大全

转大模型应用开发路线图(2026):研究生/Java 后端要学什么、多久上岸

RAG 已经能搜 PDF，为什么视频不能直接入库？

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

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

第 1 章:为什么做 RAG?

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选

Deep Research 拿到一个大问题后，怎么拆成能查证的子问题？