匹配口述回答：这道题问的是[[RAG]]里语义匹配怎么做，本质上就是两件事：[[嵌入]]模型负责把文本变成向量空间里的点，[[向量数据库]]负责在这些点里快速找邻居。分开看都不复杂，但配合好了才能从海量文档里精准召回。离线阶段先处理文档。文档解析完要[[分块]]，这是第一个容易出问题的地方。固定长度分块简单，但照搬一个固定值容易把一句话拦腰切断，丢失上下文。语义分块按段落或句子切，保语义完整，但计算开销大。我的做法是把固定长度、递归切分、语义分块，以及无重叠、短重叠、较长重叠都作为候选，…

#字节#文档处理#向量检索

面试题·文档处理· 字节

专业领域文档怎么清洗?

匹配追问：场景切入假设你在做医疗领域的知识库问答，原始文档有各种PDF、网页和扫描件，里面还有不少表格和图注。用户问“青霉素的用量”，结果模型老答不对。你觉得问题可能出在数据清洗上？你会怎么处理这些文档才能让检索和生成靠谱一些？层层追问 RAG里检索质量很关键，你一般怎么清洗文档？……如果文档里有大量专业术语，比如“PM”可能是项目管理也可能颗粒物，你怎么处理？……再比如技术手册，你是一个section一个section切，还是怎么切？怎么保证语义完整？直球架构对于专业领域RA…

#字节#RAG 文档清洗#文档预处理

面试题·评估· 淘天

LangGraph 适用边界与替代

匹配正文：答案要点明确LangGraph的核心定位（基于图结构的Agent编排框架，非RAG专用）列举3个以上典型应用场景并说明优势对比说明与传统Agent框架（如LangChain、AutoGen）的差异体现对状态持久化、循环控制等核心特性的理解 LangGraph是LangChain团队推出的基于图结构（Graph）的Agent编排框架，核心解决复杂Agent工作流的状态管理和循环控制问题。主要适用场景： 1. 需要循环/条件分支的复杂工作流传统DAG（如Airflow）…

← 上一页第 4 / 4 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

#淘天#评估与监控#LangGraph 适用边界与替代

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配正文：…☆ 代码解释器+可视化工具链成熟复杂任务自动化（如旅行规划） ⭐⭐⭐☆☆ 需要多轮决策，但幻觉风险较高高 stakes 决策（医疗/金融） ⭐⭐☆☆☆ 容错极低，需人机协同兜底核心局限性模型层面幻觉传导：规划错误会级联放大，传统RAG难以解决推理链幻觉上下文瓶颈：复杂任务超出窗口，关键信息丢失系统层面延迟与成本：多轮工具调用导致TTFT和总耗时不可控安全边界：工具权限管控、沙箱隔离、提示词注入攻击体验层面不可解释性：用户难以理解Agent"为什么这么做"…

#字节#Agent#大模型 Agent 优缺点

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：…适配方法（微调、对比学习）能说出性能评估指标（MRR、Recall@K、NDCG）选型核心维度 1. 业务场景匹配语义检索（RAG）：选Sentence-BERT、BGE、M3E等专为句子相似度优化的模型聚类/分类：通用BERT即可，甚至可以用更小模型代码/多模态：需专用模型（如CodeBERT、CLIP） 2. 关键性能指标因素权衡要点维度 768/1024维效果好，但存储和检索成本高；384维适合大规模上下文长度 512 vs 8192，长文档需截断或层…

#百度#向量检索#Embedding 模型选型

面试题·知识图谱· 淘天

伪多模态与原生多模态差在哪?

匹配口述回答：面试官你好，这个问题其实是在问：[[多模态]][[RAG]]到底是不是真的在理解图像，还是只是把图像转成文字后再做检索？本质区别就是是否共享语义空间。先说伪多模态。它的思路很简单：图像进来，先用 [[OCR]] 或者像 [[CLIP]] 这种视觉编码器，把图像转成一段文字描述，比如用 BLIP2 生成 caption，然后把这个文本[[向量化]]，丢进 [[Vector Database]] 里检索，最后喂给 LLM 生成答案。说白了，就是把多模态问题强行压成单模态问题，图…

#淘天#知识图谱#伪多模态RAG

面试题·RAG· 蚂蚁

时间窗口对话管理机制

匹配标题与标签：时间窗口对话管理机制 RAG 系统中基于时间戳的上下文截断与会话起止判断 RAG 蚂蚁会话时间窗口时间窗口对话管理 RAG 上下文截断时间偏移会话蚂蚁

#蚂蚁#会话时间窗口#时间窗口对话管理

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配口述回答：…一个[[Embedding]]模型，比如BGE或者M3E，把每段文本编码成稠密向量。这里有个前提：如果领域很特殊，比如金融合同或者医疗病历，通用模型可能有分布偏移，先建立领域评估集，再比较直接使用、数据清洗、微调等候选，不能预设必须微调。切块也不是一刀切，固定长度适合通用场景，但要是文档结构性强，像操作手册或者法律条款，我会优先用语义切分，按段落或者标题来，避免把完整的概念切碎。向量存进[[向量数据库]]，比如[[Faiss]]或者Milvus。索引我一般选[[HNSW]]…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 小红书

BM25 vs 向量检索 vs 混合检索怎么选?

匹配口述回答：这道题其实是在问[[RAG]]系统里召回与精度的取舍。说白了，没有一种检索方法能通吃所有场景，真正落地的做法往往是混合的。我先说[[BM25]]，它本质是精确关键词匹配，靠词频和逆文档频率打分。它的好处是零数据依赖，即插即用，计算开销极低，倒排索引毫秒级响应。但缺点也很明显，同义词、上下位词它完全抓不到。比如用户搜‘苹果手机’，BM25只能匹配到字面‘苹果’和‘手机’，如果文档里写的是‘iPhone’，它就漏了。所以BM25适合品牌名、型号、订单号这种精确检索场景。再说向量…

#小红书#检索方法对比#BM25 向量检索混合检索

面试题·检索· 字节

两阶段 vs 端到端怎么选?

匹配正文：…依赖模型能力，幻觉风险高选择依据选两阶段架构的场景：知识库规模大（百万级以上文档），必须靠检索缩小范围对事实准确性要求高（医疗、法律、金融），需要可追溯来源需要可解释性，能展示"参考了哪些资料" 预算有限，无法承担全量长上下文推理成本选端到端生成的场景：知识库规模小，可直接塞进上下文（<100k tokens）对延迟极度敏感（实时对话场景）任务偏向创意生成而非事实问答有强基座模型（GPT-4级）且幻觉可控关键权衡两阶段的隐性成本：召回-精排之间的信息…

#字节#两阶段检索与端到端生成#两阶段检索

面试题·Prompt· 美团

ReAct 框架怎么实现推理+行动?

匹配口述回答：…ct把两者结合起来，用思考指导行动，用观察修正思考，所以比单独用哪个都好。但真正落地的时候，我一般不会只用ReAct，还会结合[[RAG]]或者微调。比如RAG适合知识密集型任务，ReAct适合需要多步推理和工具调用的场景，很多时候是两者一起上，先用RAG检索知识，再用ReAct做推理和行动。举个例子，客服退款场景。用户说“我买了个商品，订单号是12345，但没收到货，我要退款”。模型先Thought：用户要退款，我需要查订单状态和物流信息。然后Action：查询订单系统，…

#美团#评估与监控#Agent