匹配正文：…题？理解偏差？），选择重试或重规划引入"反思"步骤，显式总结本轮经验写入长期记忆三、与RAG的深度集成不是简单拼接，而是能力融合：层级集成方式检索即工具 RAG作为knowledge_retrieval工具，Agent按需调用记忆增强检索结果注入工作记忆，参与推理过程主动检索规划阶段识别知识缺口，触发预检索双向反馈 Agent的执行日志回流优化RAG的索引策略设计考量：检索结果置信度低时，Agent应主动追问澄清而非直接回答多跳推理场景：Agent…

#百度#Agent#Agent 系统设计

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…—— 数据检索框架核心定位：LLM与外部数据的高效连接核心能力：多源数据索引（100+ loaders）、高级检索策略（路由、融合、重排序）、查询引擎技术特点：索引类型丰富（Vector/Tree/Keyword/Composable），支持递归检索、子问题分解 RAG场景：企业知识库、文档问答的首选，检索精度和效率优化深入 Agent集成：提供OpenAIAgent、ReActAgent，但Agent能力相对轻量 3. 其他重要框架框架特色定位 AutoGen 多…

#阿里云#Agent#Agent 框架对比

面试题·Agent· 阿里

RAG+Agent 延迟与准确率成因

匹配正文：…检索错误导致后续步骤连锁错误优化：设置检索置信度阈值，低置信时触发"反思"模式重新规划；关键节点引入人工审核钩子三、架构层面的融合设计用户Query → 意图识别（轻量模型） ↓ [并行] 检索知识库 + 检索Agent记忆（避免重复检索） ↓ 结果融合 → 相关性打分 → 低分则触发工具调用/搜索增强 ↓ LLM生成 + 引用溯源 → 返回 + 异步更新反馈缓存工程要点：将RAG封装为Agent的工具之一而非底层依赖，保持架构灵活性。学习建议建议系统学习该知识点

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

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#阿里云#Agent#RAG Agent 延迟优化

面试题·Agent· 百度

Single-Agent vs Multi-Agent 架构取舍

匹配正文：…混合协作与竞争策略协作任务分解：按技能图谱分配（如：Researcher→Writer→Editor）结果聚合：投票、加权融合、迭代精炼竞争/冲突解决仲裁者机制（Judge Agent裁决）置信度阈值触发重协商代价敏感的资源竞价三、实际应用对比维度单智能体多智能体延迟低（单次推理链）高（多轮通信）可扩展性受限于上下文长度可水平扩展容错性单点失败可降级、可替换开发成本低高（协调逻辑复杂）典型场景客服Bot、个人助手软件开发、…

#百度#Agent#Single-Agent 设计

面试题·Agent· vivo

动态障碍物怎么检测与规避？

匹配正文：一、感知层：动态障碍物检测多传感器融合方案激光雷达：3D点云聚类（Euclidean/Panoptic Segmentation），提取障碍物位置、尺寸、速度视觉：YOLO/RT-DETR检测行人/车辆，结合深度估计或点云投影获取3D框融合策略：卡尔曼滤波或深度学习方法（如BEVFusion），解决单传感器遮挡/漏检问题动态特征提取通过连续帧点云/图像计算光流或点云流，区分静态背景与动态目标输出：障碍物位置、速度矢量、类别、不确定性协方差二、预测层：轨迹推演 …

#vivo#Agent#动态障碍物检测

面试题·Agent· 淘天

LangChain vs LlamaIndex vs AutoGPT 架构差异?

匹配正文：…angChain：@tool装饰器 + Tool基类，需预注册 LlamaIndex：FunctionTool包装，与索引查询原生融合 AutoGPT：动态技能发现（文件操作、搜索等），命令式调用 LangGraph：工具作为图节点，支持并行工具执行（send到多个节点） 4. 状态管理（最大差异点）框架状态机制持久化适用场景 LangChain Runnable上下文，无原生状态 ❌ 简单问答链 LlamaIndex 对话内存ChatMemory 可选 RAG对话 …

#淘天#Agent#Agent 框架对比

面试题·Agent· 淘天

传统 RAG 有哪些痛点?

匹配正文：…失效，体验极差。关键影响：实时性业务场景下直接不可用。优化方向简述痛点典型解法检索噪声重排序（Rerank）、多路召回融合、查询改写上下文冗余上下文压缩、语义去重、摘要增强知识更新延迟实时索引管道、增量更新、结合API动态查询这些痛点正是Agentic RAG兴起的核心动因——通过引入反思、工具调用、主动验证等机制，突破传统"检索-拼接-生成"的线性范式。学习建议掌握RAG基本流程，结合实际案例理解检索与生成间的瓶颈，对比进阶方法如Graph RAG…

#淘天#Agent#RAG 痛点

面试题·Agent· 拼多多

货物装载决策怎么定?

匹配正文：核心决策框架这是一个典型的带约束的组合优化问题，类似背包问题+路径规划的融合场景。关键决策因素因素说明剩余容量当前装载量 vs 容量上限，直接决定能否装载货物价值密度价值/重量（或体积），优先选"划算"的机会成本装载A意味着可能放弃后面更好的B 路径可达性取货后能否顺利到达卸货点，避免死路时间窗口部分货物可能有 pickup/delivery 时限常用策略选择场景1：信息完全已知（离线规划）用动态规划或整数规划求解全局最优状态设计：(…

#拼多多#Agent#机器人装载策略

面试题·Agent· 小红书

多智能体协同关键策略

匹配正文：…机制资源冲突：拍卖机制、优先级策略、互斥锁目标冲突：效用函数对齐、多目标优化、Pareto最优信息冲突：置信度加权、多源信息融合（如D-S证据理论） 4. 角色与专业化按功能划分：规划Agent、执行Agent、监控Agent 按领域划分：不同垂类专家Agent，通过路由调度 5. 共识与协调分布式一致性算法（Paxos/Raft变种）社会规范与组织规则预定义声誉机制激励合作行为关键权衡：通信成本 vs 协同效果；中心化效率 vs 分布式鲁棒性。

#小红书#Agent#多智能体协同

面试题·Agent· 字节

工具集设计关键因素?

匹配正文：答案要点工具设计的原子性与组合性平衡工具描述的清晰性与LLM可理解性工具调用的错误处理与重试机制工具结果与上下文的融合策略工具权限与安全隔离工具集设计的关键因素 1. 工具粒度设计原子性：每个工具只做一件事，如search_web vs get_weather 可组合性：支持工具链编排，复杂任务拆解为子工具调用避免过细/过粗：过细增加调用次数，过粗降低灵活性 2. 工具描述优化 # 关键：让LLM准确理解何时调用 { "name": "calculate_mo…

#字节#Agent#Agent 工具集设计

面试题·文档处理· 字节

RAG 数据处理与索引流程?

匹配正文：…接决定召回率vs查询延迟的权衡系统级优化建议增量更新：避免全量重建，设计版本化索引切换机制多路召回：向量+关键词+结构化数据融合，索引层预构建倒排表监控闭环：记录"检索未命中→人工补充"的bad case，回流优化分块策略学习建议建议先掌握文本预处理、分块策略和向量索引原理，结合LangChain等框架动手实践典型流程，理解每步对检索质量的影响。

#字节#文档处理#向量检索

面试题·文档处理· 字节

Embedding+向量库怎么做语义匹配?

匹配正文：…内容 Rerank环节：用Cross-Encoder对召回结果精排，显著提升准确性混合检索：向量语义检索 + BM25关键词检索融合，互补覆盖一句话总结 Embedding模型解决"理解语义"问题，向量数据库解决"快速查找"问题，二者协同实现从海量文档中精准定位相关知识。学习建议建议先掌握嵌入模型原理和向量数据库基本操作，再结合RAG流程理解检索环节的语义匹配逻辑，通过动手实践加深理解。

#字节#文档处理#向量检索

面试题·文档处理· 字节

RAG 文本分块与向量索引流程

匹配正文：…执行；生成后再删除无权限证据已经太晚。检索、重排与上线先测词法、向量和结构化过滤的单路基线。只有失败类型互补时才加入混合；线性融合需校准分数，RRF 也要验证候选窗口。重排候选数与最终 top K 由边际收益、延迟和成本决定，不固定为 100→10。不同版本文档先按权威元数据过滤或聚合，不能指望重排自动消除冲突。发布新索引采用独立版本构建、完整性校验、固定查询回放、灰度和原子切换；保留旧版本回滚。监控新增不可查、删除未传播、版本冲突、空结果、权限泄露、延迟和召回漂移。这…

#字节#文档处理#向量检索

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配正文：…、IVF-PQ（内存友好），根据数据规模和延迟要求选择 4. 检索优化混合检索：向量相似度 + 关键词匹配（BM25），用RRF融合排序查询改写：扩展同义词、纠错，提升召回重排序（Rerank）：用Cross-Encoder精排Top-K结果学习建议建议系统学习该知识点

#美团#RAG 知识库搭建#文档预处理

面试题·文档处理· 美团

RAG知识库构建流程详解

匹配正文：…。专有名词、编号和精确短语常由 BM25/全文检索补足，语义改写由向量检索补足。只有固定查询集证明失败类型互补时才做混合，并验证融合、候选窗口和重排，而不是假定混合必然提升。 4. 存储与索引选型 Flat/exact：数据与延迟允许时作为精确基线，用来测近似索引真实召回。 HNSW：通常有较好的速度—召回取舍，但构建慢、内存开销较高；M、efConstruction、efSearch 必须按数据和硬件调节。 IVFFlat / IVF-PQ：训练样本、nlist、npro…

#美团#RAG 知识库构建#文档预处理

面试题·评估· 美团

多路召回评估指标与RAG场景

匹配正文：…关性，降低标注成本三、RAG场景的组合策略分层评估体系离线阶段：各路独立评估Recall/Precision，筛选候选策略融合阶段：评估融合后的NDCG@K和覆盖率端到端阶段：最终生成答案的准确性（Answer-level metrics），这是RAG的北极星指标决策原则优先保证高Recall（设阈值如>95%），再优化Precision和排序不同Query类型（事实性/推理性/多跳）配置不同评估权重 A/B测试验证：离线指标提升≠端到端效果提升，需线上验证 …

#美团#评估与监控#多路召回评估

面试题·评估· 字节

Agent 系统优缺点怎么分析?

匹配正文：…试长链路黑盒，难以定位哪一步规划出错三、与 RAG 的协同设计维度 RAG Agent 定位知识检索增强任务执行与决策融合方式 Agent 将 RAG 作为工具之一，或 RAG 结果注入 Agent 上下文典型架构：用户 query → Agent 规划 → 判断需检索 → 调用 RAG 工具 → 基于检索结果继续规划 → 执行最终动作四、工程落地要点容错设计：工具调用失败重试、降级到预设流程人机协同：关键节点设置确认机制（HITL）成本管控：小模型做意…

#字节#Agent#Agent 系统优缺点

面试题·评估· 字节

召回策略怎么评估，Recall@K 怎么解释？

匹配正文：…和按查询切片的结果也可能不同。 K 与候选预算对同一固定排序，扩大前缀时 Recall 不会下降；但重新运行近似检索、修改过滤或融合参数后，结果未必是嵌套前缀。K 没有通用的 5–20。应画候选深度与 Hit/Recall、nDCG、延迟、重排成本、上下文证据保留和答案质量的曲线。检索阶段的 K 也不等于最终放进模型的片段数。去重、权限过滤、重排和 token 截断都可能把正确证据移除，因此要分别记录候选前、融合后、重排后和上下文后的覆盖。多路检索分别计算每一路的命中…

#RAG#检索评测#Recall@K

面试题·评估· 字节

RAG 召回评估指标对比

匹配正文：…联动：高Recall但低Precision时，需增强重排序或压缩上下文多路召回评估：分别评估向量检索、关键词检索、图谱检索，再测融合后的Recall 业务定制：客服场景重MRR（要快准），研报场景重Recall@20（要全）学习建议建议系统学习该知识点

#抖音#Recall@k#RAG 召回评估

面试题·评估· 字节

RAG 三大瓶颈与迭代策略

匹配正文：…、检索精度瓶颈与优化核心问题：向量语义匹配不准、Query与文档分布不一致混合检索：向量+关键词（BM25）双路召回，用RRF融合排序，解决语义漂移和专有名词匹配问题查询改写：用LLM扩展Query（HyDE生成虚拟答案再检索）、澄清多义词、补全省略的主语重排序（Rerank）：Cross-Encoder精排，把候选从100缩到Top-5，精度提升明显但增加延迟索引优化：按业务领域分库、语义分层（摘要→正文→细节），减少候选噪声二、生成质量瓶颈与优化核心问题：上…

#字节#评估与监控#RAG 性能瓶颈

面试题·评估· 字节

医疗法律RAG：评估陷阱

匹配正文：…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 + 子图匹配重排序（Rerank）精排Top-K 交叉编码器微调关键设计：查询改写（…

#字节#专业领域 RAG#RAG 系统设计

面试题·评估· 高德

Agent 有多个工具时如何安全选路？

匹配正文：…用谁”同时让另一分支继续产生副作用。 Top-K 并行不是默认动作。多个结果还需要验证 schema、来源、时间和相互冲突，再决定融合、澄清或转人工。 4. 回退语义回退工具必须还能满足当前任务的最低语义。历史路线或规则模板不能冒充实时路况；如果只剩旧数据，应明确时间和限制，必要时拒绝给出“最快”结论。熔断依据窗口、错误类型和最小样本，恢复使用探测流量；固定 500 ms 或连续 N 次不具可迁移性。部分成功时保留已完成步骤和失败原因。若主工具“可能成功但响应丢失”，先查…

#Agent#工具选择#权限

面试题·评估· 字节

Agent 系统优缺点与发展前景

匹配正文：…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"技术演示"走向"垂直场景的深度落…

#字节#评估与监控#Agent

面试题·评估· 哔哩哔哩

粗排冷启动指标与路径

匹配正文：…选再交给精排；阶段组织依系统而异，最终业务质量与资源指标要联合评估冷启动技术路径新用户冷启动 side information融合： demographics + 上下文（时间、地理位置、设备）→ 共享embedding层元学习（MAML）：学一个"好初始化"，新用户几步梯度快速适应跨域迁移：用站外行为预训练（如有），或站内其他业务线数据新物品冷启动内容理解embedding：视频标题/封面/标签走多模态编码（CLIP类），与ID embedding对齐到同一空间…

#哔哩哔哩#评估与监控#向量检索